China AI value chain: J.P. Morgan espera una fuerte expansión de las ganancias de AI en China y un traslado gradual del valor desde hardware hacia cloud y la monetización downstream

Visión general

Este informe de inicio de cobertura sobre la cadena de valor de AI en China modela cómo el mayor consumo de inteligencia se convierte en ingresos y beneficio operativo para hardware, cloud y modelos más aplicaciones. J.P. Morgan tiene una visión constructiva: hardware captura la economía inicial de la construcción de capacidad, mientras cloud y los negocios downstream deben aumentar su contribución al crecimiento de beneficios conforme mejoren la utilización, el uso de pago y los márgenes brutos.

Perspectivas principales

J.P. Morgan espera que mejores capacidades de modelos, menores costes de inferencia, razonamiento más largo, contexto más rico y agentes de múltiples pasos impulsen un crecimiento aproximado de 60x del consumo de token de inferencia de AI en China entre 2026E y 2030E. Las empresas representarían aproximadamente 69% del consumo de token en 2030E, respaldadas por flujos de trabajo recurrentes como programación, investigación, atención al cliente y operaciones; los consumidores aportarían el 31% restante mediante creación, productividad y servicios personalizados. El informe estima un gasto global final de clientes de AI de >US$1.4tn en 2030, del que China representaría aproximadamente una cuarta parte, y sitúa la oportunidad más allá de presupuestos tradicionales de software, hacia la economía de trabajo, servicios y flujos de trabajo. El informe separa la cadena en hardware, cloud y modelos más aplicaciones, y subraya que los ingresos de las capas se solapan y no deben sumarse como gasto final del cliente. Su modelo bottom-up sigue un dólar de inversión cloud a través de tres ciclos de reconocimiento de ingresos: hardware lo obtiene al comprar capacidad, cloud gana ingresos recurrentes durante los cinco años de vida útil del activo, y las empresas downstream monetizan la inteligencia y los flujos de trabajo soportados por la base instalada. La inversión AI de hiperescaladores chinos se modela en US$777.6bn acumulados en 2026E-30E, desde US$100.0bn en 2026E hasta US$184.8bn en 2029E y 2030E. Por tanto, los ingresos de hardware equivalen a la inversión cloud anual y alcanzan el mismo total acumulado de US$777.6bn; el margen operativo de hardware sube de 30% a 40% durante el período. Hardware gana primero porque los proveedores cobran cuando se adquiere la capacidad. Se proyecta que genere US$286.1bn, aproximadamente 53% del pool acumulado de beneficio operativo de US$543.8bn para 2026E-30E. Su beneficio operativo aumenta de US$30.0bn en 2026E a US$73.9bn en 2030E, pero su participación en el beneficio anual sectorial cae de 93% a 30% conforme aumentan cloud y la monetización downstream. J.P. Morgan no considera que la concentración actual upstream sea por sí misma una valoración errónea: refleja que hardware reconoce economía significativa durante la fase de construcción de capacidad. El crecimiento continuado de cargas de entrenamiento, inferencia y agentes sigue sosteniendo un gran pool absoluto de beneficios de hardware, aun cuando el valor incremental se desplace hacia otras capas. Cloud es el puente de monetización recurrente entre la capacidad instalada y el consumo downstream de inteligencia. El modelo asume que cada cohorte de capex genera ingresos cloud durante cinco años desde el año posterior a la adquisición, con utilización que aumenta de 60% en el primer año de ingresos a 80% entre los años tres y cinco. El rendimiento de ingresos a plena utilización mejora desde 0.50x del capex anual en 2026E en 4% anual, hasta 0.585x en 2030E. Como operan varias cohortes de inversión simultáneamente, los ingresos cloud crecen de US$20.0bn en 2026E a US$249.1bn en 2030E, o 12.5x. El margen EBITA de cloud se asume en 12% en 2026E y 15% después, llevando el beneficio operativo de US$2.4bn a US$37.4bn. Los retornos cloud siguen siendo una restricción clave: un rendimiento, utilización o eficiencia de serving débiles podrían limitar futuras inversiones de capacidad; retornos atractivos permitirían más inversión y un mayor pool downstream. Modelos más aplicaciones es la principal fuente de crecimiento de beneficios a medio plazo según el informe, pero también la capa más tardía y sensible. La mezcla de ingresos cloud pasa de 45% de entrenamiento y modelo R&D / 55% de inferencia en 2026E a 15% / 85% en 2030E. Como el gasto de inferencia es coste de bienes vendidos downstream, los ingresos downstream están limitados por la capacidad que cloud puede servir físicamente. Con el margen bruto downstream mejorando de 30% a 50%, los ingresos pasan de US$15.7bn en 2026E a US$423.4bn en 2030E, o 26.9x. El entrenamiento y modelo R&D absorben