A inteligência artificial parece software para quem a utiliza.

Uma pergunta entra numa caixa de texto. Uma resposta aparece segundos depois.

Mas por trás dessa interface existe uma infraestrutura profundamente física.

GPUs precisam ser compradas. Servidores precisam ser instalados. Data centers precisam ser construídos. Sistemas de refrigeração, redes elétricas e subestações precisam sustentar quantidades crescentes de energia.

Tudo isso precisa ser pago antes que boa parte da receita futura exista.

É justamente aí que a corrida da inteligência artificial deixa de ser apenas uma história de tecnologia.

Ela passa a ser também uma história de financiamento.

Em seu cenário central para o pipeline americano de data centers, um estudo de Stijn Van Nieuwerburgh preparado para a Brookings Papers on Economic Activity estima aproximadamente US$ 10,3 trilhões em investimento entre 2025 e 2032.

É um cenário, não uma previsão de que todos os projetos anunciados serão construídos.

Mesmo assim, a escala ajuda a entender a mudança.

O investimento médio estimado equivale a cerca de 3,63% do PIB americano por ano no período — proporção superior à observada, individualmente, em grandes ciclos americanos de construção de ferrovias, eletrificação, rodovias e telecomunicações.

A pergunta mais importante, porém, não é apenas quanto será investido.

É quem vai financiar essa infraestrutura — e quem ficará com o risco se as receitas futuras não corresponderem às expectativas atuais.

O tamanho de um único projeto ajuda a visualizar o problema.

O estudo estima que um campus de treinamento de IA de aproximadamente 200 megawatts possa custar cerca de US$ 8,2 bilhões.

Desse total, aproximadamente US$ 5,6 bilhões estariam ligados a sistemas de TI, GPUs, networking, armazenamento e integração. Outros US$ 2,2 bilhões iriam para a instalação do data center e cerca de US$ 400 milhões para infraestrutura elétrica adicional.

Em outras palavras:

a IA pode ser consumida como software, mas precisa ser construída como infraestrutura.

E infraestrutura possui uma característica financeira básica.

O gasto acontece primeiro.

O retorno vem depois.

Uma empresa pode desembolsar bilhões hoje esperando gerar receita ao longo de muitos anos.

Entre esses dois momentos existe uma necessidade de capital.

Durante a primeira fase do boom, empresas como Microsoft, Amazon, Alphabet e Meta conseguiram financiar grande parte dessa expansão com balanços extremamente fortes e enormes fluxos de caixa.

Isso continua sendo verdade.

Mas a velocidade do investimento está mudando a equação.

O mesmo estudo estima que o CAPEX agregado de Oracle, Microsoft, Amazon, Meta e Alphabet saiu de aproximadamente US$ 97 bilhões em 2020, superou US$ 400 bilhões em 2025 e pode ultrapassar US$ 800 bilhões em 2026.

O ponto não é que essas empresas tenham “ficado sem dinheiro”.

Elas continuam entre as companhias financeiramente mais fortes do mundo.

O que está acontecendo é diferente:

o volume de infraestrutura desejado está crescendo rápido o suficiente para tornar cada vez mais atraente combinar geração interna de caixa com capital externo.

É aqui que a história fica mais interessante.

A infraestrutura de IA está sendo financiada por uma combinação crescente de:

dívida corporativa, empréstimos bancários, private credit, leases, joint ventures, project finance, securitizações, fundos de infraestrutura e veículos de propósito específico — os SPVs.

A lógica de um SPV é relativamente simples.

Em vez de uma big tech possuir diretamente toda a infraestrutura e carregar toda a dívida necessária para construí-la, um veículo separado pode captar capital, construir ou possuir o ativo e contratar seu uso pela companhia tecnológica.

Isso pode preservar capacidade no balanço da empresa e repartir o investimento com terceiros.

Mas existe uma distinção fundamental:

tirar o ativo do balanço não significa eliminar todo o risco econômico.

