Insights AI

A estratégia de infraestrutura de IA de $220 bilhões da Amazon: chips personalizados, economia dos centros de dados e escala da IA empresarial

Podcast · Ouvir (20 min)

$220B AI Bet: How AWS Custom Chips Cut Costs 40%

Conteúdo
  1. 1. O dilema das despesas de capital: expansão da infraestrutura diante de uma demanda insaciável
  2. 2. A dinâmica econômica dos centros de dados e os atritos com a rede elétrica pública
  3. 3. A polarização da demanda por IA e o papel dos chips personalizados
  4. 4. Estrutura organizacional na era dos agentes e realidades da cibersegurança
  5. 5. Alocação de capital, alianças estratégicas e reinvenção dos principais produtos
  6. Números-chave
  7. O que mudaria este cenário
  8. Fontes citadas

A Amazon está atravessando um ciclo sem precedentes de $220 bilhões em despesas de capital em 2026 para expandir sua infraestrutura global de inteligência artificial e computação em nuvem. Impulsionada por uma demanda incessante que deixou a capacidade computacional totalmente contratada até 2026, em grande parte contratada para 2027 e fortemente comprometida para 2028, a empresa está equilibrando investimentos financeiros maciços no curto prazo com a monetização da infraestrutura no longo prazo. Para viabilizar a adoção generalizada de IA empresarial nas principais cargas de trabalho de produção — atualmente limitada pelos elevados custos de inferência —, a Amazon está implantando chips personalizados, incluindo aceleradores Trainium e chips de unidade central de processamento [CPU] Graviton desenvolvidos pela Annapurna Labs. Aliada a uma mudança fundamental em direção a fluxos de trabalho de engenharia de software extremamente enxutos e baseados em agentes, essa estratégia de alocação de capital busca reduzir o custo da computação em uma ordem de grandeza e assegurar uma liderança estrutural na emergente era da IA.

1. O dilema das despesas de capital: expansão da infraestrutura diante de uma demanda insaciável

A dimensão da atual demanda empresarial por inteligência artificial levou a expansão da infraestrutura de nuvem a um território inexplorado. A Amazon projeta aproximadamente $220 bilhões em despesas totais de capital para 2026 — o que corresponde a uma taxa extraordinária de alocação de capital de aproximadamente $600 milhões por dia. Apesar desse comprometimento de capital, a capacidade computacional permanece severamente limitada em todo o ecossistema de nuvem. A capacidade da Amazon Web Services [AWS] está totalmente contratada até 2026, em grande parte contratada para 2027 e já possui grandes parcelas comprometidas para 2028. Embora os mercados financeiros ocasionalmente expressem ceticismo em relação à enorme escala financeira necessária para financiar essa expansão, a infraestrutura computacional empresarial tornou-se um serviço essencial para o comércio global, os bancos, a saúde e as operações de software.

Essa rápida expansão cria compromissos operacionais e financeiros temporários que apresentam fortes paralelos com a expansão da rede física da Amazon durante a pandemia. Entre 2020 e 2022, a Amazon dobrou a dimensão de sua rede de processamento de pedidos — uma rede física construída ao longo dos 25 anos anteriores — em apenas 18 meses. Simultaneamente, a empresa construiu uma rede de transporte de última milha comparável em escala à United Parcel Service [UPS] em 20 meses.

Quando a infraestrutura física ou digital é construída em velocidade tão extrema, inevitavelmente surgem ineficiências operacionais. Na divisão de varejo, a rápida expansão inicialmente criou fortes pressões sobre o custo de atendimento. Em vez de comprometer a experiência do cliente ou reduzir os padrões operacionais de sua cultura, a Amazon utilizou métricas internas de dados e mecanismos de revisão executiva para identificar gargalos estruturais. Isso levou a uma reformulação completa da arquitetura de sua infraestrutura logística, convertendo uma rede nacional uniforme de processamento de pedidos em um modelo regionalizado. A regionalização posicionou os estoques mais perto dos consumidores finais, reduzindo simultaneamente as distâncias de transporte e o custo operacional de atendimento, além de acelerar as entregas.

