A queima de caixa da Alphabet levanta alarmes para a Big Tech à medida que os gastos com IA aumentam

Escala e Sustentabilidade do CapEx em IA

• Muitos veem os gastos com IA das hyperscalers (data centers, GPUs, bonds, captações de equity) como algo semelhante a uma bolha: as responsabilidades totais ligadas à IA são estimadas em trilhões, exigindo retornos de ~10%+ apenas para empatar.
• Há preocupação de que as GPUs se tornem economicamente obsoletas em ~3–5 anos, embora muitas vezes sejam amortizadas em prazos mais longos; se os custos de refinanciamento subirem, haverá “zero margem para erro”.
• Outros argumentam que essas empresas ainda são altamente lucrativas, sobreviveram a ciclos de CAPEX anteriores e estão investindo racionalmente antes da demanda.

Receita, Lucro e Preocupações com Publicidade

• Há debate sobre se as receitas de IA e cloud, embora crescentes, se traduzem em lucro real. Alguns comparam os modelos de negócios atuais a “vender US$20 por US$10”.
• Os lucros da Alphabet continuam grandes e crescentes, mas alguns afirmam que parte do crescimento das receitas de anúncios de busca é “fabricada” por práticas mais extrativas do Google Ads (mudanças em leilões, correspondência de palavras-chave mais frouxa, excesso de gasto em relação aos limites de orçamento), interpretadas como visão de curto prazo para financiar o capex em IA.

Moats, Concorrência e Custos de Troca

• Há uma forte visão de que provedores de inference não têm fossos defensáveis duradouros: modelos open-weight estão 0–6 meses atrás, o self-hosting é viável para muitos, e compradores podem trocar de fornecedor para reduzir custos.
• Contraponto: restrições regulatórias, de compliance e de soberania de dados tornam a troca para alguns modelos mais baratos ou estrangeiros politicamente/juridicamente difícil, especialmente em saúde e outros setores regulados.
• Vantagens das grandes clouds citadas: escala, capacidade de renovar hardware, hospedagem nos EUA, aceleradores proprietários (por exemplo, TPUs) e integração com Android / possíveis acordos com iOS.

Qualidade do Modelo, Utilidade e ROI

• Há discordância sobre os ganhos de capacidade: alguns veem melhora dramática desde o início da era do GPT-4; outros dizem que o progresso foi incremental, com os modelos atuais ainda precisando de supervisão próxima.
• Relatos dizem que os guardrails e refusals tornam os modelos mais novos piores para algumas tarefas do que versões um pouco mais antigas.
• Vários observam que a IA é mais claramente valiosa para engenheiros de software; fora disso, a produtividade mensurável ou o ROI é “incerto”, com muitos pilotos corporativos fracassando ou envelhecendo antes da adoção.

Ativos de Data Center e Vida Útil das GPUs

• Os data centers em si são vistos como “imóveis” de longa duração, mas a maior parte do valor econômico está em GPUs de curta duração e outros hardwares.
• Os valores atuais de revenda de A100/H100 estão altos devido à demanda extrema; alguns esperam uma queda brusca quando a demanda se normalizar e chips mais novos e eficientes chegarem.

Mercado, Risco e Visões de Investimento

• Alguns esperam uma grande reprecificação das valuations de cloud/IA se as margens se comprimirem estruturalmente; outros encaram a atual queima de caixa como uma fase temporária de investimento.
• Investidores individuais no thread tendem a favorecer diversificação, fundos de emergência e fundos de índice amplos em vez de tentar acertar o timing de um “colapso da IA”.
• Uma minoria argumenta que a tecnologia é tão transformadora que os retornos de longo prazo justificarão os gastos de hoje; os céticos respondem que nenhuma empresa de IA (além dos fornecedores de chips) ainda está mostrando lucros robustos e duradouros.