Phancy Group Co., Ltd. (06682): JPMorgan inicia Phancy en Overweight por la optimización de cómputo heterogéneo y la economía escalable de Token mediante API

Visión general

Este informe de inicio de cobertura sostiene que Phancy está evolucionando de software empresarial de AI e implementación de proyectos a una empresa de infraestructura de AI capaz de monetizar optimización de cómputo heterogéneo y producción de Token. La visión constructiva de JPMorgan se basa en la expansión del consumo de inteligencia, la complejidad de implementación específica de China, el rápido crecimiento de API y una posible transición hacia economics más escalables.

Perspectivas principales

JPMorgan inicia cobertura de Phancy con Overweight y un precio objetivo Dec-2027 de HK$50, basado en 15x 2028E EV/EBITDA. El informe caracteriza a Phancy como una empresa de infraestructura de AI e implementación empresarial, no como una compañía SaaS tradicional: combina implementaciones empresariales mediante AI Platform con gestión de cómputo heterogéneo, adaptación de modelos y capacidades de serving mediante HAMi/RISE y ModelHub. El múltiplo objetivo otorga una prima frente a pares maduros de infraestructura por su mayor crecimiento y exposición diferenciada al cómputo heterogéneo, pero se mantiene por debajo de un múltiplo tipo software de 18-20x porque la implementación y los servicios siguen siendo intensivos en capital y servicios. El argumento de demanda subyacente es que el consumo de inteligencia por tarea está creciendo. Los modelos de razonamiento, agentes, cargas de trabajo de contexto largo y multimodalidad consumen más cómputo de inferencia, mientras que la reducción de costes de inferencia amplía el rango de cargas económicamente viables. JPMorgan argumenta que las mejoras de eficiencia pueden coexistir con una mayor demanda absoluta de infraestructura, porque menores costes unitarios pueden estimular uso adicional. China es particularmente relevante, ya que las empresas pueden operar con Nvidia GPUs, Huawei Ascend y otros aceleradores domésticos, además de múltiples modelos fundacionales, entre ellos DeepSeek, Qwen, GLM, Kimi y MiniMax. Esta fragmentación de hardware y modelos eleva el valor operativo de la programación de recursos, la optimización entre chips y el serving adaptado al modelo. AI Platform de Phancy es la base actual de demanda. Generó cerca de Rmb3.1bn de ingresos en 1H26, un aumento de 30% interanual, y representó alrededor de 82% de los ingresos del grupo. El negocio es principalmente por proyectos, incluyendo implementación de infraestructura, mantenimiento y servicios técnicos, por lo que su perfil contable es menos recurrente que el del SaaS tradicional. No obstante, JPMorgan espera un CAGR de 26% en 2026-28E, respaldado por la demanda de implementación empresarial y la experiencia de la compañía en entornos heterogéneos. API constituye el cambio más importante en el modelo de negocio porque conecta las capacidades de infraestructura de Phancy directamente con una economía de Token basada en uso. La empresa puede implementar modelos de terceros sobre su base de cómputo, optimizar combinaciones de modelo y hardware y vender capacidad de inferencia a clientes empresariales sin asumir costes de entrenamiento de modelos de frontera. Los ingresos de API alcanzaron aproximadamente Rmb464mn en 1H26, con un alza de 861% interanual; JPMorgan prevé Rmb1,507mn, Rmb3,013mn y Rmb5,424mn en 2026E, 2027E y 2028E, respectivamente. El informe espera que API siga siendo el negocio de mayor crecimiento y que su margen bruto se aproxime a c.30% durante los próximos dos años, a medida que mejoren utilización, escala de compras y eficiencia de serving. Distingue entre participación y captura de valor: el crecimiento de Token demuestra exposición a demanda, mientras que el aumento del margen bruto y del beneficio bruto por unidad de cómputo demostraría que Phancy retiene parte del valor de eficiencia que genera. El informe considera que la escasez está migrando desde el acceso a capacidad bruta de cómputo hacia la optimización heterogénea y, finalmente, hacia la eficiencia de inteligencia. Una plataforma neutral puede gestionar el conjunto completo de cómputo del cliente a través de arquitecturas y modelos, a diferencia de proveedores de chips, desarrolladores de modelos o proveedores cloud verticalmente integrados, que tienen ventajas dentro de sus propios ecosistemas. Esta neutralidad puede ser valiosa para empresas con infraestructura mixta, varios modelos, implementaciones privadas o gobernanza de grado productivo. Sin embargo, JPMorgan recalca que la ventaja no es automática: Phancy debe demostrar mejoras medibles en utilización, rendimiento, latencia, eficiencia de memoria, velocidad de implementación o coste de inferencia. La reutilización de HAMi/RISE, ModelHub y capacidades relacionadas entre clientes apoyaría economics más similares a software; una dependencia continuada de ingeniería a medida mantendría economics de proyecto. JPMorgan prevé un CAGR de ingresos 2026-28E de 36%, ingresos de Rmb10,628mn, Rmb14,583mn y Rmb19,798mn en 2026E, 2027E y 2028E, y beneficio neto ajustado de Rmb141mn, Rmb378mn y Rmb965mn, respectivamente. Su previsión de beneficio neto ajustado 2028E está 37% por encima del consenso, reflejando mayor expansión de API, mejores unit economics y gastos operativos creciendo más lentamente que los ingresos. Espera que el EBITDA ajustado suba de Rmb139mn en 2026E a Rmb542mn en 2027E y Rmb1,311mn en 2028E. También espera una recuperación de la rentabilidad del grupo conforme mejoren los economics de API, pese a un efecto inicial de mix: el margen bruto del grupo cayó de 37.7% en 1H25 a 32.8% y el beneficio bruto fue de aproximadamente Rmb1.2bn en 1H26. Las ganancias contables no son evidencia suficiente porque el negocio requiere capacidad de cómputo, equipamiento y capital de trabajo. JPMorgan espera que CFO se vuelva positivo en Rmb523mn en 2026E, seguido de Rmb376mn en 2027E y Rmb421mn en 2028E, pero prevé FCFF de Rmb125mn, negativo Rmb170mn y negativo Rmb246mn en esos años por la continuidad de la inversión. La prueba financiera clave es, por tanto, la productividad de capital incremental: el resultado preferible sería atender la demanda incremental de Token mediante mayor utilización y rendimiento sobre la base de cómputo existente, permitiendo que beneficio bruto y flujo de caja crezcan más rápido que el capital invertido. Una trayectoria que requiera adiciones proporcionales de cómputo propio o arrendado y capital de trabajo limitaría las rentabilidades y la expansión del múltiplo. Agentic AI es una extensión potencial de largo plazo, no un impulsor principal de valoración hoy. Generó aproximadamente Rmb214mn de ingresos en 1H26, un aumento de 5% interanual. JPMorgan quiere ver reaceleración de ingresos, adopción repetida, reutilización de productos entre clientes, retención y mejores unit economics antes de atribuirle una contribución más relevante a la valoración. Considera que un mayor crecimiento de API acompañado de mayor utilización y márgenes, el uso y reutilización más amplios de HAMi/RISE y ModelHub, y mejoras de CFO, FCF y ROIC incremental son las confirmaciones alcistas más claras. Una exitosa cotización A-share podría ampliar la base de financiación doméstica, aunque el efecto en valoración dependería de la dilución y de las rentabilidades generadas sobre el capital nuevo.

