O Que as Big Tech Estão Obtendo com Seus Vastos Gastos em IA

A Alphabet e suas rivais comprometeram centenas de bilhões com IA, apesar de não oferecerem aos investidores uma medida clara do retorno resultante. Uma pergunta do New York Times que circula pelo Google News resume a tensão: o que as empresas realmente estão obtendo com todo esse gasto?

A resposta curta é mais capacidade em nuvem, desenvolvimento mais rápido de produtos, sistemas de publicidade mais robustos e receitas crescentes com IA. A resposta mais difícil diz respeito a se esses ganhos produzirão retornos duradouros depois que depreciação, custos de energia e substituição de hardware entrarem nas contas.

Microsoft, Amazon, Meta e Oracle enfrentam o mesmo teste que a Alphabet. Seus negócios diferem, mas seus gastos compartilham uma premissa. A demanda por computação para IA crescerá rápido o suficiente para absorver a infraestrutura encomendada anos antes de cada servidor começar a gerar receita.

Essa premissa não fracassou. O crescimento da nuvem, contratos de longo prazo, adoção de produtos e escassez de capacidade oferecem evidências de que a demanda é real. Ainda assim, as empresas divulgam pouca receita ou lucro atribuível especificamente à infraestrutura de IA.

Esta é a inversão central. As Big Tech podem mostrar que a IA ajuda negócios existentes, ao mesmo tempo em que continuam incapazes de isolar o retorno de seu maior ciclo de investimento. Os investidores precisam avaliar os gastos por sinais indiretos, em vez de uma simples cifra de lucro.

O Que o Debate Mais Recente no Google News Realmente Mudou

O debate sobre gastos com IA passou de questionar se a demanda existe para questionar se essa demanda gera dinheiro suficiente.

Durante grande parte do boom da IA generativa, as empresas de tecnologia precisavam apenas provar que os clientes queriam acesso a modelos e capacidade de computação. A escassez de capacidade tornou esse argumento relativamente fácil. Provedores de nuvem podiam apontar para clientes em espera, carteiras de pedidos em expansão e uso crescente.

O ciclo mais recente de resultados elevou o padrão. Os investidores agora querem saber se o crescimento da receita consegue acompanhar as despesas de capital, ou capex, que cobrem ativos de longa duração, como servidores e centros de dados.

Essa mudança importa porque as empresas líderes já não estão financiando uma pequena categoria experimental. A Microsoft disse esperar cerca de US$ 190 bilhões em capex no ano-calendário de 2026. Sua projeção incluía aproximadamente US$ 25 bilhões associados a preços mais altos de componentes.

A Microsoft também esperava que o capex trimestral ultrapassasse US$ 40 bilhões à medida que colocasse mais capacidade em operação. Cerca de dois terços dos gastos recentes envolveram ativos de vida mais curta, principalmente processadores centrais e processadores gráficos.

Esses componentes atendem à demanda imediata por computação, mas também precisam ser substituídos antes de prédios ou sistemas elétricos. Um servidor comprado hoje não se comporta como a estrutura de um centro de dados projetada para operar por anos.

A Amazon projetou US$ 200 bilhões em gastos de capital em 2026 em IA, chips, robótica e seu negócio de satélites. A Meta elevou sua faixa anual de capex para entre US$ 130 bilhões e US$ 145 bilhões após seus resultados do segundo trimestre.

A Alphabet aumentou sua previsão para 2026 para entre US$ 180 bilhões e US$ 190 bilhões, segundo reportagens após a divulgação de resultados. Essas previsões incluem investimentos não relacionados à IA e, portanto, não devem ser tratadas como totais precisos de IA.

No entanto, a infraestrutura técnica responde por grande parte da expansão. Como consequência, as estimativas combinadas para Amazon, Alphabet, Microsoft e Meta chegaram a várias centenas de bilhões de dólares.

A Oracle acrescenta outro grande programa de infraestrutura. Sua participação importa porque ela se tornou uma fornecedora relevante para laboratórios de IA, embora seu negócio tradicional de software seja diferente das plataformas voltadas ao consumidor.

