China AI value chain: El conjunto de beneficios de la IA china podría ampliarse notablemente, y los modelos y aplicaciones downstream serían la principal fuente de crecimiento de ganancias para 2030E

Visión general

JPMorgan inicia una cobertura más amplia de la IA china con una visión constructiva. Su tesis central es que el rápido crecimiento del consumo de inteligencia ampliará el conjunto de beneficios en hardware, nube y modelos más aplicaciones downstream, aunque la mezcla de ganancias se desplazará de forma material hacia downstream después de 2028E.

Perspectivas principales

JPMorgan espera que el consumo chino de tokens de inferencia crezca unas 60 veces entre 2026E y 2030E, ya que los modelos de frontera habilitan tareas más difíciles, la caída de costes de inferencia amplía la adopción y el razonamiento más largo, el contexto más rico y los agentes de varios pasos elevan el consumo por flujo de trabajo. Las empresas representarían cerca de 69% de la demanda de tokens de 2030E y los consumidores el 31% restante. El informe estima gasto global final de clientes de IA superior a US$1.4tn en 2030E, con China en torno a una cuarta parte, una oportunidad B2B china de aproximadamente US$250bn y demanda de consumidores de aproximadamente US$100bn. El informe organiza la IA china en hardware, nube y modelos más aplicaciones. Parte de US$777.6bn de inversión china en nube durante 2026E-30E. El hardware registra ingresos cuando se compra capacidad; la nube monetiza cohortes instaladas durante cinco años; y downstream monetiza la capacidad de inferencia que suministra la nube. Son derechos de ingresos superpuestos sobre el mismo dólar de inversión y no deben sumarse como gasto de cliente final; el beneficio operativo es la medida aditiva entre capas. El modelo limita los ingresos downstream mediante la capacidad física de inferencia disponible. El hardware domina las ganancias tempranas porque cobra primero. JPMorgan proyecta ingresos de hardware desde US$100.0bn en 2026E hasta US$184.8bn en 2030E, y beneficio operativo de US$30.0bn a US$73.9bn, con margen de 30% a 40%. El hardware obtiene aproximadamente US$286bn, o 53%, del conjunto acumulado de beneficio operativo 2026E-30E de US$543.8bn. La futura migración downstream no significa que el valor upstream actual sea inadecuado, sino que refleja el momento de reconocimiento de ganancias de las compras. La nube debería crecer de forma compuesta conforme entran en servicio cohortes de inversión y aumenta la utilización. Se proyectan ingresos de nube de US$20.0bn en 2026E a US$249.1bn en 2030E, 12.5 veces, y beneficio operativo de US$2.4bn a US$37.4bn. El modelo asume utilización de 60%, 70% y 80% en los años de ingresos uno, dos y tres a cinco, respectivamente, y una rentabilidad anual de ingresos a plena utilización desde 0.50x del capex en 2026E hasta 0.585x en 2030E. La rentabilidad sostenible de la nube es una restricción clave: rendimientos débiles ralentizarían la inversión, exigirían mayor utilización o precios, o devolverían parte de la economía a los propietarios de infraestructura. Los modelos más aplicaciones deberían ser la capa de crecimiento más rápido, con ingresos desde US$15.7bn en 2026E hasta US$423.4bn en 2030E, 26.9 veces. El informe deriva los ingresos downstream del gasto de inferencia y asume que el margen bruto mejora de 30% a 50%. La capa sigue en pérdidas en 2026E y 2027E porque formación y R&D de modelos absorben US$9.0bn en 2026E frente a US$4.7bn de beneficio bruto downstream. Se vuelve rentable en 2028E, con US$6.2bn, cuando el margen bruto alcanza cerca de 40% y la formación baja a aproximadamente 25% de los ingresos downstream. En 2030E, US$423.4bn de ingresos downstream generarían US$132.0bn de beneficio operativo. El beneficio operativo total de IA china aumenta de US$26.5bn en 2026E a US$243.3bn en 2030E. La participación del hardware cae de 93% a 30%, mientras modelos más aplicaciones