Uma evolução arquitetônica semelhante está ocorrendo na infraestrutura digital. O diretor executivo da Amazon, Andy Jassy, apresenta a atual expansão dos centros de dados como um imperativo industrial moderno, comparando-a a projetos históricos de infraestrutura federal. "Não houve nada parecido no mundo e neste país desde, talvez, quando construímos as rodovias e pontes na década de 1950", observou Jassy. Ignorar ou adiar esse ciclo de capital representa um profundo risco estratégico; deixar de estabelecer uma infraestrutura computacional nacional poderia transferir a liderança tecnológica e os padrões operacionais para concorrentes estrangeiros, como a China.

2. A dinâmica econômica dos centros de dados e os atritos com a rede elétrica pública

Compreender a economia dos centros de dados de hiperescala exige avaliar o ciclo de caixa distinto, dividido em duas partes, que rege a infraestrutura de nuvem:

  • Estruturas físicas dos centros de dados e infraestrutura elétrica: As estruturas físicas dos centros de dados e as conexões elétricas exigem compromissos de capital aproximadamente dois anos antes da instalação dos servidores. No entanto, essas estruturas são ativos com vida útil de 30 anos que exigem um único desembolso principal de capital.
  • Servidores e equipamentos de rede: Os ativos de tecnologia da informação — como estruturas para servidores, equipamentos de rede, memória de alta largura de banda [HBM] e memória dinâmica de acesso aleatório [DRAM] — são adquiridos apenas alguns meses antes da implantação. Esses ativos têm vida útil de 5-a-6 anos, normalmente atingem o ponto de equilíbrio em três anos e são respaldados por contratos de longo prazo com clientes cuja duração média é de cinco anos.

Como as estruturas físicas dos centros de dados exigem um enorme investimento inicial dois anos antes da geração de receita, os provedores de hiperescala enfrentam pressões temporárias significativas sobre o fluxo de caixa livre (FCF) durante as fases de expansão acelerada. Os fluxos de caixa se normalizam e crescem de forma composta quando as instalações entram em operação, os servidores são instalados e os contratos com clientes começam a ser monetizados. "Mesmo gastando $220 bilhões em despesas de capital neste ano, estamos deixando uma quantidade significativa de demanda sem atendimento", afirmou Jassy durante a discussão.

Simultaneamente, o desenvolvimento de infraestrutura de hiperescala enfrenta resistência política e da população local em relação aos impactos ambientais e sobre a rede elétrica. Dados empíricos das fontes refutam várias concepções equivocadas comuns entre o público:

  • Uso de água: Os sistemas de refrigeração dos centros de dados são altamente eficientes em comparação com imóveis comerciais antigos. Por exemplo, o setor de golfe consome 200 vezes mais água do que todos os centros de dados da Amazon juntos, consumindo mais água em dois dias do que os centros de dados da Amazon utilizam em um ano inteiro.
  • Emissões e geradores de emergência: Os geradores a diesel de emergência instalados no local não funcionam continuamente. Eles operam exclusivamente durante interrupções de energia e manutenções de rotina, funcionando aproximadamente 0.1% do ano (cerca de 10 horas por ano).
  • Impacto econômico local e sobre a rede elétrica: Os centros de dados representam enormes bases tributárias para as comunidades dos municípios que os recebem. No condado de St. Joseph, em Indiana, a Amazon pagou aproximadamente $3 bilhões em tributos locais. Além disso, a Amazon comprometeu $1 bilhão ao longo de cinco anos diretamente com as comunidades anfitriãs por meio de seu programa "Built Together". Embora as rápidas demandas por energia inicialmente exijam melhorias na rede, dados históricos de regiões de Indiana, Geórgia e Mississippi demonstram que, uma vez instalada a capacidade da infraestrutura elétrica regional, as tarifas locais de energia se estabilizam ou diminuem ao longo do tempo.