Uma estimativa atual coloca os gastos de Alphabet, Amazon, Microsoft, Meta e Oracle perto de US$ 800 bilhões neste ano. Esse número continua sendo uma projeção, e a categorização varia entre as empresas. Ainda assim, sua escala explica por que esta história do Google News vai além de mais uma retrospectiva trimestral de resultados.

Os gastos são grandes o suficiente para afetar fluxo de caixa, endividamento, desenvolvimento de energia, oferta de chips e mercados de construção. Eles também mudam a forma como os investidores avaliam empresas antes elogiadas por sua economia de software com poucos ativos.

Uma recente análise de fluxo de caixa concluiu que o capex dos hyperscalers poderia superar seu fluxo de caixa livre combinado até 2027. Isso não tornaria os investimentos automaticamente não lucrativos. Significaria que as empresas precisariam depender cada vez mais de financiamento, arrendamentos ou menores distribuições aos acionistas.

O evento, portanto, não é um único anúncio de gastos. É o surgimento de um teste financeiro mais rigoroso em todo um ciclo de resultados.

Os executivos já não podem responder apenas descrevendo a capacidade dos modelos. Eles precisam conectar a infraestrutura à capacidade vendida, aos produtos aprimorados, aos custos evitados ou aos contratos futuros garantidos.

O Crescimento da Nuvem Mostra que os Gastos Estão Produzindo Algo

As Big Tech têm evidências críveis de demanda por IA, mas demanda e retorno sobre investimento não são a mesma coisa.

A Microsoft fornece o exemplo público mais claro. Em seu terceiro trimestre fiscal de 2026, a receita da Microsoft Cloud alcançou US$ 54,5 bilhões, alta de 29% em relação ao ano anterior.

A receita do Azure e de outros serviços de nuvem aumentou 40%. As obrigações comerciais de desempenho remanescentes, uma medida de receita contratada ainda não reconhecida, chegaram a US$ 627 bilhões.

Esses números não isolam a IA generativa. O Azure vende bancos de dados, armazenamento, redes, cibersegurança e computação convencional, além de treinamento e inferência de modelos.

Ainda assim, é difícil separar o rápido crescimento do Azure da capacidade de IA que a Microsoft vem adicionando. A administração afirmou repetidamente que a demanda dos clientes supera a oferta disponível, indicando que parte da nova infraestrutura pode gerar receita rapidamente.

A Microsoft também relatou uma adoção mais forte em todo seu portfólio de software. Ela incorporou recursos do Copilot ao Microsoft 365, GitHub, produtos de segurança e aplicações empresariais.

A empresa disse que seu negócio de IA já havia se tornado maior do que algumas franquias estabelecidas da Microsoft. Essa afirmação vem da administração e não traz uma divisão detalhada de lucro, mas estabelece que a IA já não é apenas uma despesa interna de pesquisa.

Seus resultados de nuvem também mostram por que os investidores não rejeitaram os gastos de imediato. A receita e o lucro operacional continuaram crescendo enquanto a empresa expandia a infraestrutura.

A Alphabet apresenta um argumento semelhante com uma combinação diferente. O Google Cloud vende infraestrutura, serviços de dados, software Workspace e acesso à família de modelos Gemini.

No fim de 2025, a Alphabet disse que a receita de produtos desenvolvidos com seus modelos de IA generativa havia aumentado quase 400% em relação ao ano anterior. Ela também reportou mais de oito milhões de licenças pagas do Gemini Enterprise em mais de 2.800 empresas.

Esses números de adoção são relevantes, mas não constituem um cálculo de retorno. A Alphabet não divulga a receita do Gemini Enterprise, a despesa de computação associada ou o lucro operacional como números separados.

O Google também aplica IA em seu maior negócio de publicidade. O aprendizado de máquina pode melhorar a seleção de anúncios, os lances, a mensuração e a produção criativa. Mesmo melhorias modestas podem importar em um negócio com enorme volume de transações.