pasan de pérdidas a cerca de 54% del beneficio operativo anual sectorial. Modelos más aplicaciones aportan 32% del beneficio acumulado de cinco años pero 64% del aumento de aproximadamente US$217bn en el beneficio anual del sector, frente a cerca de 20% para hardware y 16% para nube. Aproximadamente 77% del beneficio downstream acumulado llega en 2030E, por lo que la capacidad de financiación, el consumo de caja y la sensibilidad a adopción pagada, intensidad de formación y margen bruto son especialmente importantes. El informe no califica la mezcla actual de valor de mercado como una clara valoración errónea. Modelos más aplicaciones representan cerca de 14% del valor bursátil atribuible a IA china estimado, en línea con cerca de 12% de los ingresos de la cadena de valor de 2026E. La cuestión es si el mercado capitalizará antes de la inflexión de resultados el cambio previsto a 49% de participación de ingresos downstream y aproximadamente 54% de participación de beneficios en 2030E. Durante los próximos 12-24 meses, la evidencia relevante incluye utilización de nube, ingresos recurrentes de API y suscripción, usuarios de aplicaciones de pago, beneficio bruto tras costes de inferencia y entrega, y generación de caja. JPMorgan aplica el marco Opportunity × Scarcity × Value Capture. Opportunity mide el conjunto económico alrededor de la carga de trabajo; Scarcity, la capacidad difícil de sustituir; y Value Capture, si la monetización se convierte en beneficio bruto, flujo de caja y retornos. Espera que la escasez migre desde la capacidad bruta y la capacidad de modelos de frontera hacia eficiencia de serving, contexto propietario, permisos, propiedad del flujo de trabajo y ejecución de transacciones. La mejora de modelos generales puede hacer más replicables las funciones de aplicaciones, por lo que el valor durable depende de activos que un agente aún necesita para completar el trabajo. Alibaba es la exposición integrada preferida por T-Head, nube y franquicia de modelos, que conectan silicio, capacidad y demanda de clientes. La reconstrucción incremental de capacidad de JPMorgan implica aproximadamente 26.6% de IRR de proyecto después de impuestos frente a 10% para la cohorte sectorial normalizada, basada en mayor rendimiento de ingresos y utilización más rápida. Tencent es la aplicación preferida por distribución, contexto propietario y ejecución de transacciones; JPMorgan considera que estos activos de aplicaciones de IA están ampliamente sin precio en la valoración del grupo. Zhipu es la exposición preferida a inteligencia diferenciada, condicionada a mantener capacidad relativa, APIs de pago, precios, retención y beneficio bruto suficiente para financiar el desarrollo de modelos. Fuera de las tres exposiciones preferidas, JPMorgan inicia SenseTime, Phancy y Xunce con Overweight. SenseTime y Phancy son vías para capturar optimización de infraestructura y demanda de despliegue; Xunce busca productizar el despliegue empresarial mediante Token/TokenOS y módulos reutilizables. Kingsoft Office se asume con Overweight por distribución y propiedad del flujo de trabajo. MiniMax, JST, Meitu, Kingdee y Manycore son Neutral porque monetización, valoración, expectativas de crecimiento o defensibilidad de funciones requieren más pruebas. Yonyou se asume con Underweight porque sus activos empresariales no se han traducido en crecimiento consolidado, rentabilidad y generación de caja comparables.

Marco de análisis

JPMorgan construye un modelo bottom-up de cadena de valor vinculada, desde inversión en nube hasta compras de hardware, utilización de nube e ingresos downstream respaldados por inferencia. Después evalúa cada empresa mediante Opportunity, Scarcity y Value Capture, usando utilización, uso pagado, precios, ingresos recurrentes, beneficio bruto, retención, conversión de caja y retornos para comprobar si el posicionamiento estratégico genera valor financiero.

