CITIC Securities: O setor de software sofre uma correção profunda, procurando oportunidades de erro de avaliação

CITIC Securities Research Report afirma que a atual queda indiscriminada e de pânico no setor de software oferece uma janela para a diferenciação de preços com base na profundidade das barreiras. A CITIC Securities sugere uma configuração baseada na “atribuição de ataque e defesa das barreiras”: ① superexposição a ativos de “barreira de ataque” centrais, onde a barreira se torna a base para um novo crescimento na era da IA; ② atenção à janela de “transformação de defesa → ataque”, empresas com barreiras tradicionais robustas, mas que necessitam validar a conversão de receita em IA; ③ evitar ativos com constantes de tempo de decréscimo da barreira curtas, empresas com baixa complexidade + dados superficiais. Acompanhar o progresso da colaboração entre OpenAI, Anthropic e empresas de consultoria, a precificação de IA das empresas de software e o ponto de inflexão do crescimento da ARR.

O texto completo é o seguinte

CITIC Securities: O setor de software está em uma correção profunda, buscando oportunidades de vendas erradas

A atual queda indiscriminada e de pânico no setor de software oferece uma janela para a diferenciação de preços com base na profundidade das barreiras. Sugerimos uma configuração baseada na “atribuição de ataque e defesa das barreiras”: ① superexposição a ativos de “barreira de ataque” centrais, onde a barreira se torna a base para um novo crescimento na era da IA; ② atenção à janela de “transformação de defesa → ataque”, empresas com barreiras tradicionais robustas, mas que necessitam validar a conversão de receita em IA; ③ evitar ativos com constantes de tempo de decréscimo da barreira curtas, empresas com baixa complexidade + dados superficiais. Acompanhar o progresso da colaboração entre OpenAI, Anthropic e empresas de consultoria, a precificação de IA das empresas de software e o ponto de inflexão do crescimento da ARR.

O setor de software das ações dos EUA está passando pela maior correção de avaliação desde março de 2020, com o EV/NTM Rev mediano caindo para 3,2x, muito abaixo da média histórica de 7,8x antes da pandemia. A Anthropic lançou ferramentas como Claude Code/Cowork, provocando a narrativa apocalíptica de que “a IA devorará o SaaS”, mas essa venda de pânico confundiu empresas do tipo “força legal + registro de sistema” (constantes de tempo de decréscimo da barreira de 5-10 anos) com empresas do tipo “UI empacotada + automação simples” (constantes de tempo de decréscimo da barreira de 6-24 meses), resultando em uma avaliação estrutural errônea. Após ajustar a velocidade de crescimento da receita, a avaliação do setor retornou à média de quase dez anos. Acreditamos que atualmente é uma janela para a diferenciação profunda dos preços no setor de software.

A camada de modelos está acelerando a homogeneização, mas não é completamente homogênea. Com base em pesquisas empíricas das equipes do MIT e outros sobre os dados do OpenRouter, a quantidade de chamadas de modelos de código fechado ainda representa 75%, a elasticidade de preço da demanda no curto prazo é de apenas -1,11 (próxima da elasticidade unitária), indicando que o mercado de grandes modelos apresenta um padrão de “competição centrada na marca”, com custos de transição internos extremamente baixos e custos de transição entre ecossistemas extremamente altos. No entanto, o ciclo de liderança dos modelos de ponta foi reduzido de 7,5 meses no início de 2025 para menos de 4 meses, a diferença entre o primeiro e o décimo colocado no GPQA continua a diminuir, e a janela de preço premium dos fabricantes de modelos está encolhendo. A margem bruta da OpenAI em 2025 caiu de 40% para 33%, com a margem bruta da Anthropic em 40% (abaixo da esperada 50%), e o custo de inferência superou em 23% as expectativas internas, o espaço de lucro na camada de modelos está sendo pressionado pelo consumo de capacidade de computação do teste de tempo e pela deflação dos preços da API, forçando os fabricantes de modelos a penetrar na camada de aplicação.

O quadro de “custo do erro” prova que áreas verticais de alto valor ainda precisam dos melhores modelos, e a IA não pode substituir uniformemente todo o software. Com base em dados de litígios médicos nos EUA, a perda econômica esperada por erro em cenários de diagnóstico médico é de $45-63 (ajustado), muito acima do limite de custo para a adoção de modelos de inferência de alto desempenho. Em cenários de aprovação de crédito, considerando as perdas de crédito por falsos negativos e os custos de oportunidade por falsos positivos, o custo ponderado de um único erro está na faixa de $27-125 (dependendo do critério de saldo). Isso significa que, em cenários com custos de tolerância alta, o valor econômico suportado pela melhoria da precisão do modelo de 90% para 95% pode alcançar preços premium dezenas ou até centenas de vezes maiores, o verdadeiro foco da competição não é quem tem a API mais barata, mas quem pode se aproximar da precisão de nível especialista em áreas verticais.