A Meta segue esse modelo de retorno interno de forma mais agressiva. A maioria das pessoas não paga à Meta por um assistente de IA. Em vez disso, a empresa usa IA para recomendar conteúdo, segmentar publicidade, automatizar a criação de campanhas e aumentar o engajamento.

A Meta reportou receita de US$ 60,8 bilhões no segundo trimestre de 2026, alta de 28%. No entanto, o lucro operacional caiu 8%, e sua margem operacional recuou de 43% para 31%.

Encargos legais e pagamentos de desligamento afetaram esses resultados, portanto a queda não pode ser atribuída inteiramente à IA. Os custos e despesas, ainda assim, subiram 55%, ilustrando a rapidez com que o ciclo de investimento pode pressionar o desempenho reportado.

Mark Zuckerberg disse que a IA estava acelerando o negócio principal da Meta e apoiando novos produtos. Os resultados trimestrais da empresa sustentam a alegação de que a receita continua forte. Eles não revelam quanto da receita incremental veio da IA.

A Amazon tem outra rota para monetização. A AWS pode vender acesso a modelos, chips especializados, clusters de treinamento, armazenamento, bancos de dados e ferramentas para implantar aplicações de IA.

Sua operação de varejo também pode usar IA para previsão de demanda, logística, recomendações, publicidade e atendimento ao cliente. Essas melhorias podem reduzir custos ou elevar a conversão sem aparecer em uma linha de “receita de IA”.

O retorno prático, portanto, está distribuído por várias contas. Parte do investimento produz vendas diretas de nuvem. Parte melhora um produto existente. Parte apoia pesquisa, enquanto outra parcela fornece capacidade que ainda não entrou em operação.

Essa amplitude é economicamente útil, mas analiticamente frustrante. Os investidores podem ver a empresa consolidada melhorando sem saber se o mais novo centro de dados gera um retorno aceitável.

As evidências, ainda assim, rejeitam o argumento mais simples de bolha. Essas empresas não estão construindo infraestrutura sem clientes, sem contratos e sem produtos.

A questão em aberto é se o crescimento atual justifica o custo total da infraestrutura, incluindo financiamento, eletricidade, manutenção e substituição de hardware.

A Disputa Real É entre Promessa e Retorno Mensurável

O principal conflito não é Alphabet versus Microsoft. É a promessa de IA da administração versus as evidências financeiras que os investidores conseguem verificar.

Comparar hyperscalers pode sugerir vencedores, mas não resolve o problema de medição. Cada empresa combina IA com negócios que teriam gerado receita sem a mais recente onda de investimentos.

A publicidade de busca da Alphabet já usava aprendizado de máquina muito antes de o ChatGPT aparecer. Os sistemas de recomendação da Meta eram centrais para Facebook e Instagram. AWS e Azure já eram grandes plataformas de nuvem antes de a demanda por IA generativa disparar.

Esse histórico torna difícil estabelecer o cenário alternativo. Uma empresa pode reportar lucro crescente após gastar pesadamente, mas os analistas não conseguem observar qual teria sido o lucro sem esse gasto.

O número ausente é o retorno incremental sobre o capital investido. O retorno sobre o capital investido, ou ROIC, compara o lucro operacional após impostos com o capital comprometido para produzi-lo.

Dados recentes indicam que o ROIC permaneceu relativamente estável em várias empresas líderes de tecnologia, apesar do forte aumento nos investimentos em infraestrutura. A Meta é um caso mais complicado porque sua lucratividade enfrentou maior pressão.

Um ROIC estável é tranquilizador porque mostra que os lucros existentes ainda podem sustentar uma base de ativos muito maior. Isso não prova que os ativos mais recentes já geram o mesmo retorno que os negócios mais antigos.

Uma análise de capital investido concluiu que os gastos mais recentes ainda não haviam prejudicado seriamente essa métrica em vários hyperscalers. O resultado enfraquece as alegações de um colapso financeiro imediato.

Também deixa uma ambiguidade crítica. Os retornos poderiam parecer mais fortes se as empresas tivessem investido menos. Alternativamente, os retornos poderiam se deteriorar mais tarde, à medida que a depreciação de projetos recém-concluídos chegasse às demonstrações de resultados.

