Risco da Infraestrutura de IA, segundo a Gartner, coloca US$ 3,5 trilhões na zona de baixas contábeis

A Gartner colocou mais de US$ 3,5 trilhões em gastos planejados em uma zona de risco para infraestrutura de IA até 2030. O alerta desafia a premissa central por trás da atual expansão: a de que a demanda crescerá rápido o suficiente para tornar rentáveis data centers cada vez mais caros.

A empresa de pesquisa espera que provedores de IA gastem quase US$ 1 trilhão em infraestrutura durante 2026. Ela prevê outros US$ 6 trilhões em investimentos entre 2027 e 2030. Ainda assim, a receita projetada para o setor fica muito aquém do retorno necessário para justificar esses ativos.

Não se trata apenas de mais um debate sobre se a inteligência artificial está inserida em uma bolha financeira. A previsão de impairment da Gartner identifica um conflito mensurável entre gastos de capital e receita.

O conflito também separa dois tipos de proprietários de infraestrutura. Plataformas de nuvem diversificadas podem absorver retornos fracos em negócios mais amplos. Operadores especializados de nuvem de IA frequentemente dependem de capital emprestado, hardware caro e demanda concentrada de clientes.

Essa distinção coloca as neoclouds sob maior pressão do que Amazon Web Services, Microsoft Azure ou Google Cloud. Uma neocloud é uma provedora especializada que aluga capacidade de computação acelerada, normalmente baseada em processadores gráficos.

Portanto, o risco da infraestrutura de IA apontado pela Gartner envolve mais do que contabilidade. Ele testa quais operadores conseguem sobreviver simultaneamente a preços mais baixos, hardware envelhecido, custos de financiamento e adoção empresarial mais lenta.

O risco da infraestrutura de IA, segundo a Gartner, começa com uma lacuna de US$ 4,9 trilhões

A principal conclusão da Gartner é um descompasso entre a receita de que os proprietários de infraestrutura precisam e a receita que o mercado deve gerar.

Os proprietários de data centers de IA precisam de uma receita acumulada de US$ 8,5 trilhões até 2030, segundo a Gartner. Esse valor cobriria os gastos de capital anunciados, os custos de financiamento e um retorno de 12% sobre o capital investido.

A Gartner prevê não mais do que US$ 3,6 trilhões em receita atribuível a IA empresarial e de consumo no mesmo período. A diferença é de US$ 4,9 trilhões, antes de considerar como essa receita será dividida ao longo da cadeia de valor.

Os proprietários de infraestrutura não receberão necessariamente a maior parte da receita gerada por produtos de IA. Desenvolvedores de modelos, empresas de software, consultorias, provedores de aplicações e distribuidores ficam todos com uma parcela.

A Gartner espera que menos da metade da receita atribuível à IA chegue aos provedores que possuem infraestrutura substancial. Muitas empresas nativas de IA usam modelos leves em ativos e alugam sua capacidade computacional.

Essa distribuição torna a lacuna destacada ainda mais grave. Os proprietários de data centers arcam com os ativos e as obrigações de financiamento, mas outras empresas podem capturar grande parte da receita das aplicações.

A Gartner não afirma que US$ 3,5 trilhões certamente desaparecerão. A empresa diz que esse montante pode ficar exposto a impairment se a atual trajetória de investimento continuar.

Um impairment ocorre quando o valor contábil de um ativo excede o benefício econômico que ele pode produzir de forma razoável. O proprietário então reduz esse valor em suas demonstrações financeiras.

A distinção importa porque exposição não é o mesmo que perda realizada. Projetos podem ser adiados, capacidades podem ser reaproveitadas e planos de gastos podem ser reduzidos antes que um impairment se torne necessário.

No entanto, esses ajustes ainda sinalizariam que as premissas originais de demanda eram otimistas demais. Eles também poderiam resultar em margens menores, projetos cancelados ou consolidação sem uma baixa contábil formal.

O alerta original sobre baixas contábeis surgiu quando investidores já questionavam a economia da expansão da IA. A escala dá a esse debate uma estrutura financeira mais clara.