A escalabilidade continua a avançar em três direções paralelas, o “caminho do singularidade” em áreas verticais já está claro. As evidências de 2025-2026 mostram que a melhoria do desempenho do modelo vem de: ① melhorias em algoritmos RL/RLVR (GRPO→DAPO→Dr.GRPO→λ-GRPO), passando de recompensas rotuladas por humanos para validação automática; ② escalonamento durante a inferência (pensamento paralelo do Deep Think, amostragem paralela do Agent Swarm, otimização da eficiência de pensamento), o DeepSeek R1-0528 aumentou a precisão do AIME de 70% para 87,5% ao aumentar a capacidade de computação pós-treinamento; ③ melhorias na eficiência da arquitetura (ativação esparsa MoE, atenção linear, atenção esparsa), o treinamento PARL do Kimi K2.5 reduziu o tempo de execução de ponta a ponta em 80%. Diante do fato de que os ganhos marginais em três direções não estão se concentrando rapidamente, a precisão em áreas verticais continuará a aumentar, o verdadeiro caminho da barreira é “injetar conhecimento do setor durante o treinamento médio → construir um ambiente de recompensas verificáveis → RL estimulando o raciocínio profundo → pensamento completo durante o teste”.

As barreiras de software estão se diferenciando profundamente, com choques de IA também diferenciados. O valor do software empresarial nunca esteve no próprio código, 96% dos programas comerciais contêm código aberto, mas as empresas ainda pagam por segurança, conformidade, integração e SLA. Na era da IA, as barreiras se diferenciam em dois dimensões: ① alta complexidade + dados profundos, o valor da orquestração de fluxos de trabalho, gestão de contexto e auditoria de conformidade aumenta com a IA, e não diminui; ② baixa complexidade + dados profundos, dados são valiosos, mas a lógica de cobrança por assento enfrenta compressão estrutural após a melhoria da eficiência do trabalho pela IA; ③ baixa complexidade + dados superficiais, funções centrais foram diretamente cobertas por agentes de IA, com barreiras extremamente finas. O fracasso do BloombergGPT prova que a rota de “modelos de construção própria” não é viável, o GPT-4 superou todos os benchmarks financeiros em menos de um ano, enquanto modelos proprietários treinados do zero com 363 bilhões de tokens de dados financeiros; enquanto o sucesso da Hebbia ($13 bilhões de avaliação) e da Harvey (ARR>$100 milhões) prova que “dados proprietários + fluxos de trabalho + modelos gerais de ponta” é a maneira correta de capturar valor.

Barreiras fortes vêm da “codificação abstrata de práticas comerciais e regulamentações legais”, os custos de replicação de software nativo de IA são extremamente altos. Tomando a SAP como exemplo (77% da receita global de transações toca seu sistema), sua barreira consiste em três camadas aninhadas: ① codificação de regras de negócios (lógica executável de conformidade tributária/trabalhista/industrial de cada país), ② irreversibilidade da configuração personalizada (dezenas de milhares de parâmetros de configuração, centenas de relatórios personalizados, décadas de memória organizacional acumulada), ③ bloqueio ecológico (centenas de milhares de consultores certificados, a migração obrigatória para S/4HANA se torna um evento de novo bloqueio). O ex-engenheiro da SAP, Thomas Otter, aponta que muitas funções não são “escolhas comerciais”, mas exigências legais (como o cálculo de salários na Alemanha envolvendo imposto eclesiástico, compartilhamento de segurança social e dezenas de variáveis interdependentes), e em salários, um erro de 0,01% pode levar a litígios legais. A ameaça da IA aos ERPs centrais é a “penetração em camadas” e não “substituição”, na camada de UI/interação e na camada de automação de processos (L1-L2), a IA já está melhorando esses sistemas (como o SAP Joule), mas na camada de lógica de negócios central (L4, 2028+) e na camada de registro de sistema (L5), no futuro previsível, ainda serão ferramentas de melhoria e não substitutos. Ao mesmo tempo, a IA está comprimindo a cadeia de valor do desenvolvimento de produtos, práticas internas da Anthropic mostram que o ciclo de “da ideia ao protótipo” foi reduzido de várias semanas para várias horas, o valor como produto intermediário da UI/UX está diminuindo, ferramentas de design como Figma enfrentam o risco de “compressão total da fase de design”, mas as barreiras de colaboração visual e gestão de sistemas de design ainda existem a curto prazo.

Recomendações de investimento: a atual queda indiscriminada e de pânico no setor de software oferece uma janela para a diferenciação de preços com base na profundidade das barreiras. Sugerimos uma configuração baseada na “atribuição de ataque e defesa das barreiras”: ① superexposição a ativos de “barreira de ataque” centrais, onde a barreira se torna a base para um novo crescimento na era da IA; ② atenção à janela de “transformação de defesa → ataque”, empresas com barreiras tradicionais robustas, mas que necessitam validar a conversão de receita em IA; ③ evitar ativos com constantes de tempo de decréscimo da barreira curtas, empresas com baixa complexidade + dados superficiais. Acompanhar o progresso da colaboração entre OpenAI, Anthropic e empresas de consultoria, a precificação de IA das empresas de software e o ponto de inflexão do crescimento da ARR.

（Fonte: Yicai）