A depreciação distribui o custo registrado de um ativo ao longo de sua vida útil estimada. Esse atraso contábil significa que um boom de construção pode afetar o fluxo de caixa antes que sua despesa total apareça no lucro reportado.

A vida útil do hardware é particularmente importante. A Microsoft afirmou que cerca de dois terços de seu capex envolviam ativos de vida mais curta, como processadores.

Os processadores gráficos podem permanecer tecnicamente úteis por anos, mas as gerações mais novas frequentemente oferecem maior velocidade e eficiência. A pressão competitiva pode, portanto, encurtar sua vida econômica mesmo quando o hardware ainda funciona.

A energia é outra restrição. Comprar chips não cria capacidade utilizável sem eletricidade, refrigeração, rede e permissão para conectar uma instalação à rede elétrica.

Uma conexão elétrica atrasada pode deixar o capital improdutivo. Por outro lado, um data center totalmente ocupado, com clientes contratados, pode começar a gerar receita logo após o lançamento.

As empresas raramente divulgam taxas de utilização do hardware de IA. Elas também evitam publicar margens brutas em nível de produto para a maioria dos serviços de IA.

Isso deixa observadores externos dependentes de medidas indiretas:

• O crescimento da receita de nuvem mostra se a demanda por computação está aumentando.

• A carteira de pedidos indica se os clientes assumiram compromissos futuros.

• Restrições de capacidade sugerem que a oferta não está ociosa.

• Métricas de adoção de software mostram se os recursos de IA chegam a organizações pagantes.

• A margem bruta revela se os custos de infraestrutura estão consumindo uma parcela maior da receita.

• O fluxo de caixa livre mostra quanto dinheiro resta após o investimento de capital.

Nenhum desses indicadores responde sozinho à pergunta. Em conjunto, eles criam um quadro mais útil do que contar usuários de chatbots ou repetir os totais de capex.

A evidência mais forte no curto prazo vem da demanda por nuvem e de contratos assinados. A Microsoft reportou tanto o rápido crescimento do Azure quanto uma grande carteira de pedidos contratados.

A evidência mais fraca diz respeito a aplicações empresariais independentes. As empresas frequentemente divulgam usuários, licenças, consultas ou conteúdo gerado sem mostrar retenção de receita e lucro.

Essa distinção explica por que alegações de que a IA “já se paga” merecem cautela. A IA pode contribuir para o crescimento antes que todo o programa de investimentos gere um retorno aceitável.

Ela também explica por que a ausência de uma linha de lucro separada para IA não significa que não haja retorno. As empresas integram a tecnologia à publicidade, aos serviços de nuvem, ao software de produtividade, à segurança e às operações internas.

O verdadeiro teste exige tempo. A infraestrutura precisa entrar em operação, o uso pelos clientes precisa amadurecer e a depreciação precisa passar pelas demonstrações financeiras antes que os investidores possam comparar lucros duráveis com o capital empregado.

O Que os Números Ainda Não Conseguem Provar

As divulgações atuais mostram tração comercial, mas não estabelecem quem, em última instância, paga por toda a expansão da infraestrutura.

Uma preocupação envolve a concentração de clientes. Os principais provedores de nuvem recebem uma demanda substancial por IA de um grupo limitado de desenvolvedores de modelos, incluindo OpenAI e Anthropic.

Esses laboratórios, por sua vez, dependem de capital externo e de acordos de nuvem para financiar treinamento e inferência. A relação pode se tornar circular quando uma empresa de nuvem investe em um laboratório de IA que então gasta dinheiro em sua infraestrutura.

Esse arranjo ainda cria atividade econômica real. Servidores operam, engenheiros desenvolvem produtos e clientes usam modelos. No entanto, ele complica qualquer alegação de que a demanda seja totalmente independente e autossustentável.

Uma análise de receita de IA observou que Amazon, Alphabet, Microsoft e Meta não divulgam separadamente as vendas e os lucros atribuíveis aos data centers de IA. Ela também identificou a dependência dos gastos da OpenAI e da Anthropic como um risco de concentração.