US$9.0bn en 2026E frente a una base de beneficio bruto downstream de solo US$4.7bn, produciendo una pérdida operativa de US$5.9bn. La capa se volvería rentable en 2028E, con US$6.2bn de beneficio operativo y aproximadamente 40% de margen bruto, antes de alcanzar US$132.0bn de beneficio operativo en 2030E sobre US$423.4bn de ingresos y un margen bruto de 50%. La mezcla de beneficios cambia materialmente. El beneficio operativo anual total aumenta de US$26.5bn en 2026E a US$243.3bn en 2030E; hardware crece 2.5x, cloud 15.6x y downstream pasa de pérdidas a 54% del beneficio anual sectorial. Downstream aporta aproximadamente 32% del beneficio operativo acumulado a cinco años, pero 64% del incremento de US$217bn en el beneficio operativo anual del sector entre 2026E y 2030E. Cerca de 77% del beneficio acumulado downstream modelado llega en 2030E, por lo que la capacidad de financiación, el consumo de caja y el acceso a capital son criterios importantes antes de la aceleración de beneficios. J.P. Morgan trata explícitamente la cifra de 2030E como un resultado de escenario, no como una previsión puntual precisa, porque pequeños cambios en margen bruto, intensidad de entrenamiento o ritmo de adopción de pago pueden modificar materialmente el resultado. J.P. Morgan sostiene que el valor de mercado actual refleja aproximadamente la distribución de ingresos de hoy, no el traslado de beneficios que implica su modelo. Modelos más aplicaciones representan aproximadamente 14% de su estimación de valor de mercado listado atribuible a AI en China, en línea general con aproximadamente 12% de los ingresos de la cadena en 2026E. Sin embargo, su previsión eleva la participación de ingresos downstream a aproximadamente 49% en 2030E y la participación de beneficio operativo downstream a aproximadamente 54%. Por ello, se centra en si el uso de pago, el beneficio bruto y la generación de caja evidencian que el desplazamiento posterior de beneficios será visible para el mercado. Los indicadores relevantes a corto plazo son utilización cloud, ingresos recurrentes de API y suscripción, usuarios de aplicaciones de pago, margen bruto tras costes de inferencia y entrega, apalancamiento operativo y flujo de caja. El marco de selección de valores es Opportunity × Scarcity × Value Capture. Opportunity mide el pool económico alrededor de las cargas de trabajo de una empresa; Scarcity examina qué capacidades siguen siendo difíciles de replicar o sustituir; Value Capture pregunta si esas ventajas se convierten en gasto de clientes, beneficio bruto, conversión de caja y retornos. El informe espera que la escasez migre con el tiempo desde capacidad bruta e inteligencia de modelos frontier hacia eficiencia de serving, contexto empresarial propietario, permisos, propiedad del flujo de trabajo y ejecución de transacciones. También advierte que los activos escasos no crean automáticamente valor accionarial: las empresas deben demostrar monetización y economía retenida después de pagar por cómputo, inferencia, despliegue y otras capas del stack. Alibaba, Tencent y Zhipu son las exposiciones preferidas de J.P. Morgan porque ocupan puntos distintos de la secuencia del modelo. Alibaba combina silicio T-Head, capacidad cloud y una franquicia de modelos; la reconstrucción de capacidad incremental de J.P. Morgan estima una IRR de proyecto después de impuestos de 26.6% frente a 10% para la cohorte sectorial normalizada, condicionada a mayor rendimiento de ingresos y utilización más rápida. Tencent es la exposición preferida en aplicaciones porque su distribución, contexto propietario y ejecución de transacciones pueden seguir siendo necesarios incluso si los modelos generales absorben más funcionalidad de interfaz; el informe considera que estos activos de aplicaciones AI están en gran medida no valorados. Zhipu es la exposición preferida a inteligencia diferenciada, y la prueba central es si la capacidad relativa sostiene precios API, llamadas de pago, retención y beneficio bruto suficiente para financiar el desarrollo continuo de modelos. El informe inicia SenseTime, Phancy y Xunce en Overweight y asume la cobertura de Kingsoft Office en Overweight. Inicia o asume Neutral en MiniMax, JST, Meitu, Kingdee y Manycore, por combinaciones variables de monetización incierta, sustituibilidad de funcionalidades, comercialización temprana, valoración y restricciones de crecimiento. Asume Yonyou en Underweight porque sus activos de flujos de trabajo empresariales aún no se han traducido en crecimiento consolidado, rentabilidad y generación de caja comparables. Los riesgos sectoriales incluyen un crecimiento más lento de lo esperado del consumo de inteligencia, erosión de la escasez específica de cada empresa y una conversión más débil de la adopción en beneficio bruto y flujo de caja.