Se o investimento continuar pelo caminho presumido pela Gartner, mais de US$ 4 trilhões em valor de ativos poderão enfrentar risco de baixa contábil até 2032. A Gartner não espera que o setor alcance o retorno presumido de 12% antes do fim de 2032.

Esse cronograma estendido muda a questão enfrentada pelos proprietários de infraestrutura. Eles precisam financiar vários anos de expansão antes que os retornos esperados alcancem o capital implantado.

Assim, o risco da infraestrutura de IA apontado pela Gartner é um problema de tempo e de receita. A demanda pode crescer rapidamente e, ainda assim, chegar devagar demais para sustentar os ativos construídos para atendê-la.

Os gastos com IA estão à frente da demanda comprovada

A expansão pressupõe que futuras cargas de trabalho de IA serão monetizadas em uma escala que a atual adoção empresarial ainda não estabeleceu.

Modelos de IA exigem processadores especializados, memória de alta largura de banda, equipamentos de rede, sistemas de refrigeração, edifícios e eletricidade confiável. A maior parte desses componentes precisa ser garantida antes de um provedor saber com que intensidade os clientes os utilizarão.

Essa sequência cria um ciclo de investimento difícil. Os provedores constroem capacidade primeiro, enquanto uso, preços, retenção de clientes e modelos de negócio de software continuam incertos.

A capacidade não pode surgir instantaneamente depois que a demanda se torna evidente. O desenvolvimento de data centers envolve terrenos, licenças, acordos de energia, conexões à rede elétrica, pedidos de equipamentos, construção e testes.

Esperar por demanda comprovada pode deixar um provedor sem capacidade suficiente. Construir cedo demais pode deixar hardware caro subutilizado enquanto despesas com juros e financiamento continuam.

O setor, em grande medida, escolheu o segundo risco. Grandes empresas de nuvem e provedores especializados competem por processadores, energia, locais e clientes antes que o modelo de receita amadureça.

Essa escolha tem algumas bases racionais. Treinar modelos maiores consome recursos computacionais substanciais. Atender aplicações de IA amplamente utilizadas pode exigir ainda mais capacidade porque a inferência ocorre sempre que usuários enviam solicitações.

As empresas também estão passando de experimentos para sistemas de produção. Atendimento ao cliente, desenvolvimento de software, análise de documentos, busca, segurança e pesquisa geram cargas de trabalho recorrentes de inferência.

No entanto, o uso técnico não cria automaticamente retornos no nível da infraestrutura. Os provedores precisam transformar esse uso em receita que exceda despesas com depreciação de hardware, energia, redes, financiamento, pessoal e manutenção.

A concorrência de preços torna essa conversão mais difícil. Desenvolvedores de modelos melhoraram repetidamente o desempenho enquanto reduziam o custo de tarefas comuns de inferência. A otimização de hardware e software também pode reduzir a computação necessária para cada resposta.

Essas melhorias podem estimular a demanda. Elas também podem enfraquecer a receita por unidade de computação mais rapidamente do que o uso total cresce.

Isso cria um paradoxo tecnológico conhecido. A computação mais barata expande o mercado, mas os proprietários de infraestrutura precisam de volume suficiente para compensar a queda dos preços unitários e o rápido envelhecimento dos equipamentos.

Pesquisas independentes já haviam delineado a escala da expansão física. Uma análise de investimentos em computação de 2025 estimou que os data centers globais exigiriam US$ 6,7 trilhões até 2030.

A estimativa incluiu US$ 5,2 trilhões para instalações que processam cargas de trabalho de IA e US$ 1,5 trilhão para computação tradicional. Ela também alertou que o sobreinvestimento poderia deixar ativos ociosos, enquanto o subinvestimento poderia restringir o crescimento.

A análise da Gartner vai além ao comparar essa onda de construção com a receita atribuível e os retornos exigidos. A comparação transforma uma previsão de capacidade em um teste de solvência.

Explicar os gastos com IA apenas pelo aumento da demanda por modelos deixa de fora essa camada financeira. Mais tokens, agentes e implantações empresariais não garantem que o proprietário da infraestrutura capture valor suficiente.

O número mais importante não é o uso total de IA. É a margem que sobra depois que cada participante entre o chip e a aplicação final fica com sua parcela.

