Z.AI Co. (02513) — Interpretación del informe

Visión general

Esta revisión de resultados analiza la transición de Z.AI desde la implementación local hacia MaaS basado en la nube y la monetización de API. Goldman Sachs destaca el fuerte impulso del ARR, del consumo de token y de los precios, pero mantiene Neutral porque la transición presiona la mezcla de ingresos reportados, los márgenes y la visibilidad de beneficios a corto plazo.

Perspectivas principales

Goldman Sachs considera que Z.AI presentó resultados mixtos en 1H26. Los ingresos de plataforma abierta/API superaron el consenso en 4% y el ARR se aceleró con fuerza, pero la transición en curso desde la implementación local hacia MaaS basado en la nube lastró los ingresos totales y la rentabilidad. Los ingresos de plataforma abierta/API fueron Rmb825mn, un alza interanual de 2736%, mientras que los ingresos de implementación local bajaron 20% a Rmb129mn. Los ingresos totales alcanzaron Rmb954mn, un aumento de 400% interanual pero 47% por debajo de la previsión de Goldman Sachs. El margen bruto consolidado fue 26%: el margen de API de 24.6% superó la previsión de 24.0% de Goldman Sachs y el 22.4% de 2H25, pero una rentabilidad de implementación local inferior a la esperada pesó sobre el grupo. La pérdida neta ajustada fue Rmb1.96bn y el gasto en I+D subió 34% interanual a Rmb2.13bn. El principal aspecto positivo es el ritmo de monetización recurrente. El ARR de agosto superó US$1.6bn, o aproximadamente US$2bn anualizado con la tasa de la última semana en base bruta, tras US$250mn en marzo y US$1bn en julio. Goldman Sachs atribuye el avance al crecimiento de volumen de MaaS —consumo de token de más de 40 veces en lo que va de año y uso de Coding Plan de 23 veces— y a un alza de 101% en el precio medio de venta de API. También se profundizó la adopción empresarial: el uso diario de los 10 principales clientes aumentó 98 veces frente al inicio del año y GLM pasó a ser el principal proveedor de modelos global para 4 de las principales plataformas de internet de China. La dirección explicó la brecha entre los ingresos reportados de 1H y el ARR por diferencias contables entre bruto y neto, incluido el reparto con canales, y por el carácter prospectivo del ARR durante una trayectoria de crecimiento acelerada. Goldman Sachs prevé ingresos de Rmb7.0bn en 2H26 y Rmb7.9bn en FY26E, frente a Rmb6.8bn y Rmb8.6bn previamente, y eleva su previsión de ARR de cierre de 2026 de US$2.5bn a US$2.7bn. La estrategia comercial prioriza captar demanda de token de mayor valor en vez de maximizar el volumen agregado. Coding sigue siendo el principal punto de entrada, con expansión a flujos de trabajo de Agent, Co-work y Autonomous AI. A medida que mejoran los modelos, la dirección espera que la comercialización pase del consumo de API y suscripciones a una entrega de tareas más orientada a resultados. La compañía prevé mantener un ritmo de lanzamiento de modelos de aproximadamente cada 2-3 meses. Goldman Sachs estima márgenes brutos de plataforma abierta de 25.3% en 2H26 y 25.2% en FY26E, frente a 23.4% y 23.5% antes, apoyados por mayor poder de precios, ganancias graduales de eficiencia de inferencia y apalancamiento operativo. El informe también destaca la hoja de ruta de modelos y la infraestructura de cómputo. La dirección considera que el escalado mediante la optimización de la escala de preentrenamiento, la profundidad efectiva, la profundidad de entrenamiento y los entornos de tareas es la vía hacia una mayor inteligencia. Citó GLM-5.2 y GLM-5.3 como evidencia de que el posentrenamiento sigue siendo una palanca de escalado de alto retorno; GLM-5.3 Flash amplió la frontera de inteligencia-coste mediante una nueva arquitectura y una eficiencia superior. La siguiente fase se enfocará en modelos fundacionales mayores, con el preentrenamiento de próxima generación ya en marcha, junto con ventanas de contexto nativas más largas y capacidad multimodal nativa, antes de avanzar hacia Fully Self Training, un marco recursivo en el que la IA ayuda a generar y mejorar datos, entornos e infraestructura para el entrenamiento futuro. Z.AI amplía la capacidad con clústeres propios, capacidad arrendada y compras de servicios en la nube. Su clúster de más de 100k chips domésticos respalda inferencia a gran escala y el coste de inferencia por token cayó 80% en lo que va de año. Su multiplicador de monetización de cómputo, definido como ingresos de API por cada Rmb1 de gasto en cómputo, mejoró 14 veces interanual. Goldman Sachs aumenta su previsión de gasto en I+D a Rmb4.3bn para 2H26 y Rmb6.4bn para FY26E, frente a Rmb4.1bn y Rmb6.2bn; se espera que dos tercios estén vinculados a inversiones de cómputo. El informe señala la anterior colocación de capital de HK$31bn como financiación para modelos mayores y demanda creciente de cómputo. Tras incorporar los resultados de 1H26, Goldman Sachs reduce sus previsiones de ingresos de 2026-28E en 8%/4%/2% por menores supuestos de implementación local, manteniendo en general sin cambios los ingresos de API. Recorta sus estimaciones de beneficios en 2%/4%/2% por pérdidas de 1H mayores de lo esperado. Mantiene el precio objetivo a 12 meses de HK$1,610 y la calificación Neutral. Su caso base de DCF asume una cuota de mercado de 20% en 2030E y un margen EBIT ajustado a largo plazo de 26% en 2035E, con 12% WACC y 2% de crecimiento terminal. Goldman Sachs ajustó las valoraciones implícitas de sus escenarios alcista y bajista a HK$2,508 y HK$839, respectivamente, y considera equilibrados los riesgos y las oportunidades de crecimiento.

