Murilo 
A inteligência artificial deixou de ser apenas uma tese de software, produtividade e automação. À medida que os modelos se tornam mais complexos, o uso corporativo se expande e o consumo de dados acelera, o mercado começa a olhar para uma camada menos óbvia, mas cada vez mais relevante: a infraestrutura física necessária para sustentar esse crescimento.
A próxima fase da IA depende de capacidade computacional, memória, data centers, energia, refrigeração, semicondutores e metais industriais. Em outras palavras, a expansão da inteligência artificial começa a transformar setores que, à primeira vista, pareciam distantes da tese tecnológica.
Esse deslocamento é importante porque muda a forma de analisar oportunidades. O investidor que observa apenas as empresas mais visíveis da cadeia pode perder os elos responsáveis por viabilizar toda a estrutura. GPUs, servidores e modelos avançados só funcionam porque existe uma base física por trás: energia disponível, redes de transmissão, chips, memória e commodities estratégicas.
É nesse ponto que a análise deixa de ser apenas sobre tecnologia e passa a envolver infraestrutura, indústria, energia e metais. A inteligência artificial pode até nascer no software, mas sua escalabilidade depende de ativos reais, capital intensivo e cadeias produtivas complexas.
O mercado já começou a precificar parte dessa transformação, mas a discussão ainda está longe de ser trivial. A grande questão agora é entender quais empresas e setores conseguem capturar valor em uma tese que conecta semicondutores, data centers, energia e cobre dentro de um mesmo ciclo estrutural.
Inteligência artificial: da narrativa para a infraestrutura
A segunda grande tese do encontro é a inteligência artificial.
O mercado passou os últimos anos discutindo IA como software, produtividade e automação. Agora, a análise começa a migrar para a camada física da tese.
IA exige infraestrutura.
E infraestrutura exige capital.
O aumento no uso de modelos de linguagem elevou de forma expressiva o consumo de tokens. Existem dois tipos principais: tokens de treinamento e tokens de inferência. Os primeiros são usados para treinar modelos. Os segundos aparecem no uso cotidiano das ferramentas, quando usuários e agentes interagem com sistemas de IA.
A escala é o ponto mais importante.
Modelos antigos consumiam bilhões de tokens em treinamento. Modelos mais recentes já operam na casa dos trilhões. No uso real, a inferência também cresce em ritmo acelerado, impulsionada por consultas, automações, agentes e aplicações corporativas.
Cada novo salto nessa curva exige mais:
- processamento;
- memória;
- energia;
- data centers;
- refrigeração;
- semicondutores;
- redes de transmissão;
- e materiais físicos.
O investidor que enxerga apenas o software perde metade da tese.
Micron: memória como gargalo estrutural da IA
A Micron aparece como um dos principais nomes ligados à tese de memória.
Com o avanço dos modelos de IA, não basta ter GPUs para processamento. A complexidade dos modelos exige cada vez mais memória, especialmente em ambientes de cloud, data centers, PCs, dispositivos móveis, setor automotivo, industrial e sistemas embarcados.
O mercado começou a perceber que memória também faz parte do ecossistema crítico de IA.
A tese envolve três grandes fabricantes globais: Micron, Samsung e SK Hynix. A vantagem relativa da Micron está no fato de ser americana e produzir em solo americano, o que ganha relevância em um cenário geopolítico em que segurança de cadeia produtiva se torna cada vez mais importante.
O ponto central não é apenas preço da ação. É lucro acompanhando a valorização.
Quando o preço sobe, mas o lucro não acompanha, o risco de bolha aumenta. Quando preço e lucro avançam juntos, a leitura muda. Nesse caso, a tese passa a ser sustentada por resultado operacional, não apenas por narrativa.
Nvidia, TSMC, Samsung e SK Hynix: a cadeia física da IA
A tese de IA não pertence a uma única empresa.
A Nvidia segue como peça central no fornecimento de GPUs, essenciais para treinamento e inferência de modelos.
A TSMC aparece como elo crítico na fabricação de chips avançados.
Samsung e SK Hynix compõem, ao lado da Micron, a camada de memória.
Essas empresas formam parte da cadeia que transforma crescimento de tokens em demanda real por hardware.
A lógica é direta:
mais tokens exigem mais processamento;
mais processamento exige mais GPUs;
mais GPUs exigem mais memória;
mais data centers exigem mais energia;
mais energia exige rede física.
Esse encadeamento transforma IA em uma tese industrial.
Data centers, energia e cobre: a tese sai da tela
O capex global em IA já começa a ser projetado em escala trilionária para os próximos anos. A leitura estrutural é que esse investimento terá que se converter em ativos físicos.
Não existe data center virtual.
Não existe linha de transmissão virtual.
Não existe GPU sem fábrica.
Não existe infraestrutura energética sem materiais.
O crescimento da IA precisa virar:
- concreto;
- cobre;
- energia;
- memória;
- semicondutores;
- servidores;
- subestações;
- linhas de transmissão;
- sistemas de refrigeração.
É nesse ponto que o cobre entra na tese.
A commodity deixa de ser apenas um metal ligado ao ciclo industrial tradicional e passa a ser um insumo estrutural da nova infraestrutura tecnológica. Data centers, redes elétricas, transmissão, eletrificação e expansão energética dependem de cobre.
O mercado pode continuar chamando isso de tese de tecnologia. Mas, na prática, parte relevante do retorno pode estar em commodities, energia, semicondutores e infraestrutura.
Hyperscalers: Amazon, Google, Meta e Microsoft
Os grandes hyperscalers — Amazon, Google, Meta e Microsoft — estão no centro do ciclo de investimento em IA.
Essas empresas precisam expandir data centers, contratar capacidade energética, comprar chips, ampliar infraestrutura e garantir escala global.
O capex crescente dessas companhias funciona como combustível para toda a cadeia.
O impacto não fica restrito aos resultados das big techs. Ele aparece nos fornecedores de hardware, memória, energia, construção, transmissão e materiais.
Essa é uma mudança importante na forma de analisar IA: a tese não termina na empresa que vende software. Ela percorre a cadeia inteira.
Resiliência: conhecer a tese antes da queda
Um dos pontos mais importantes do cenário atual é a necessidade de conhecer profundamente a tese antes da volatilidade aparecer.
Correções de 20%, 30% ou mais não são exclusivas da bolsa brasileira. Empresas globais ligadas a IA, memória ou semicondutores também passam por quedas relevantes. A diferença está na capacidade do investidor de distinguir volatilidade de deterioração estrutural.
Quando a tese é conhecida, a queda pode virar oportunidade.
Quando a tese não é conhecida, a queda vira desespero.
Esse é o divisor entre investir com fundamento e apenas reagir ao preço.
Conclusão
O mercado atual exige uma leitura integrada. Micron, Nvidia, TSMC, Samsung e SK Hynix mostram que inteligência artificial depende de uma cadeia física profunda.
Amazon, Google, Meta e Microsoft mostram que o capex em IA ainda está em expansão.
E o cobre mostra que algumas das grandes teses tecnológicas podem terminar em ativos industriais, energéticos e metálicos.
A próxima assimetria pode não estar na empresa que aparece na manchete.
Pode estar no elo da cadeia que ainda não foi totalmente precificado.