Essa margem também precisa chegar antes que o hardware relevante perca competitividade. Um processador pode continuar funcional enquanto se torna economicamente obsoleto diante de sistemas mais novos, com melhor desempenho por watt.

O risco da infraestrutura de IA apontado pela Gartner cresce quando a capacidade se expande mais rápido do que as cargas de trabalho rentáveis. Ele cresce novamente quando um hardware mais novo reduz o valor do equipamento adquirido durante o ciclo anterior.

As neoclouds enfrentam a versão mais difícil do teste

Provedores especializados de infraestrutura de IA combinam receita concentrada com ativos que podem perder valor econômico rapidamente.

A Gartner prevê que mais de 80% dos provedores de neocloud deixarão de operar de forma independente até 2030. Esse resultado pode incluir falências, aquisições, fusões ou integração a plataformas maiores.

A previsão não significa que 80% simplesmente fecharão as portas. Ela descreve um mercado que provavelmente se consolidará quando a pressão de custos expuser uma diferenciação fraca.

As neoclouds surgiram porque a demanda por computação acelerada excedia a capacidade disponível nas plataformas tradicionais de nuvem. Elas podiam garantir processadores, montar clusters e alugá-los a desenvolvedores de modelos ou clientes empresariais.

Esse modelo funciona especialmente bem quando a computação continua escassa. Clientes toleram preços mais altos, compromissos longos ou flexibilidade limitada porque o próprio acesso tem valor.

A escassez pode desaparecer à medida que mais instalações entram em operação. Os clientes podem então comparar provedores por preço, confiabilidade, software, redes, cobertura geográfica e suporte.

Um provedor que aluga hardware amplamente semelhante tem proteção limitada quando concorrentes oferecem os mesmos processadores. Os contratos podem sustentar a receita no curto prazo, mas as renovações dependem de preços futuros e das exigências dos clientes.

O financiamento acrescenta outro ponto de pressão. Operadores especializados frequentemente não contam com a receita de publicidade, comércio, software de produtividade e nuvem consolidada disponível para empresas de tecnologia diversificadas.

Por isso, têm menos espaço para subsidiar a infraestrutura enquanto a demanda se desenvolve. Uma instalação atrasada, a perda de um cliente, um problema de refinanciamento ou uma queda acentuada nos preços pode afetar todo o negócio.

A concentração de clientes pode ampliar esses choques. Um grande desenvolvedor de modelos pode sustentar uma expansão substancial, mas o provedor se torna vulnerável se esse cliente reduzir a demanda ou mudar de fornecedor.

O hardware também se deprecia economicamente antes de parar de funcionar. Novos aceleradores podem oferecer melhor velocidade de treinamento, capacidade de memória, redes ou eficiência energética.

Processadores mais antigos podem continuar úteis para inferência ou cargas de trabalho menos exigentes. No entanto, direcioná-los para esses mercados normalmente significa aceitar tarifas de aluguel menores.

Os próprios data centers têm vidas úteis mais longas do que seus servidores. Ainda assim, um edifício configurado para clusters de IA densos pode exigir novos gastos quando as exigências de refrigeração, fornecimento de energia ou redes mudarem.

A tese da Gartner é mais forte onde se sobrepõem alavancagem, clientes concentrados e capacidade não diferenciada. Esses fatores podem transformar uma queda nas tarifas de aluguel em impairment ou reestruturação.

A reação do mercado após o alerta refletiu essa preocupação. Ações ligadas à computação especializada e à capacidade de data centers ficaram sob pressão enquanto investidores reavaliavam os retornos esperados.

Movimentos de curto prazo nas ações não comprovam a previsão da Gartner. Eles mostram que os mercados de capitais reconhecem uma diferença entre crescimento de receita e uma economia de infraestrutura duradoura.

Uma neocloud pode enfrentar essa pressão ao garantir contratos de longo prazo, controlar os custos de energia e criar software que aumente os custos de troca para os clientes. Ela também pode se especializar em cargas de trabalho nas quais a expertise operacional é relevante.

Essas defesas exigem mais do que disponibilidade de processadores. Exigem um serviço diferenciado que permaneça valioso depois que a capacidade bruta de computação se tornar mais fácil de encontrar.