3. A polarização da demanda por IA e o papel dos chips personalizados

A atual adoção empresarial de IA apresenta um descompasso estrutural, que Andy Jassy descreve como uma "demanda polarizada". O consumo de capacidade computacional está fortemente concentrado em dois extremos do mercado, deixando a grande maioria das cargas de trabalho empresariais ainda não atendida:

  • O extremo de alto consumo computacional: Compreende laboratórios de pesquisa de IA de fronteira e aplicações de consumo em crescimento explosivo que consomem enormes quantidades de capacidade computacional independentemente do preço.
  • O extremo de baixo consumo computacional: Compreende empresas que utilizam IA para evitar custos específicos e aumentar a produtividade, como no atendimento automatizado ao cliente e na detecção de fraudes.
  • A faixa intermediária ainda não atendida: Compreende as principais aplicações empresariais de produção, que permanecem amplamente vinculadas a arquiteturas tradicionais de CPU.

O principal gargalo que impede essas cargas de trabalho centrais de produção de migrarem para aceleradores de IA é o custo da inferência. Embora os custos de inferência tenham diminuído, eles permanecem uma ordem de grandeza elevados demais para justificar a reescrita de aplicações de uso generalizado. "O custo da inferência... ainda é uma ordem de grandeza caro demais, na minha opinião, para que ela seja usada da forma mais generalizada possível", observou Jassy. Se a diferença de custo entre a computação convencional com CPU e a computação acelerada por IA permanecer elevada, o benefício incremental de desempenho precisará atender a um patamar de retorno sobre o investimento excepcionalmente alto. Reduzir o custo da inferência constitui o catalisador essencial necessário para liberar esse enorme mercado intermediário.

A estratégia da Amazon para reduzir os custos de inferência depende fortemente de chips personalizados desenvolvidos pela Annapurna Labs, adquirida em 2015. Originalmente, a Annapurna foi adquirida para transferir tarefas de armazenamento, rede, virtualização e segurança das CPUs dos servidores para placas de interface de rede [NICs] dedicadas. Essa arquitetura permitiu à AWS alocar quase 100% da capacidade de CPU dos servidores Elastic Compute Cloud [EC2] diretamente às cargas de trabalho dos clientes.

Essa base de engenharia deu origem a duas famílias fundamentais de chips:

  • CPUs Graviton: Desenvolvidos como alternativa à arquitetura x86 tradicional, os chips Graviton oferecem uma vantagem de 40% na relação entre preço e desempenho em comparação com processadores x86 convencionais. Atualmente, o Graviton é utilizado por 99% dos 1,000 principais clientes de EC2 da AWS.
  • Aceleradores de IA Trainium: Projetados especificamente para treinamento e inferência de aprendizado profundo, os processadores Trainium oferecem uma vantagem de 30% a 40% na relação entre preço e desempenho em comparação com processadores gráficos comerciais concorrentes.

Ao reduzir o custo da inferência em uma ordem de grandeza por meio de chips personalizados, a Amazon busca tornar economicamente viável para empresas em geral reescrever suas principais aplicações de software para uma integração generalizada de IA.

4. Estrutura organizacional na era dos agentes e realidades da cibersegurança

A proliferação da IA generativa e das ferramentas de desenvolvimento baseadas em agentes está alterando fundamentalmente a engenharia de software, as estruturas das equipes e os modelos operacionais das empresas. A tendência histórica em direção a estruturas organizacionais hiperespecializadas — nas quais gerentes de produto ou engenheiros individuais são responsáveis por pequenas partes de um produto — está dando lugar a equipes extremamente enxutas e multifuncionais.

Um exemplo importante dessa mudança de velocidade ocorreu dentro da própria AWS: a equipe de engenharia do AWS Bedrock reconstruiu completamente seu mecanismo central de inferência utilizando 6 engenheiros em 76 dias. Historicamente, um projeto de infraestrutura dessa magnitude exigia 40 engenheiros trabalhando durante um ano inteiro. Da mesma forma, pequenas equipes internas de 4 a 5 engenheiros agora são capazes de construir protótipos de software 80% prontos para entrega em um único fim de semana.

