Barclays analisa o panorama dos lucros em IA: para cada 100 dólares de receita das empresas de modelos, 35-40 dólares vão para as empresas de nuvem, proporcionando a elas 10-20 dólares de lucro operacional.

Autor | Kozmon

      Editor | Duro IA

Para cada US$ 100 ganhos por uma empresa de modelos de IA, cerca de US$ 35-40 são destinados aos três grandes provedores de nuvem - AWS, Azure e GCP - como custos de computação para inferência. As provedoras de nuvem obtêm entre US$ 10-20 em lucro operacional dessa receita, o que equivale a uma margem operacional de cerca de 35%-45%.

Esse é o principal achado do relatório de economia unitária do setor de IA publicado pela Barclays em 28 de agosto.

Ao mesmo tempo, a margem de lucro da inferência paga dos laboratórios de IA aumentou de uns poucos pontos percentuais em 2025 para mais de 50%-65% em 2026, com a margem bruta ajustada subindo 30-50 pontos percentuais ano a ano. O impulso vem da clientela empresarial e dos fluxos de trabalho agentes tornando-se produtos "obrigatórios" do mercado.

O analista Ross Sandler, da Barclays, acredita que a margem de lucro real atualmente pode ser ainda maior do que a estimativa do relatório, mas, com o aumento da concorrência na fronteira e maior oferta de poder computacional, espera-se que ela volte gradualmente a níveis mais baixos.

Um mesmo setor, duas realidades financeiras

A Barclays construiu dois modelos hipotéticos de laboratório de ponta para analisar as diferenças de lucro. O "Laboratório A" tem cerca de 70% de sua receita vinda de API e 30% de assinaturas; já o "Laboratório B" é o oposto, com 80% de assinaturas e apenas 20% de API.

A API naturalmente possui margens de lucro de inferência superiores às assinaturas. Somando diferença de rateio de custos de treinamento e repartição com parceiros, a margem bruta ajustada mostra uma diferença de 17 pontos percentuais — cerca de 55% para o Laboratório A, e 38% para o Laboratório B.

O reconhecimento de receita amplia essa "distorção". O Laboratório A reconhece receitas indiretas de API pelo método bruto, enquanto o Laboratório B faz pelo método líquido ou sequer reconhece receita indireta de API operada por parceiros estratégicos. A Barclays compara o caso à UBER e LYFT: mesmo core business, números de relatório diferentes devido aos critérios financeiros. Quando laboratórios de IA começarem a divulgar demonstrações GAAP, investidores precisarão abrir essas diferenças ao comparar empresas.

Margens de Inferência Dispararam

Analisando cada linha de produto—

Produtos por assinatura (como Claude Code, Codex) têm margem de inferência estimada em cerca de 70%, a menor dentre as três linhas. Isso porque laboratórios de IA estão dispostos a subsidiar o custo de token para reter usuários. Assinaturas usualmente têm cobrança mensal e limites de uso; recentemente, a frequência de redefinir limites aumentou, refletindo provavelmente a pressão para retenção e maior eficiência dos modelos.

API direta foi o primeiro modelo de negócios dos laboratórios de IA e apresenta a maior margem de lucro. Desenvolvedores como Cursor e Figma pagam conforme tokens consumidos. A Barclays estima que a margem de inferência via API já supera 80%. O aumento da eficiência dos tokens do modelo (menos tokens para a mesma tarefa), o reajuste nominal do preço da API e otimizações estruturais da infraestrutura da inferência — como quantização, tecnologia speculator e nova geração de hardware — estão ampliando ainda mais as margens. A Barclays ressalta que atualmente as margens de inferência de API do segundo trimestre de 2026 são ainda maiores do que indicam os gráficos do relatório, mas devem cair mais adiante.

APIs indiretas proporcionam experiência idêntica às diretas, mas o vínculo de cobrança é entre usuário e provedor de nuvem. À medida que o peso das APIs indiretas cresce na receita, as diferentes metodologias de registro de receita entre laboratórios vão ampliar a dificuldade de comparação dos relatórios financeiros.

Quanto ganham os provedores de nuvem

Em cada US$ 100 de receita de laboratórios de IA, o Laboratório A gera US$ 35 de receita para provedores de nuvem, que resultam em US$ 11,8 de lucro após custos de infraestrutura, margem operacional de 34%. O Laboratório B faz repartição com parceiros estratégicos (20% da receita, com limite acumulado), permitindo que os provedores de nuvem fiquem com mais — US$ 41 de receita, US$ 19,1 de lucro, margem operacional de 47%.

Barclays aponta que a repartição aumenta a margem aparente dos provedores de nuvem, mas, sem repartição, o lucro real por token é o mesmo. Esse acordo acaba depois de 2028.

Produtos de assinatura agentic geram valor extra para os provedores de nuvem. Produtos com runtime de estado frequentemente exigem acesso a bancos de dados e softwares de camada superior, aumentando o valor agregado por unidade de receita. Em certos cenários, há acordos de repartição entre provedores de nuvem e laboratórios de IA.

Da liderança do treinamento à liderança da inferência

A Barclays estima que a receita total dos laboratórios de IA aumentará de US$ 7 bilhões em 2024 para US$ 137 bilhões em 2026 e US$ 690 bilhões em 2028. Pelo critério ARR de fim de ano, as projeções são mais agressivas: US$ 200 bilhões no final de 2026 e US$ 782 bilhões no final de 2028.

Atualmente, despesas com treinamento ainda pesam cerca de 48% da receita dos laboratórios de IA, o que significa que quase a totalidade da receita se reflete igualmente para provedores de nuvem. No entanto, o peso dos custos de treinamento vem caindo rapidamente — de 96% em 2024, para previsão de 35% em 2027 e 30% em 2028. Com a margem da inferência ultrapassando os gastos com treinamento, a lucratividade geral dos laboratórios de IA continuará melhorando.

A participação da receita de IA dos provedores de nuvem sobre a receita dos laboratórios também vem caindo: de 153% em 2024 para 90% em 2026 e previsão de 73% em 2028. Barclays avalia que AWS, Azure e GCP manterão sua fatia da despesa de poder computacional dos laboratórios por pelo menos mais dois anos, mas, a partir de 2028, projetos de infraestrutura de IA dedicados entrarão em operação e se tornarão a principal escolha dos laboratórios — e os três gigantes podem, gradualmente, perder participação tanto em treinamento quanto em inferência.