É por isso que a previsão de baixas contábeis em IA da Gartner aponta para a consolidação. A escala pode melhorar compras, financiamento, utilização e diversidade de clientes, enquanto aquisições podem transferir ativos para balanços patrimoniais mais sólidos.

A consolidação poderia preservar grande parte da capacidade física. Ainda assim, confirmaria que muitos operadores originais não conseguiram gerar retornos independentes suficientes.

Hyperscalers Têm Mais Espaço para Defender a Expansão

Amazon, Microsoft e Google enfrentam a mesma economia de infraestrutura, mas seus negócios mais amplos lhes dão mais formas de capturar valor com IA.

Um hyperscaler opera infraestrutura computacional em escala global e sustenta muitos serviços além da IA. Esse portfólio torna sua tese de investimento diferente da de um provedor especializado.

As plataformas de nuvem podem gerar receita com armazenamento, bancos de dados, redes, segurança, ferramentas para desenvolvedores e computação convencional. As cargas de trabalho de IA também podem fortalecer esses negócios relacionados.

As plataformas controlam uma parcela maior do caminho entre a infraestrutura e a aplicação. Elas podem alugar aceleradores, vender acesso gerenciado a modelos, hospedar dados de clientes e fornecer ferramentas para implementar sistemas de IA.

Elas também podem usar a infraestrutura internamente. Busca, publicidade, recomendações, software de produtividade, comércio e suporte ao cliente geram cargas de trabalho que não aparecem como vendas externas de nuvem.

Essa captura mais ampla não elimina o risco da infraestrutura de IA apontado pela Gartner. Ela dá aos hyperscalers mais oportunidades de justificar gastos em várias fontes de receita.

A Amazon Web Services apresentou um contraponto direto depois que a Gartner divulgou suas conclusões. O diretor financeiro da AWS, John Felton, disse que os gastos de capital da empresa estavam apoiando inovação relevante e demanda dos clientes.

Ele apontou para uma carteira de pedidos de quase US$ 500 bilhões reportada no segundo trimestre. A AWS disse que a demanda vinha de grandes empresas, laboratórios de IA e negócios menores.

Segundo o caso de investimento da AWS, a empresa continua confortável com seu investimento porque os clientes estão assumindo compromissos de uso de longo prazo. A AWS reportou receita trimestral de US$ 42,2 bilhões, alta de 36,7% em relação ao ano anterior.

Uma carteira de pedidos oferece visibilidade, mas não resolve integralmente a questão do retorno. Os contratos podem se estender por anos, conter obrigações de serviço e incluir cargas de trabalho não relacionadas à infraestrutura especializada de IA.

O crescimento da receita também difere do retorno sobre o capital investido. Uma empresa pode expandir rapidamente enquanto gera um retorno abaixo do custo e do risco de seus investimentos.

Ainda assim, a resposta da AWS identifica o desafio mais forte ao modelo da Gartner. A visibilidade da demanda e a receita diversificada podem manter as grandes plataformas investindo durante uma fase mais fraca do ciclo.

Os hyperscalers também podem desacelerar uma categoria de construção sem abandonar suas estratégias mais amplas de nuvem. Eles podem redirecionar hardware, renegociar cronogramas de compra ou priorizar instalações com demanda mais forte.

Sua escala de compras pode reduzir os custos de equipamentos e financiamento. Sua presença global pode transferir cargas de trabalho entre regiões quando energia, regulação ou capacidade local se tornam limitadas.

Aceleradores personalizados oferecem outra defesa. Chips projetados internamente podem reduzir a dependência de um único fornecedor e melhorar a economia de cargas de trabalho selecionadas.

Essa estratégia tem seus próprios custos. Projetar processadores, software e redes exige investimento contínuo, enquanto os clientes ainda esperam compatibilidade com sistemas amplamente adotados.

Portanto, o oponente central nesta história não é a Gartner contra uma empresa. É a promessa de receita do setor contra a realidade econômica do capital implantado.

Os hyperscalers têm mais defesas, mas ainda precisam que os clientes usem serviços de IA em escala extraordinária. Sua vantagem é a capacidade de capturar valor em um sistema muito maior.

O Que o Alerta de US$ 3,5 Trilhões Não Comprova

A previsão da Gartner é um cenário baseado em premissas de gastos, receita e retorno, não um cronograma auditado de perdas inevitáveis.