A Microsoft ofereceu um detalhe incomumente útil ao afirmar que a OpenAI representou cerca de 45 por cento de sua obrigação de desempenho comercial remanescente em um trimestre. A obrigação de desempenho remanescente não é receita atual, e grande parte dela será reconhecida ao longo de vários anos.

Ainda assim, o número mostra como um cliente pode influenciar uma métrica de destaque. A ampla adoção empresarial é importante porque reduz a dependência de alguns poucos laboratórios fortemente financiados.

Uma segunda preocupação envolve a utilização. As empresas constroem data centers antes de saber a combinação exata de modelos, chips e cargas de trabalho que os clientes demandarão.

Se os modelos se tornarem mais eficientes mais rapidamente do que o uso se expande, parte da capacidade planejada poderá render menos do que o esperado. Se a demanda por inferência crescer ainda mais rápido, os gastos atuais poderão parecer contidos.

Portanto, a eficiência atua nos dois sentidos. Um custo computacional menor pode reduzir os recursos necessários para uma tarefa, mas também pode tornar a IA acessível para mais usos.

Uma terceira preocupação envolve o valor do produto. Funcionários podem usar um assistente de IA com frequência sem gerar benefício mensurável suficiente para justificar seu custo organizacional.

Pesquisas controladas oferecem motivos para otimismo. Um influente estudo sobre o ambiente de trabalho constatou que o acesso a um assistente de IA generativa aumentou a produtividade no suporte ao cliente, com ganhos maiores entre trabalhadores menos experientes.

O estudo cobriu um contexto específico e não deve ser generalizado para todas as ocupações. Ele mostrou que a IA pode melhorar os resultados quando conectada a um fluxo de trabalho definido, dados relevantes e uma tarefa mensurável.

As implementações empresariais costumam ser mais desorganizadas. Os funcionários trabalham com e-mails, reuniões, documentos, bancos de dados e aplicações especializadas. Permissões e contexto incompleto podem limitar o que um assistente consegue fazer.

As organizações também incorrem em despesas de integração, avaliação, segurança e treinamento. Uma assinatura de modelo representa apenas uma parte do custo total de implementação.

É por isso que os casos de uso importam mais do que alegações amplas de adoção. Uma equipe de suporte pode comparar os tempos de resolução antes e depois da implementação. Uma equipe de software pode medir o tempo de revisão, a recuperação de incidentes ou o trabalho concluído.

Uma organização de vendas pode analisar o tempo de pesquisa e as taxas de conversão. Equipes de produto podem comparar o tempo necessário para sintetizar entrevistas, notas de reuniões e documentos de planejamento.

Esses fluxos de trabalho criam evidências que um comprador pode auditar. Eles também explicam por que uma base de conhecimento de IA importa mais do que uma janela de chat genérica para alguns trabalhadores do conhecimento.

Um modelo precisa de contexto preciso e acessível antes de poder ajudar com trabalho específico da empresa. Uma recuperação de informações melhor não garante retorno, mas conecta o uso da IA às informações de que os funcionários realmente precisam.

O risco não é simplesmente que os modelos falhem. O risco maior é que as empresas confundam atividade com valor, ignorando retrabalho, erros, despesas de integração e capacidade não utilizada.

Executivos têm incentivos para destacar métricas de crescimento antes que todos os custos apareçam. Críticos têm incentivos para tratar cada métrica ausente como evidência de uma bolha.

Nenhuma das duas posições é suficiente. As evidências disponíveis sustentam demanda comercial e ganhos reais de produtividade em contextos selecionados. Elas não sustentam uma alegação universal de que todo o investimento atual em IA gerará retornos atraentes.

Três Sinais Decidirão se os Gastos se Pagam

A qualidade da carteira de pedidos em nuvem, a durabilidade das margens e a ampla adoção empresarial determinarão se este ciclo de investimentos criará valor duradouro.

O primeiro sinal é a composição dos contratos de nuvem. O crescimento da carteira de pedidos parece mais forte quando vem de muitos clientes independentes usando IA em produção.