A empresa pode continuar ligada ao projeto por contratos de longo prazo, leases, garantias, compromissos de capacidade ou garantias de valor residual.

O risco muda de forma.

Não evapora.

O projeto Hyperion, ligado à Meta na Louisiana, ajuda a visualizar essa lógica.

A estrutura envolve a Meta, fundos afiliados à Blue Owl e veículos específicos sustentados por aproximadamente US$ 27,3 bilhões em dívida, segundo a S&P Global Ratings.

A Meta utiliza a infraestrutura.

Investidores e credores fornecem parte relevante do capital.

O projeto possui veículos financeiros e contratos próprios.

Ao mesmo tempo, leases e garantias ajudam a reconectar a qualidade de crédito da Meta aos investidores.

Essa arquitetura permite financiar projetos gigantescos sem simplesmente colocar toda a infraestrutura e toda a dívida dentro da empresa que utilizará o data center.

Mas cria uma pergunta nova:

onde exatamente está o risco?

A questão fica mais importante à medida que crescem os compromissos futuros.

O paper cita estimativas da Moody's de aproximadamente US$ 970 bilhões em compromissos de leases de hyperscalers, dos quais cerca de US$ 660 bilhões estariam ligados a leases futuros ainda não refletidos no balanço da mesma forma que uma dívida corporativa convencional.

Uma análise separada da Reuters, com universo e metodologia diferentes, encontrou aproximadamente US$ 1,09 trilhão em compromissos futuros de leases ainda não iniciados entre Microsoft, Meta, Oracle, Amazon e Alphabet, em grande parte ligados a data centers.

Os números não são diretamente comparáveis.

Mas apontam para o mesmo fenômeno.

Parte da expansão da IA está criando obrigações econômicas que não aparecem simplesmente numa linha chamada “dívida”.

Podem estar dentro de:

leases.

SPVs.

project debt.

private credit.

garantias.

joint ventures.

Isso não significa que empresas estejam “escondendo dívida”.

Significa algo mais interessante:

medir o risco pode ficar mais difícil quando propriedade do ativo, financiamento, uso da infraestrutura e garantias estão separados entre agentes diferentes.

Esse mercado está atraindo também formas de capital que tradicionalmente não aparecem no centro de uma história sobre tecnologia.

Estimativas do Morgan Stanley Research citadas pelo estudo indicam que mais da metade de aproximadamente US$ 2,9 trilhões necessários para novas necessidades de compute dos hyperscalers entre 2025 e 2028 poderia vir de capital externo.

Dentro da parcela de dívida, a estimativa inclui aproximadamente:

US$ 800 bilhões em private credit;

US$ 200 bilhões em corporate debt;

US$ 150 bilhões em structured finance.

Isso conecta diretamente a corrida de IA a bancos, fundos de crédito, investidores institucionais e mercados de capitais.

E muda a natureza da pergunta.

Durante a primeira fase do boom, muitos investidores perguntavam:

“qual empresa terá o melhor modelo?”

Depois:

“quem fornecerá os chips?”

Agora surge outra camada:

“quem está financiando a infraestrutura — e em quais condições?”

Tecnologia excelente não é necessariamente empresa excelente.

Empresa excelente não transforma automaticamente toda dívida emitida ao redor dela em dívida excelente.

Existe ainda outra diferença importante entre financiar infraestrutura de IA e financiar ativos tradicionais.

Um prédio pode permanecer útil durante décadas.

Uma geração de GPUs pode perder competitividade muito mais rapidamente.

Hardware de IA possui ciclos tecnológicos curtos, e o próprio data center pode precisar ser adaptado a mudanças em densidade energética, refrigeração, interconexão e arquitetura computacional.

Isso cria um problema potencial para credores.

Parte desses equipamentos começa a ser utilizada em estruturas de leasing ou financiamento garantido por ativos.

Mas qual é o valor de uma GPU como garantia daqui a cinco ou dez anos?

O problema fica ainda mais interessante quando a obrigação financeira possui prazo muito superior ao ciclo tecnológico.