Marco de análisis

J.P. Morgan parte del consumo proyectado de token y del gasto final de clientes en AI, y después construye un modelo bottom-up de la cadena a partir de la inversión cloud. Sigue la misma inversión a través de la adquisición de hardware, cohortes de ingresos cloud de cinco años e ingresos downstream limitados por capacidad de inferencia. Luego evalúa empresas con Opportunity × Scarcity × Value Capture, contrastando el posicionamiento estratégico con indicadores observables como utilización, ingresos recurrentes, adopción de pago, beneficio bruto, retención, flujo de caja y retornos incrementales.

Notas metodológicas

• Marco de análisis sectorialTransmisión entre tramos de la cadena de valor

  Modelo de cadena de valor AI de tres capas: hardware, cloud y modelos más aplicaciones.

  El informe sigue la inversión cloud a través de adquisición de hardware, monetización cloud recurrente e ingresos downstream de inteligencia para mostrar cómo se comparte la economía entre capas conectadas.

• Marco de análisis sectorialMarco de oferta y demanda

  Modelo de demanda de consumo de token y capacidad de inferencia.

  El crecimiento proyectado de cargas de trabajo AI, utilización y demanda de inferencia impulsa las estimaciones de capacidad, ingresos cloud y monetización downstream.

• Marco de estrategia competitivaFoso económico y ventaja competitiva

  Marco Opportunity × Scarcity × Value Capture.

  El marco evalúa el tamaño de la oportunidad AI de una empresa, la durabilidad de activos difíciles de replicar y si esos activos se convierten en ingresos, beneficio bruto, flujo de caja y retornos.

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

  Secuencia de conversión financiera desde ingresos hasta beneficio bruto, apalancamiento operativo, CFO/FCF y retornos incrementales.

  El informe considera insuficiente la adopción de AI en la línea superior salvo que produzca beneficio bruto tras costes de inferencia y despliegue, conversión de caja y retornos de inversión aceptables.

• Métodos de valoraciónValoración por P/E y PEG

  Precios objetivo basados en múltiplos P/E forward para varias empresas cubiertas.