Notas metodológicas

• Marco de análisis sectorialMarco de oferta y demanda

  Modelo de cadena de valor de IA de tres capas que conecta hardware, nube y modelos más aplicaciones.

  El informe sigue la inversión en capacidad hacia hardware físico, ingresos recurrentes de nube y consumo downstream de inferencia para estimar demanda, ingresos y beneficios por capa.

• Marco de estrategia competitivaFoso económico y ventaja competitiva

  Marco Opportunity × Scarcity × Value Capture.

  El marco pregunta qué tamaño tiene el conjunto económico de las cargas de trabajo de una empresa, qué sigue siendo difícil de sustituir y si esa ventaja se convierte en monetización, beneficio bruto, flujo de caja y retornos.

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

  Conversión financiera desde ingresos a beneficio bruto, apalancamiento operativo, CFO/FCF y retornos sobre capital incremental.

  El informe considera insuficiente el uso o los ingresos si no producen beneficio bruto tras costes de IA y finalmente conversión en caja.

• Métodos de valoraciónValoración por P/E y PEG

  Los precios objetivo de varias empresas cubiertas usan múltiplos P/E forward.

  La tabla de resumen bursátil aplica los múltiplos P/E forward indicados a los beneficios previstos de Alibaba, Tencent, Zhipu, Xunce, Kingsoft Office, MiniMax, JST, Kingdee y Yonyou.

• Métodos de valoraciónValoración por EV/EBITDA

  Los precios objetivo de SenseTime y Phancy usan múltiplos EV/EBITDA forward.

  El informe aplica 15x 2028E EV/EBITDA a las dos empresas de infraestructura y despliegue.

Correspondencia y comparación de activos

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

• Alibaba (9988.HK)

  Exposición preferida integrada de hardware, nube y modelos.

  Fortalezas

  Silicio T-Head, capacidad de nube y franquicia de modelos permiten codiseño de modelos e infraestructura.

  Debilidades

  La conversión de caja puede retrasarse respecto a los retornos de proyecto si la inversión sigue elevada.

  Comparación

  IRR incremental de proyecto después de impuestos de aproximadamente 26.6% frente a 10% de la cohorte normalizada.

  Riesgos

  Precios competitivos de nube, silicio interno sin mejora de economía unitaria y retornos de caja diferidos.

• Tencent (700.HK)

  Exposición preferida a aplicaciones de IA.

  Fortalezas

  Distribución, contexto propietario y ejecución de transacciones en actividad de consumo y comercial.

  Debilidades

  La participación de IA debe convertirse en ingresos publicitarios, de comerciantes o de transacciones.

  Comparación

  JPMorgan considera que sus activos de aplicaciones están ampliamente sin precio en la valoración del grupo.

  Riesgos

  Los costes de inferencia y desarrollo pueden absorber el beneficio bruto incremental; una divulgación insuficiente podría retrasar el reconocimiento del mercado.

• Zhipu (2513.HK)

  Exposición preferida a inteligencia diferenciada.

  Fortalezas

  Capacidad relativa de modelo, potencial de API de pago, optimización de serving y harnesses propietarios.

  Debilidades

  La economía depende de mantener liderazgo de capacidad y beneficio bruto que financie el desarrollo de modelos.

  Comparación

  Exposición preferida a modelos; calificada Overweight.

  Riesgos

  Convergencia de modelos, competencia de precios de distribución open-weight y costes de formación que crezcan más rápido que el uso pagado.

• SenseTime (20.HK)

  Exposición cubierta a infraestructura, despliegue y multimodalidad.

  Fortalezas

  SenseCore conecta capacidad con cargas de trabajo de IA en producción.

  Debilidades

  La adopción externa y la monetización escalable siguen siendo pruebas clave.

  Comparación

  Iniciada con Overweight.