Marco de análisis

Goldman Sachs compara los resultados de 1H26 con el consenso y sus previsiones anteriores, y después analiza ARR, uso de token, precios, adopción de clientes, márgenes brutos, desarrollo de modelos y eficiencia de cómputo para revisar sus hipótesis de ingresos, costes y resultados. Valora la compañía con un DCF y contrasta el resultado mediante escenarios alcista, base y bajista.

Notas metodológicas

• Métodos de valoraciónDCF (flujo de caja descontado)

  Valoración por flujo de caja descontado

  Goldman Sachs deriva su precio objetivo de HK$1,610 mediante un DCF con 12% WACC y 2% de crecimiento terminal, usando supuestos a largo plazo de cuota de mercado y margen EBIT ajustado.

• Marco de análisis sectorialDescomposición de volumen y precio

  Análisis de volumen de token y precios de API

  El informe explica el crecimiento del ARR mediante un fuerte aumento del consumo de token y un alza de 101% en lo que va de año del precio medio de venta de API.

Correspondencia y comparación de activos

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

• Z.AI Co. (2513.HK)

  Empresa principal cubierta; su transición hacia MaaS basado en la nube y monetización de API impulsa el análisis.

  Fortalezas

  Rápido crecimiento del ARR, fuerte aumento del consumo de token y de los precios de API, adopción empresarial, lanzamientos de modelos y mejora de la eficiencia de inferencia.

  Debilidades

  Descenso de los ingresos de implementación local, presión sobre el margen consolidado y una elevada inversión continua en I+D.

  Comparación

  El margen bruto de API fue 24.6%, frente a 18% para MiniMax; Goldman Sachs prevé un ARR de cierre de 2026 de US$2.7bn para Z.AI y de US$1.2bn para MiniMax.

  Riesgos

  Competencia, visibilidad limitada de beneficios a corto plazo, consumo de caja, gasto en cómputo y riesgos geopolíticos.

• MiniMax Group

  Comparable citado para contrastar el margen bruto de API, el crecimiento de I+D y las previsiones de ARR.

  Comparación

  El margen bruto de API de Z.AI fue 24.6% frente a 18% para MiniMax; la previsión de ARR de cierre de 2026 de Z.AI es US$2.7bn frente a US$1.2bn para MiniMax.

Datos clave

• ARR de agostoAbove US$1.6bnAproximadamente US$2bn anualizado con la tasa de la última semana, en base bruta.
• Previsión de ARR al cierre de 2026US$2.7bnElevada desde US$2.5bn.
• Ingresos de plataforma abierta/API de 1H26Rmb825mnAumento interanual de 2736%; 4% por encima del consenso, pero 38% por debajo de la previsión de Goldman Sachs.
• Ingresos de 1H26Rmb954mnAumento interanual de 400% y 47% por debajo de la previsión de Goldman Sachs.
• Margen bruto consolidado de 1H2626%El margen bruto de API fue 24.6%, frente a una previsión de Goldman Sachs de 24.0% y 22.4% en 2H25.
• Gasto en I+D de 1H26Rmb2.13bnAumento interanual de 34%.
• Revisiones de previsión de ingresos 2026-28E-8% / -4% / -2%Impulsadas por menores supuestos de ingresos de implementación local.
• Precio objetivo a 12 mesesHK$1,610Sin cambios; caso base de DCF, con escenarios alcista y bajista de HK$2,508 y HK$839.

Impacto e implicaciones

El informe identifica MaaS basado en la nube, precios de API y una adopción empresarial más profunda como los principales impulsores de la aceleración del ARR de Z.AI. Sin embargo, menores ingresos de implementación local, mayor I+D ligada al cómputo y pérdidas continuas retrasan la visibilidad de beneficios a corto plazo, lo que respalda la postura Neutral de Goldman Sachs.

Riesgos

• La competencia en la industria global de modelos fundacionales podría debilitar la posición de Z.AI.
• El elevado gasto en I+D podría limitar la visibilidad de beneficios a corto plazo.
• El consumo de caja y la capacidad de autofinanciación siguen siendo riesgos.
• Una carrera tecnológica más intensa entre Estados Unidos y China crea riesgo geopolítico.
• Una inteligencia de modelos superior a la esperada, una visibilidad de beneficios más rápida, ingresos adicionales de toma de comisión no vinculados a inferencia y una mayor capacidad de comercialización podrían cambiar positivamente las perspectivas.

Aspectos que vigilar

• El ritmo de expansión del ARR, consumo de token, uso de Coding Plan y precios de API.
• El avance de la adopción empresarial y la expansión desde Coding hacia flujos de trabajo de Agent, Co-work y Autonomous AI.
• La mejora del margen bruto de plataforma abierta por precios, eficiencia de inferencia y apalancamiento operativo.
• Lanzamientos de modelos, preentrenamiento de próxima generación, ventanas de contexto más largas, capacidades multimodales y avance hacia Fully Self Training.
• Expansión de capacidad de cómputo, reducción del coste de inferencia, gasto en I+D y necesidades de financiación.