Marco de análisis

JPMorgan comienza con la demanda de infraestructura de AI y el entorno fragmentado de hardware y modelos de China, y después evalúa cómo AI Platform y API de Phancy monetizan esa complejidad. Prueba la tesis mediante crecimiento por segmento, utilización, margen de API, apalancamiento operativo, conversión de caja y retornos sobre capital incremental, y valora la compañía con 2028E EV/EBITDA para reflejar su modelo operativo intensivo en infraestructura.

Notas metodológicas

• Métodos de valoraciónValoración por EV/EBITDA

  Valoración por múltiplo objetivo de 15x 2028E EV/EBITDA

  JPMorgan utiliza EBITDA en lugar de P/E porque depreciación, costes de implementación e inversión pueden afectar materialmente al beneficio neto reportado en el negocio intensivo en capital y servicios de Phancy. El múltiplo de 15x equilibra mayor crecimiento y exposición diferenciada a optimización con un componente todavía elevado de implementación y servicios.

• Marco de análisis sectorialMarco de oferta y demanda

  Análisis de demanda de consumo de inteligencia de AI y oferta de eficiencia de infraestructura

  El informe vincula el aumento de cargas de trabajo de razonamiento, agentes, contexto largo y multimodales con la demanda de cómputo de inferencia, y evalúa si la optimización heterogénea puede elevar la utilización y reducir el coste de serving a medida que la capacidad se vuelve más disponible.

• Marco de fundamentales corporativos y finanzasAnálisis del flujo de caja libre

  Evaluación de CFO, FCF y ROIC incremental

  JPMorgan trata la conversión de caja y los retornos sobre cómputo y capital de trabajo añadidos como una prueba separada de las ganancias contables, ya que un modelo intensivo en infraestructura puede combinar fuerte crecimiento de ingresos con débil flujo de caja libre.

Correspondencia y comparación de activos

Correspondencia estructurada entre la tesis y activos concretos (fortalezas, debilidades, pares y riesgos).