A análise pressupõe que a trajetória atual de investimentos continua. Os provedores podem alterar essa trajetória quando a economia dos projetos enfraquece.

A construção pode ser adiada antes da chegada dos equipamentos. Os pedidos de hardware podem ser revisados, as instalações podem abrir em fases e locais planejados podem permanecer sem desenvolvimento.

A escassez de capacidade também pode sustentar os preços por mais tempo do que o esperado. Acesso à energia, atrasos em licenças, restrições de fornecimento e oposição local podem limitar novos projetos antes que o mercado alcance excesso de oferta.

Essas restrições reduziriam a quantidade de infraestrutura concluída exposta à demanda fraca. Também poderiam tornar a capacidade funcional mais valiosa.

A demanda pode superar a previsão de receita da Gartner. Agentes de IA, sistemas científicos, robótica, geração de mídia, ferramentas de programação e automação empresarial podem criar cargas de trabalho que ainda são difíceis de modelar.

O setor também pode desenvolver melhor monetização. As empresas podem pagar mais quando os sistemas de IA concluem trabalhos valiosos em vez de oferecer assistência ocasional.

Esse resultado exige valor econômico mensurável. Os clientes corporativos acabarão precisando de ganhos de produtividade, receita adicional ou custos operacionais menores que justifiquem despesas recorrentes com IA.

Empresas intensivas em conhecimento enfrentam o mesmo teste em menor escala. Uma base de conhecimento de IA gera valor apenas quando as pessoas conseguem usar seu resultado em decisões e fluxos de trabalho reais.

Os provedores de infraestrutura dependem desse sucesso no nível da aplicação. Se a IA empresarial continuar sendo um item de orçamento experimental, a demanda não sustentará todos os data centers atualmente planejados.

A eficiência cria outra incerteza. Hardware melhor, modelos menores, cache, quantização e software aprimorado podem gerar mais resultados com a mesma infraestrutura.

A eficiência pode elevar as margens de provedores bem utilizados. Também pode reduzir a capacidade total necessária para atender a determinada quantidade de demanda.

O efeito depende da elasticidade, ou seja, de quão fortemente o uso responde quando os custos caem. Se custos menores criarem muito mais demanda, os provedores poderão manter seus sistemas ocupados.

Se a demanda aumentar lentamente, a eficiência pode tornar redundante a capacidade recém-construída. Assim, o mesmo avanço técnico pode fortalecer aplicações enquanto enfraquece os proprietários da infraestrutura.

A premissa de retorno de 12% da Gartner também merece atenção. Ela representa a taxa mínima de retorno escolhida pela empresa para o capital de investimento, e não um limite contábil universal.

Um retorno exigido menor reduziria a lacuna modelada. Custos de financiamento mais altos ou maior risco de projeto a ampliariam.

A atribuição de receita cria outro desafio. A IA contribui para contratos de nuvem, produtos de publicidade, assinaturas de software e eficiência interna, mas esse valor é difícil de atribuir com precisão.

Um modelo de atribuição restrito pode subestimar a receita apoiada pela infraestrutura. Um modelo amplo pode creditar à IA negócios que os sistemas existentes teriam gerado de qualquer forma.

Portanto, a cifra de US$ 3,5 trilhões deve ser interpretada como uma estimativa de exposição. Ela revela a escala do descompasso sob as premissas da Gartner, mas não identifica ativos ou empresas específicos.

Essa limitação não torna o alerta trivial. A análise de cenários é útil quando as decisões de investimento chegam anos antes de seus resultados se tornarem observáveis.

O argumento da Gartner sobre baixas contábeis em IA se fortalece se os gastos continuarem enquanto utilização, margens e receita atribuível permanecerem fracas. Ele se enfraquece se a demanda lucrativa alcançar o ritmo antes que a depreciação se acelere.

Três Sinais Decidirão se o Alerta se Confirma

Utilização, retornos de caixa e consolidação mostrarão se a expansão da IA está criando negócios de infraestrutura duradouros ou capacidade ociosa.

O primeiro sinal é a utilização divulgada nos data centers de IA. Os provedores raramente oferecem uma medida completa e comparável, mas vários indicadores operacionais podem revelar a direção.

