Filings revelam contratos de compute, mas escondem termos com clientes

A lacuna entre capacidade contratada e demanda contratada

O texto argumenta que o boom de infraestrutura de IA costuma ser descrito por dois indicadores - uso de modelos e receita de um lado, gastos de capital e backlog dos hyperscalers do outro - e que ambos mostram demanda, mas nenhum explica como o risco de utilização passa do usuário final para quem constrói capacidade. Os contratos que ligam essas camadas podem ter durações diferentes: um cliente corporativo pode alternar entre modelos e pagar conforme o uso, enquanto um laboratório precisa garantir capacidade antes da demanda chegar, gerando backlog no hyperscaler antes de obter receita correspondente dos clientes.

A parte upstream é visível em documentos públicos: a AWS anunciou compromissos de oito e dez anos com OpenAI e Anthropic, e a Microsoft reportou concentração extraordinária de OpenAI em seu backlog. Já os contratos downstream dos laboratórios privados com seus clientes permanecem em grande parte desconhecidos. O uso multi-modelo comprova que clientes valorizam opcionalidade, mas não prova que os compromissos sejam pequenos nem que cubram a capacidade contratada.

O que o RPO mostra e o que esconde

O autor recorre ao RPO (remaining performance obligations), receita que um vendedor espera de obrigações contratuais ainda não cumpridas, incluindo receita diferida e valores não canceláveis a faturar. O RPO não é receita reconhecida nem caixa garantido, e exclui atividade sem contrato: uso sob demanda, excessos e renovações podem gerar receita real sem aparecer nele. O mesmo contrato é obrigação de compra para o laboratório e RPO para o hyperscaler - e a existência de RPO não identifica quem suporta o risco de utilização.

Model choice: portabilidade contratual cresce mais rápido que a operacional

A Microsoft disse que mais de 1.500 clientes usaram modelos da Anthropic e da OpenAI pelo Foundry e, três meses depois, que a maioria dos usuários do GitHub Copilot usa múltiplos modelos. Os modelos não se tornaram comodites intercambiáveis: trocar ainda exige avaliação, já que aplicações são sensíveis a capacidade, latência, uso de ferramentas, políticas de segurança e controles de dados. Ainda assim, a portabilidade contratual avança mais rápido que a fungibilidade operacional: uma empresa pode se comprometer no nível da AWS ou do Azure e alocar esse orçamento entre modelos e outros serviços, com o backlog acumulando na plataforma, não necessariamente em um fornecedor de modelo.

Snowflake como análogo público e a escala dos hyperscalers

Como os laboratórios de fronteira não publicam seus contratos, o autor usa a Snowflake como análogo: ela oferece contratos de capacidade de um a quatro anos e arranjos sob demanda, e reportou US$ 9,0 bilhões de RPO em 31 de julho, com vida média restante de 2,4 anos - excluindo sob demanda e consumo acima da capacidade. Sua fila revela os dois lados da estrutura: um acordo mínimo de US$ 390 milhões com um provedor de IA até novembro de 2028 (US$ 270 milhões restantes) e um compromisso upstream de US$ 6 bilhões em infraestrutura de nuvem por cinco anos.

Na escala dos hyperscalers, as obrigações de longo prazo da Amazon (principalmente AWS) subiram de US$ 244 bilhões, com vida média de 4,1 anos em dezembro de 2025, para US$ 496 bilhões e 6,4 anos em junho de 2026, incluindo US$ 100 bilhões adicionais ao compromisso de US$ 38 bilhões com a OpenAI e mais de US$ 100 bilhões à Anthropic em dez anos. A Microsoft reportou US$ 678 bilhões de RPO comercial com 2,3 anos de duração média; seis meses antes, a OpenAI representava cerca de 45% dos US$ 625 bilhões de RPO comercial, e compromissos da OpenAI e da Anthropic ajudaram a impulsionar um aumento de 230% nos bookings.

Onde o descasamento vira risco financeiro

Um laboratório pode se comprometer com compute plurianual enquanto eficiência melhora, preços caem e workloads migram: o uso pode crescer enquanto a receita por unidade de capacidade reservada cai, e o laboratório fica com a diferença entre a obrigação firme e o rendimento variável downstream. O financiamento adiciona outra camada: a Amazon investe e fornece compute à Anthropic e à OpenAI; a Microsoft identifica a OpenAI como parte relacionada, com US$ 24,1 bilhões de receita de arranjos comerciais, US$ 6,0 bilhões de recebível e cerca de 25% de participação, com US$ 11,9 bilhões aportados de um compromisso de US$ 13 bilhões. Isso não torna a receita artificial, mas RPO lastreado em caixa operacional não é economicamente idêntico a RPO sustentado por um laboratório que precisa continuar captando recursos.

O que revelar no S-1 da Anthropic e o efeito de uma fronteira mais lenta

A Anthropic submeteu confidencialmente um rascunho de S-1 em 1º de junho, ainda não público. O autor sugere examinar a comparação anual entre receita contratada downstream e mínimos de compute upstream, além de concentração de canais, margens, direitos de rescisão, recebíveis e caixa para pontuar pagamentos a fornecedores até a cobrança dos clientes. Uma fronteira mais lenta poderia alongar a vida comercial dos modelos e facilitar contratos mais longos, mas não resolve a utilização automaticamente: poderia reduzir risco de obsolescência e aumentar risco de utilização. São efeitos econômicos, não evidências de motive - nada público indica que apelos para desacelerar o desenvolvimento visem ocultar receita fraca.

Conclusão

O registro disponível não sustenta nem que a demanda por IA seja fraca, nem que o backlog prove demanda final. O número ausente é quanto de compromisso independente, específico por modelo, sustenta as obrigações upstream. Até que os documentos públicos revelem essa lacuna, a conclusão correta não é que o RPO migrou para upstream, mas que a certeza contratual é mais visível - e demonstravelmente mais concentrada - lá.