  Riesgos

  La utilización, adopción externa, progresión de margen y retornos pueden no escalar como se espera.

• Phancy (6682.HK)

  Exposición cubierta a optimización de cómputo y despliegue.

  Fortalezas

  La programación heterogénea, adaptación y despliegue abordan la complejidad de chips fragmentados.

  Debilidades

  Debe convertir capacidades en economía de software reutilizable.

  Comparación

  Iniciada con Overweight.

  Riesgos

  La productización, mejora de margen bruto y reutilización de despliegue pueden quedar por debajo de lo esperado.

• Xunce (3317.HK)

  Exposición cubierta a despliegue empresarial.

  Fortalezas

  Contexto empresarial, gobernanza, integración de producción, Token/TokenOS y módulos reutilizables.

  Debilidades

  El trabajo intensivo en implementación debe convertirse en software recurrente escalable.

  Comparación

  Iniciada con Overweight.

  Riesgos

  El tiempo de despliegue, ingresos por empleado, reutilización de módulos y cobro de caja pueden no mejorar.

• Kingsoft Office

  Exposición cubierta a aplicaciones de productividad.

  Fortalezas

  Distribución, contexto documental y propiedad del flujo de trabajo.

  Debilidades

  La conversión de IA pagada y la entrega de beneficio bruto incremental requieren validación.

  Comparación

  Asumida con Overweight.

  Riesgos

  La monetización de IA podría no compensar costes de serving ni generar la expansión de flujo de trabajo esperada.

• MiniMax (100.HK)

  Exposición cubierta a modelos fundacionales.

  Fortalezas

  Fuerte crecimiento de uso y posicionamiento multimodal y de agentes.

  Debilidades

  Capacidad durable, precios y conversión de beneficio bruto permanecen sin probar.

  Comparación

  Neutral mientras Zhipu es la preferida.

  Riesgos

  Litigios con estudios estadounidenses, competencia intensificada, carga continua de R&D, comercialización incierta y dependencia de infraestructura.

• JST (6687.HK)

  Exposición cubierta a aplicaciones de flujo de trabajo comercial.

  Fortalezas

  Pedidos en vivo, inventario, reglas de comerciantes y activos de ejecución.

  Debilidades

  Condiciones débiles de comercio electrónico, expectativas de crecimiento y valoración compensan las ventajas de flujo de trabajo.

  Comparación

  Asumida con Neutral.

  Riesgos

  La expansión de flujos de trabajo de IA podría no superar restricciones de ciclo y valoración.

• Meitu (1357.HK)

  Exposición cubierta a aplicaciones de creación visual.

  Fortalezas

  Exposición a cargas de trabajo de imagen, vídeo, diseño, marketing y creación para comercio electrónico.

  Debilidades

  Las funciones individuales son cada vez más replicables por modelos generales.

  Comparación

  Iniciada con Neutral.

  Riesgos

  El crecimiento incremental y la monetización siguen siendo inciertos.

• Kingdee (268.HK)

  Exposición cubierta a aplicaciones empresariales.

  Fortalezas

  Registros empresariales, permisos y posición de sistema de registro.

  Debilidades

  La aceleración de ingresos impulsada por IA y la conversión de beneficio bruto siguen sin probarse.

  Comparación

  Asumida con Neutral.

  Riesgos

  El attach de IA, ACV, NRR y uso podrían no generar una aceleración de ingresos más clara.

• Manycore (68.HK)

  Exposición cubierta a aplicaciones de diseño e inteligencia espacial.

  Fortalezas

  Flujos de trabajo de diseño profesional y contexto 3D/espacial propietario.

  Debilidades

  La comercialización permanece temprana.

  Comparación

  Asumida con Neutral.

  Riesgos

  El crecimiento central, NRR empresarial y nuevos ingresos de IA necesitan más evidencia.

• Yonyou (600588.SH)

  Exposición cubierta a aplicaciones empresariales.