Essas métricas de velocidade sinalizam uma transição fundamental na forma como as organizações técnicas alocam capital humano:

  • Mudança na dimensão da força de trabalho: As organizações de software precisarão de menos desenvolvedores humanos para tarefas tradicionais, como programação manual, processamento básico de documentos jurídicos e inteligência de negócios rotineira. "No futuro, teremos menos pessoas fazendo o trabalho que fazem hoje do que temos atualmente", explicou Jassy.
  • Equipes nativamente multifuncionais: As equipes de desenvolvimento operarão com estruturas menores e altamente flexíveis, começando em estágios avançados de construção e utilizando modelos de IA para executar 80% das tarefas rotineiras.
  • Redução do tempo de lançamento no mercado: Os ciclos de iteração de produtos estão sendo reduzidos de planos de desenvolvimento de vários meses para ciclos intensivos de prototipagem de poucos dias.

No entanto, a velocidade dos agentes introduz ameaças agudas à cibersegurança. Modelos avançados de IA estão descobrindo vulnerabilidades de software mais rapidamente do que especialistas humanos em segurança ou profissionais tradicionais de testes de invasão conseguem identificá-las.

Tradicionalmente, a segurança de software dependia da identificação de vulnerabilidades, elaboração de correções, testes de dependências e implantação de atualizações — um processo que frequentemente leva semanas ou meses. Em um ambiente de ameaças baseadas em agentes, as organizações precisam reduzir os prazos de implantação de correções para minutos. Para sobreviver a essa mudança, as empresas precisam reescrever suas bases de código legadas em arquiteturas nativas para agentes, permitindo que agentes automatizados de software descubram falhas, apliquem correções e implantem atualizações continuamente, sem intervenção humana manual.

5. Alocação de capital, alianças estratégicas e reinvenção dos principais produtos

A estratégia de alocação de capital da Amazon combina o desenvolvimento de chips proprietários com alianças estratégicas de vários bilhões de dólares com os principais desenvolvedores de modelos de IA.

Por meio de sua parceria com a Anthropic, a AWS atua como principal provedora de treinamento e inferência para os modelos Claude. A Anthropic comprometeu-se com implantações computacionais de vários gigawatts baseadas em chips Trainium, ao mesmo tempo que oferece seus modelos nativamente no AWS Bedrock. Da mesma forma, a Amazon expandiu seu ecossistema para oferecer suporte às cargas de trabalho da OpenAI na AWS, desenvolvendo conjuntamente ambientes especializados de execução com manutenção de estado, projetados especificamente para a execução por agentes.

Além de hospedar modelos externos, a estratégia de tecnologia empresarial exige reinventar desde a base produtos maduros e altamente bem-sucedidos, em vez de depender de atualizações incrementais de funcionalidades. Jassy cita a reformulação completa da Amazon Alexa como estudo de caso. Embora a arquitetura original da Alexa tenha sido inovadora no lançamento, o advento da IA generativa exigiu a substituição integral de seu mecanismo subjacente.

Embora atualizar incrementalmente o software legado seja mais fácil do ponto de vista organizacional, preservar a liderança de mercado exige reescritas fundamentais. Aplicações empresariais consolidadas nos segmentos de varejo, vídeo por transmissão contínua e gestão de nuvem precisam passar por reformulações completas, nativas de IA, para permanecerem competitivas diante de empresas emergentes nativas de agentes.