• Phancy Group Co., Ltd. (06682.HK)

  Compañía principal cubierta; está posicionada para beneficiarse de la optimización de cómputo heterogéneo y de la demanda de infraestructura empresarial de AI.

  Fortalezas

  AI Platform proporciona una base de implementación empresarial; API ofrece exposición directa al consumo de Token; la optimización neutral entre plataformas puede ser valiosa en entornos de hardware y modelos mixtos.

  Debilidades

  Los ingresos siguen siendo parcialmente por proyectos e intensivos en capital; los economics actuales dependen materialmente de implementación, servicios, cómputo y capital de trabajo.

  Comparación

  JPMorgan considera que su crecimiento y exposición al cómputo heterogéneo justifican una prima frente a pares maduros de infraestructura, pero no un múltiplo tipo software de 18-20x EV/EBITDA.

  Riesgos

  Una demanda de AI más débil, presión sobre los economics de inferencia, comoditización de las capacidades de optimización, baja utilización o intensidad de capital continuada podrían limitar márgenes y retornos.

Datos clave

• Calificación y precio objetivoOverweight; HK$50.00 Dec-27 targetEl objetivo se basa en 15x 2028E EV/EBITDA; el precio era HK$27.60 el 23 de septiembre de 2026.
• CAGR de ingresos 2026-28E36%Previsión de JPMorgan.
• Beneficio neto ajustado 2028ERmb965mnAproximadamente Rmb0.9bn; la previsión de JPMorgan es 37% superior al consenso.
• Ingresos de AI Platformc.Rmb3.1bn in 1H26Aumentaron 30% interanual y representan alrededor de 82% de los ingresos del grupo.
• Ingresos de APIRmb464mn in 1H26Aumentaron 861% interanual; se prevén Rmb1,507mn/Rmb3,013mn/Rmb5,424mn en 2026E/2027E/2028E.
• Margen bruto de APIc.30%Se espera durante los próximos dos años conforme mejoren utilización, escala de compras y eficiencia de serving.
• Margen bruto del grupo32.8% in 1H26Bajó desde 37.7% en 1H25 debido al cambio de mix de ingresos.
• EBITDA ajustado 2028ERmb1,311mnFrente a Rmb139mn en 2026E y Rmb542mn en 2027E.
• Flujo de caja de operacionesRmb523mn/Rmb376mn/Rmb421mnPrevisiones de JPMorgan para 2026E/2027E/2028E.
• FCFFRmb125mn/(Rmb170mn)/(Rmb246mn)Previsiones de JPMorgan para 2026E/2027E/2028E, que destacan las necesidades continuas de inversión.

Impacto e implicaciones

JPMorgan sostiene que el potencial de valoración de Phancy depende de demostrar que la optimización heterogénea y el serving de API pueden convertir el rápido crecimiento de Token en ingresos de productos reutilizables, mayores márgenes y retornos de caja. El fuerte crecimiento de ingresos sin mejoras de utilización, margen bruto y retornos sobre capital apoyaría menos la expansión del múltiplo.

Riesgos

• La demanda de cómputo de AI podría crecer menos de lo previsto si las ganancias de eficiencia superan la creación de nuevas cargas de trabajo económicamente viables, reduciendo demanda de Token, utilización y absorción de capacidad de API.
• Los economics de inferencia independiente podrían debilitarse incluso con una fuerte demanda de Token, por reducciones de precios oficiales de API por parte de desarrolladores de modelos, subsidios cloud para inferencia, cambios en competencia de modelos abiertos o licencias comerciales, o escasez de capacidad que eleve costes de adquisición.
• La capa de optimización podría comoditizarse a medida que proveedores de chips mejoren su software, proveedores cloud internalicen más optimización o herramientas open-source estandaricen la implementación.
• La intensidad de capital podría mantenerse elevada: compras y arrendamientos de GPU, además de capital de trabajo, podrían dejar débiles el flujo de caja operativo y FCF incluso con rápido crecimiento de ingresos.
• La productización podría avanzar lentamente, manteniendo la dependencia de Phancy de implementaciones personalizadas y limitando expansión de márgenes y apalancamiento operativo.

Aspectos que vigilar

• Crecimiento de ingresos de API junto con mejora de utilización y margen bruto.
• Beneficio bruto por unidad de cómputo y si el margen bruto de API se aproxima a c.30% durante los próximos dos años.
• Adopción y reutilización más amplias de HAMi, RISE y ModelHub entre clientes y plataformas de hardware.
• Crecimiento de ingresos frente a gasto en R&D e infraestructura, además de CFO, FCF y ROIC incremental.
• Evidencia de adopción repetida de clientes, retención y mejores unit economics en Agentic AI.
• El resultado de dilución y retorno sobre capital de cualquier cotización A-share exitosa.