  El resumen de acciones aplica múltiplos P/E forward a beneficios estimados de Alibaba, Tencent, Zhipu y varias otras empresas cubiertas.

Correspondencia y comparación de activos

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

• Alibaba (BABA / 9988.HK)

  Exposición integrada preferida en hardware, cloud y modelos más aplicaciones.

  Fortalezas

  Silicio T-Head, capacidad cloud, franquicia de modelos y potencial de codiseño modelo/infraestructura.

  Debilidades

  La conversión de caja puede retrasarse por una base de inversión creciente.

  Comparación

  J.P. Morgan estima una IRR de proyecto incremental después de impuestos de aproximadamente 26.6% frente a 10% para la cohorte sectorial normalizada.

  Riesgos

  Precios cloud competitivos, silicio interno sin mejora de economía unitaria e inversión sostenida que retrase retornos de caja.

• Tencent (700.HK)

  Exposición preferida a aplicaciones.

  Fortalezas

  Distribución, contexto propietario y ejecución de transacciones en actividad de consumidores y empresas.

  Debilidades

  La contribución de AI puede seguir siendo difícil de identificar en los resultados informados del grupo.

  Comparación

  El informe considera que los activos de aplicaciones AI de Tencent están en gran medida no valorados frente al mercado listado atribuible a AI en China más amplio.

  Riesgos

  La actividad AI puede no traducirse en ingresos publicitarios, de comerciantes o de transacciones; los costes de inferencia y desarrollo pueden absorber el beneficio bruto incremental.

• Zhipu (2513.HK)

  Exposición preferida a inteligencia diferenciada; Overweight.

  Fortalezas

  Capacidad relativa de modelos, potencial de API de pago, harnesses propietarios, optimización de serving y despliegue empresarial.

  Debilidades

  La economía depende de la persistencia de la capacidad relativa y de beneficio bruto suficiente para financiar el desarrollo continuo de modelos.

  Comparación

  El informe identifica a Zhipu como su exposición preferida a modelos chinos, mientras MiniMax permanece Neutral a la espera de pruebas más sólidas de capacidad, precios y conversión de beneficio bruto.

  Riesgos

  Convergencia de capacidad de modelos, competencia de precios de distribución open-weight y costes de entrenamiento que crezcan más rápido que el uso de pago.

• SenseTime (20.HK)

  Iniciada en Overweight como exposición a infraestructura, despliegue y multimodalidad.

  Fortalezas

  SenseCore conecta capacidad con cargas de trabajo AI de producción.

  Debilidades

  El valor a largo plazo depende de generalizar las capacidades más allá de cargas de trabajo internas.

  Comparación

  La adopción externa, utilización y progresión de márgenes son los indicadores centrales de validación.

  Riesgos

  Las mejoras técnicas pueden no escalar hacia adopción externa, ingresos reutilizables o retornos aceptables.

• Phancy (6682.HK)

  Iniciada en Overweight como exposición a optimización y despliegue de cómputo heterogéneo.

  Fortalezas

  La planificación, adaptación de modelos y despliegue abordan entornos de aceleradores fragmentados.

  Debilidades

  La productización y la conversión operativa siguen siendo pruebas clave.

  Comparación

  El informe ve potencial para desplazar la economía desde despliegue intensivo en capacidad hacia software reutilizable centrado en optimización.

  Riesgos

  Las capacidades pueden no traducirse en expansión de margen bruto, eficiencia de despliegue o reutilización por clientes.

• Xunce Technology (3317.HK)

  Iniciada en Overweight como exposición a despliegue y productización de AI empresarial.

  Fortalezas

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

  Debilidades

  La prestación intensiva en implementación debe evolucionar hacia economía de software escalable.

  Comparación

  La reutilización de módulos, tiempo de despliegue, ingresos por empleado y cobro de caja son pruebas clave.

  Riesgos

  La demanda de despliegue empresarial puede seguir siendo intensiva en trabajo en vez de generar ingresos recurrentes de software y uso.