  Fortalezas

  El estado empresarial, permisos y flujos de trabajo complejos siguen siendo estratégicamente valiosos.

  Debilidades

  El crecimiento consolidado, rentabilidad y generación de caja quedan rezagados frente a la narrativa de IA.

  Comparación

  Asumida con Underweight.

  Riesgos

  La actividad de productos y contratos de IA podría no traducirse en captura de valor financiero.

Datos clave

• Consumo chino de tokens de IAc.60x growth from 2026E to 2030ELa demanda empresarial se proyecta en aproximadamente 69% del consumo de 2030E.
• Gasto global final de clientes de IA>US$1.4tn in 2030ESe estima que China representa aproximadamente una cuarta parte de la demanda.
• Inversión china en nube de IAUS$777.6bn over 2026E-30ELa inversión anual aumenta de US$100.0bn en 2026E a US$184.8bn en 2030E.
• Beneficio operativo de IA chinaUS$26.5bn in 2026E to US$243.3bn in 2030EEl beneficio operativo acumulado de 2026E-30E es US$543.8bn.
• Ingresos downstreamUS$15.7bn in 2026E to US$423.4bn in 2030ECrecimiento de 26.9 veces, respaldado por un aumento del margen bruto de 30% a 50%.
• Beneficio operativo downstreamUS$(5.9)bn in 2026E to US$132.0bn in 2030ESe vuelve positivo en 2028E, en US$6.2bn.
• Contribución downstream32% of cumulative profit and 64% of annual-profit growthLos modelos más aplicaciones representarían aproximadamente 54% del beneficio operativo sectorial de 2030E.
• IRR de proyecto incremental de Alibabac.26.6% after taxFrente a 10% para la cohorte sectorial normalizada de JPMorgan.

Impacto e implicaciones

JPMorgan espera crecimiento en todas las capas de IA, pero distingue las ganancias a corto plazo más visibles del hardware de la trayectoria de beneficios a medio y largo plazo más grande de nube y empresas downstream. La selección de acciones debe centrarse en escasez durable, evidencia de adopción pagada y conversión de beneficio bruto, capacidad de financiación durante la rampa de ganancias previa a 2028E y valoración.

Riesgos

• El crecimiento del consumo de inteligencia en China podría ser más lento de lo previsto por JPMorgan.
• La escasez específica de cada empresa podría erosionarse conforme se expande la capacidad, convergen las capacidades de modelos o las funciones de aplicaciones se vuelven más fáciles de replicar.
• La adopción de IA podría no convertirse en beneficio bruto y flujo de caja después de costes de modelo, inferencia, formación, despliegue y soporte.
• El rendimiento de ingresos o utilización de nube podría ser insuficiente para sostener inversión de capacidad económicamente atractiva.
• Las empresas downstream podrían necesitar financiación externa durante la rampa de ganancias anterior a 2028E.
• Los resultados del año terminal son sensibles a adopción pagada, margen bruto e intensidad de formación porque gran parte del beneficio downstream modelado llega en 2030E.

Aspectos que vigilar

• Crecimiento del consumo de tokens, especialmente adopción empresarial e intensidad de cargas de trabajo de agentes.
• Utilización de nube, rendimiento de ingresos, eficiencia de serving y retornos sobre capacidad incremental.
• Ingresos de APIs pagadas, suscripciones, uso y transacciones, en vez de anuncios de capacidades.
• Margen bruto tras costes de inferencia y entrega, apalancamiento operativo y conversión de caja.
• Si las aplicaciones conservan contexto propietario, permisos, propiedad de flujo de trabajo y ejecución de transacciones cuando los agentes se convierten en interfaces de usuario.
• Indicadores específicos, incluidos EBITA de nube y flujo de caja libre de Alibaba, beneficio comercial incremental de Tencent, crecimiento de API pagada de Zhipu y reutilización de módulos y eficiencia de despliegue de Xunce.