No caso Hyperion, existem bonds com vencimento chegando a 2049.

Isso não significa que investidores estejam simplesmente financiando as GPUs atuais até 2049 — a estrutura inclui contratos, garantias e ativos muito mais amplos.

Mas revela uma tensão importante:

a vida da obrigação financeira pode ser muito mais longa que o ciclo da tecnologia que ajudou a justificar o investimento original.

Existe ainda uma concentração que pode passar despercebida.

Muitos grandes data centers funcionam, na prática, como estruturas single-tenant.

Boa parte do fluxo de caixa do projeto pode depender de uma única grande empresa tecnológica.

Isso hoje parece relativamente seguro porque os principais hyperscalers possuem enorme capacidade financeira.

Mas vários projetos podem depender simultaneamente de:

Meta.

Microsoft.

Amazon.

Alphabet.

Oracle.

E essas empresas dependem, em última instância, de uma expectativa comum:

que a demanda por inteligência artificial cresça o suficiente para justificar os bilhões investidos.

Isso significa que riscos aparentemente separados podem se tornar correlacionados.

Se uma mudança tecnológica, uma queda relevante na demanda ou uma redução do retorno esperado afetar vários projetos simultaneamente, perdas poderiam aparecer em diferentes camadas:

project equity · private credit · bonds · bancos · investidores institucionais.

Não existe uma sequência universal na qual uma perda obrigatoriamente passa de uma camada para a seguinte.

O ponto é outro:

exposições diferentes podem estar apoiadas na mesma expectativa econômica.

É por isso que transparência começa a importar.

Existe uma diferença enorme entre identificar vulnerabilidades e anunciar uma crise.

O próprio estudo considera prematuro concluir que a infraestrutura de IA já represente um risco sistêmico comparável aos grandes ciclos de crédito do passado.

O Bank for International Settlements também chamou atenção para o crescimento do financiamento via dívida, private credit e estruturas mais opacas e interconectadas.

Mas o BIS não afirma que uma crise seja inevitável.

Existe um cenário perfeitamente possível em que a demanda por IA continua crescendo, a produtividade aumenta, projetos geram caixa suficiente, a infraestrutura é utilizada por muitos anos e os financiamentos são pagos normalmente.

Os hyperscalers continuam possuindo qualidade de crédito extraordinária.

O risco está justamente no intervalo entre esse cenário e alternativas menos favoráveis.

A tecnologia pode transformar a economia e, ainda assim, alguns projetos serem construídos demais, cedo demais, caros demais ou com estruturas financeiras inadequadas.

Grandes ciclos tecnológicos do passado mostram algo semelhante.

Ferrovias, eletrificação e o boom da internet produziram infraestrutura duradoura e transformaram a economia sem garantir bons retornos a todos que financiaram sua expansão.

A inovação não precisa fracassar para que determinados investimentos fracassem.

A grande pergunta da inteligência artificial está começando a mudar.

Não é mais apenas:

quem terá o melhor modelo?

Nem:

quem venderá mais GPUs?

É também:

quem financia os data centers?

a que taxa?

com qual garantia?

por quanto tempo?

quem assume o risco de obsolescência?

e onde aparece a perda se a demanda decepcionar?

O ponto não é que a revolução da IA esteja errada.

É justamente o contrário.

Uma revolução tecnológica pode estar completamente certa sobre o futuro e ainda produzir empresas, projetos e dívidas ruins ao longo do caminho.

Quando infraestrutura é construída com capital levantado hoje contra receitas esperadas amanhã, a pergunta deixa de ser apenas se a tecnologia funciona.

Passa a ser:

quem assumiu o risco de estar errado sobre demanda, preço, utilização, vida útil e valor residual.

A IA está deixando de ser apenas uma corrida tecnológica.

Ela está se tornando também uma corrida para descobrir qual arquitetura financeira consegue sustentar a velocidade com que queremos construí-la.

FONTES PRINCIPAIS