Os investidores devem observar preços de aluguel, duração dos contratos, concentração de clientes, atrasos de implantação e o tempo necessário para preencher nova capacidade. A queda de preços ao lado de novas vagas apoiaria o alerta da Gartner.

Alta utilização por si só é insuficiente. Os provedores podem preencher instalações por meio de contratos com desconto que não cobrem financiamento e depreciação.

O sinal mais forte combinaria alta utilização com preços estáveis e margens operacionais em melhora. Esse padrão mostraria que os clientes valorizam a capacidade o suficiente para sustentar sua economia.

O segundo sinal é o retorno sobre o capital investido das principais plataformas. Os gastos de capital podem sustentar o crescimento futuro, mas a geração de caixa precisa, em algum momento, demonstrar o retorno.

Receita de nuvem, margens operacionais, fluxo de caixa livre, depreciação, compromissos de compra e conversão da carteira de pedidos merecem atenção. Nenhum número isolado pode resolver a questão.

Se o crescimento da nuvem permanecer forte enquanto as margens resistirem ao aumento da depreciação, a defesa dos hyperscalers ganhará credibilidade. Se a receita aumentar enquanto os retornos de caixa caírem persistentemente, será mais difícil descartar o risco da infraestrutura de IA apontado pela Gartner.

O terceiro sinal é a consolidação das neoclouds. A Gartner espera que mais de 80% desses provedores deixem de operar de forma independente até 2030.

Aquisições, reestruturações, projetos cancelados, mudanças em cláusulas contratuais e vendas de ativos em dificuldades forneceriam evidências iniciais. O mesmo ocorreria com uma forte mudança em direção a poucos operadores em escala.

A consolidação não precisa significar que a demanda por IA entrou em colapso. Pode significar que a demanda permaneceu saudável enquanto os provedores originais usavam estruturas financeiras insustentáveis.

A disponibilidade de energia moldará os três sinais. Os data centers não podem monetizar processadores que não dispõem de eletricidade confiável ou conexões à rede.

A perspectiva de demanda de energia projeta que o consumo global de eletricidade dos data centers chegará a cerca de 945 terawatts-hora até 2030. Isso é mais que o dobro do nível recente.

Espera-se que a IA impulsione grande parte do aumento. Ainda assim, os data centers concentram a demanda em locais específicos, onde a capacidade de transmissão e geração pode se tornar uma restrição determinante.

Os gargalos de energia poderiam proteger instalações concluídas contra excesso de oferta. Também poderiam inviabilizar projetos que garantiram terreno e equipamentos sem uma conexão viável.

A sequência importa. A previsão da Gartner se fortalece se as empresas continuarem comprometendo capital apesar de retornos mais fracos e capacidade excedente visível.

Ela se enfraquece se os provedores cortarem projetos marginais, melhorarem a utilização e converterem a adoção empresarial em demanda recorrente lucrativa. A disciplina nos gastos poderia evitar perdas por impairment sem refutar a importância mais ampla da IA.

Os leitores devem separar o sucesso da inteligência artificial do sucesso de cada empresa que financia sua infraestrutura. Uma tecnologia útil ainda pode atrair capital demais aos preços errados.

A mesma distinção se aplicou durante expansões anteriores de comunicações e computação. A construção excessiva prejudicou investidores, mas a infraestrutura sobrevivente mais tarde sustentou serviços valiosos.

O alerta da Gartner diz que o setor está se aproximando desse teste antes que a expansão esteja concluída. Seu modelo coloca mais de US$ 3,5 trilhões em risco sob a trajetória atual.

A próxima pergunta não é se o uso de IA continuará crescendo. Quase certamente continuará. A pergunta é se a receita chegará aos proprietários dos ativos rápido o bastante para superar depreciação, custos de financiamento e nova concorrência.

Observe o que os provedores relatam, não o que prometem. As novas instalações estão sendo ocupadas a preços sustentáveis? Os retornos estão melhorando após a depreciação? Os operadores especializados estão permanecendo independentes?

Essas respostas determinarão se a Gartner identificou um desalinhamento de capital evitável ou a fase inicial de um ciclo histórico de baixas contábeis.