Os investidores devem observar a rapidez com que os valores contratados se transformam em receita reconhecida. Também devem procurar divulgações que separem a ampla demanda empresarial de acordos com alguns poucos desenvolvedores de modelos.

Se a receita de nuvem continuar acelerando enquanto a concentração de clientes diminui, o argumento a favor de uma demanda sustentada por infraestrutura se fortalece. Se a carteira de pedidos permanecer concentrada e o reconhecimento avançar ainda mais para o futuro, a confiança enfraquece.

O segundo sinal é o desempenho das margens após o aumento da depreciação. As empresas alertaram que o capex recente elevará a depreciação à medida que mais equipamentos entrarem em operação.

A margem bruta de nuvem da Microsoft já enfrentou pressão da infraestrutura de IA e do uso de produtos. A margem operacional da Meta também caiu durante um trimestre com despesas acentuadamente maiores.

A queda das margens não é automaticamente um sinal de alerta. Uma empresa pode racionalmente aceitar margens menores no curto prazo para construir uma plataforma valiosa.

A comparação crítica é se a receita e o lucro operacional se expandem com rapidez suficiente para compensar a crescente base de ativos. A erosão persistente das margens sem crescimento correspondente enfraqueceria o argumento da administração sobre retornos.

O fluxo de caixa livre fornecerá outra verificação. Uma empresa pode reportar lucro contábil crescente enquanto os investimentos de capital absorvem a maior parte do caixa que ela gera.

Dívida, arrendamentos e financiamento externo podem prolongar a expansão. Eles não podem substituir indefinidamente a demanda lucrativa dos clientes.

O terceiro sinal é a adoção mensurável além das empresas de tecnologia e dos laboratórios de IA. Contagens de licenças e anúncios de testes importam menos do que renovações, expansão de fluxos de trabalho e resultados empresariais divulgados.

Observe organizações que passam de projetos-piloto para produção. As evidências devem incluir tarefas concluídas, menor tempo de atendimento, melhor conversão de vendas, custos de suporte mais baixos ou entrega de software mais rápida.

Um segundo fluxo de trabalho no ambiente de trabalho pode ajudar as equipes a pensar nesses termos. A pergunta útil não é se um funcionário abriu uma ferramenta de IA. É se o fluxo de trabalho produziu um resultado melhor com menos esforço.

É também nesse ponto que os compradores influenciam o ciclo de investimentos. Clientes empresariais não precisam aceitar a narrativa ampla de retorno de um hyperscaler.

Eles podem definir uma linha de base, medir um caso de uso restrito, incluir custos de revisão e expandir apenas depois que as evidências o sustentarem. Essa disciplina transforma um orçamento abstrato de IA em uma série de investimentos testáveis.

Para desenvolvedores, a questão é se a nova capacidade reduz a latência, melhora a disponibilidade dos modelos ou reduz os custos unitários. Para trabalhadores do conhecimento, é se a IA consegue recuperar contexto confiável e concluir etapas úteis dentro do trabalho diário.

Para investidores, a questão é se esses resultados para os clientes geram caixa mais rapidamente do que o hardware envelhece. Para os hyperscalers, a tarefa é provar que a demanda por infraestrutura vai além de um grupo concentrado de laboratórios de IA bem financiados.

O debate do Google News não será resolvido por um trimestre ou por um modelo impressionante. Ele será resolvido por meio da conversão de contratos, da diversidade de clientes, da durabilidade das margens e da geração de caixa.

A Big Tech já recebeu ativos valiosos por seus gastos: data centers, chips, distribuição de software, capacidade de modelos e uma posição de liderança em um mercado em crescimento. Ela também produziu crescimento real de receita e ganhos selecionados de produtividade.

O que permanece incerto é se toda a expansão gerará retornos comparáveis aos dos negócios de software que a financiam. Os leitores devem agora acompanhar os três sinais que podem responder a essa pergunta: quem compra a capacidade, o que acontece com as margens e se os fluxos de trabalho empresariais cotidianos melhoram o suficiente para continuar pagando por ela.