Números-chave

  • $220 bilhões: Gastos esperados da Amazon com despesas de capital em 2026 (~$600 milhões por dia).
  • 36.7%: Crescimento da receita da AWS em relação ao ano anterior no trimestre mais recente, com um ritmo anualizado de $169 bilhões.
  • $25+ bilhões: Ritmo anualizado de receita da AWS para seu negócio de IA generativa nos primeiros 3 anos (comparado a um ritmo anualizado de $60 milhões após 3 anos no início da história da AWS).
  • 80%: Crescimento aproximado da receita total da Amazon de 2021 até o presente.
  • 3x: Magnitude do crescimento da AWS de 2021 até o presente.
  • 2.5x: Crescimento da receita de publicidade da Amazon de 2021 até o presente.
  • 30 anos vs. 5–6 anos: Vida útil da infraestrutura de centros de dados (30 anos) vs. equipamentos de servidores e redes (5–6 anos, ponto de equilíbrio em ~3 anos).
  • 40%: Melhoria na relação preço-desempenho dos processadores Graviton em comparação com processadores x86 padrão.
  • 30%–40%: Vantagem na relação preço-desempenho dos chips de IA Trainium em comparação com processadores equivalentes.
  • 200x: Fator pelo qual os campos de golfe consomem mais água do que os centros de dados da Amazon.
  • 0.1%: Percentual do ano em que os geradores de reserva operam (aprox. 10 horas anuais).
  • $3 bilhões: Impostos pagos pela Amazon no condado de St. Joseph, Indiana.
  • $1 bilhão: Compromisso de cinco anos com as comunidades que abrigam centros de dados por meio do programa "Built Together".
  • 6 engenheiros em 76 dias: Escopo da reconstrução do mecanismo de inferência pela equipe do Bedrock (vs. historicamente 40 pessoas durante 1 ano).

O que mudaria este cenário

  1. Custo de inferência drasticamente reduzido: Uma queda expressiva nos custos de inferência impulsionada por chips personalizados (por exemplo, Trainium), que leve a parte intermediária da estratégia de "barra" (aplicações empresariais convencionais) a migrar de arquiteturas baseadas exclusivamente em processadores.
  2. Resolução das restrições de fornecimento de componentes e energia: Expansões significativas nas cadeias de suprimento de memória (HBM/DRAM), energia e refrigeração que liberem capacidade além das restrições atuais de capacidade totalmente vendida (2026–2028).
  3. Reescritas autônomas disseminadas por agentes: Empresas atualizando com sucesso as arquiteturas de suas bases de código legadas para serem nativas de agentes, permitindo a implantação de correções de segurança minuto a minuto.
  4. Mudança nas parcerias público-privadas de infraestrutura: Investimentos federais e locais acelerados na capacidade da rede elétrica para atender à demanda industrial de computação em hiperescala.

Para explorar mais pesquisas gratuitas ou testar seus próprios modelos, visite a plataforma DeepValues Research ou experimente o aplicativo DeepValues.

Fontes citadas#

Amazon CEO Andy Jassy on the Infrastructure the AI Era Needs, hosted by a16z (Video Transcript).

Assistir

Links das fontes

Assistir e ouvir

Pesquisa da empresa

Texto de pesquisa sob licença CC BY 4.0, citar como: DeepValues Research, A estratégia de infraestrutura de IA de $220 bilhões da Amazon: chips personalizados, economia dos centros de dados e escala da IA empresarial, https://research.deepvalues.ai/insights/2026-10-24-amazons-ai-era-and-infrastructure-expansion-pt/

E-mail semanal grátis

Margin of Safety Weekly

Todo sábado: a temperatura do mercado, o que os grandes investidores compraram e venderam (13F), os novos relatórios da semana, vídeos e podcasts — grátis, sem precisar de conta. O e-mail é enviado em inglês.

Send me the DeepValues Margin of Safety Weekly, one email every Saturday. I can unsubscribe at any time. Information only, not investment advice. Privacidade

Vá além

Rode esta análise em qualquer ação em 2 minutos

O Deep Value Intelligence, o analista de IA multiagente por trás deste relatório, gera sob demanda o mesmo relatório para qualquer empresa listada.

Abrir o Deep Value Intelligence

Acompanhe mais de 300 ações no app DeepValues

Posições, valor intrínseco e os relatórios mais recentes, no seu celular.

Desenvolvedores: posições e relatórios via API

Os fundamentos, valores intrínsecos, posições e links de relatórios por trás destas páginas, em JSON.

Documentação da API

Discutir