• Kingsoft Office (688111.CH)

  Cobertura asumida en Overweight como exposición a aplicaciones de productividad.

  Fortalezas

  Gran base de usuarios, distribución, contexto documental y propiedad de flujos de trabajo.

  Debilidades

  La monetización de AI debe superar los costes de servir AI.

  Comparación

  El informe considera que el acceso a inteligencia cada vez más intercambiable puede ampliar el uso de productividad de pago y reducir el coste de serving.

  Riesgos

  La conversión de pago, el beneficio bruto incremental y una mayor penetración de flujos de trabajo pueden no desarrollarse como se espera.

• MiniMax (100.HK)

  Exposición Neutral a modelos fundacionales.

  Fortalezas

  Fuerte crecimiento de uso y posicionamiento multimodal y de agentes.

  Debilidades

  La capacidad duradera, el poder de precios y la conversión de beneficio bruto requieren más pruebas.

  Comparación

  A diferencia de Zhipu, calificada Overweight, el informe considera que la evidencia de MiniMax está más inclinada al crecimiento de uso que a una conversión financiera diferenciada.

  Riesgos

  Procedimientos judiciales con estudios de EE.UU., competencia, inversión elevada y continua en R&D, incertidumbre de comercialización y dependencia de infraestructura de cómputo y proveedores.

• Yonyou Network Technology (600588.CH)

  Cobertura asumida en Underweight como exposición a aplicaciones empresariales.

  Fortalezas

  Activos de estado empresarial, permisos y flujos de trabajo complejos.

  Debilidades

  El crecimiento consolidado, la rentabilidad y la generación de caja no han demostrado una captura de valor comparable.

  Comparación

  El informe ve una oportunidad AI considerable, pero una conversión financiera más débil que la requerida para su tesis de inversión.

  Riesgos

  La actividad de productos y contratos AI puede seguir sin traducirse en ingresos, margen y conversión de caja.

Datos clave

• Crecimiento del consumo de token de AI en Chinac.60x from 2026E to 2030EImpulsado por adopción más amplia, mayor capacidad, menores costes de inferencia y flujos de trabajo de agentes más complejos.
• Participación empresarial en el consumo de token de China en 2030Ec.69%Los consumidores representan el c.31% restante.
• Gasto global final de clientes de AI>US$1.4tn in 2030ESe estima que China representa aproximadamente una cuarta parte de la demanda.
• Inversión de hiperescaladores AI en ChinaUS$777.6bn cumulatively in 2026E-30EModelada desde US$100.0bn en 2026E hasta US$184.8bn en 2029E y 2030E.
• Beneficio operativo de la industria AI de 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$423.4bn in 2030EUn aumento de 26.9x, respaldado por un mayor pool de inferencia y expansión del margen bruto de 30% a 50%.
• Beneficio operativo downstreamUS$(5.9)bn in 2026E to US$132.0bn in 2030EEl modelo proyecta el primer beneficio operativo downstream positivo en 2028E, de US$6.2bn.
• IRR de proyecto de capacidad incremental de Alibabac.26.6% after taxFrente a 10% para la cohorte sectorial normalizada en la reconstrucción de J.P. Morgan.

Impacto e implicaciones

J.P. Morgan espera crecimiento en las tres capas, pero distingue entre la visibilidad de beneficios a corto plazo de hardware y la mayor trayectoria de beneficios a medio plazo de cloud y modelos más aplicaciones. Argumenta que el debate clave no es simplemente si aumenta la inversión en AI, sino si la capacidad obtiene retornos aceptables, si la caída de costes de inferencia amplía el beneficio bruto downstream y si las empresas individuales controlan puntos de cobro escasos y convierten el uso en flujo de caja.

Riesgos

• El consumo de inteligencia podría crecer más lentamente de lo esperado por J.P. Morgan.
• Las fuentes de escasez específicas de cada empresa podrían erosionarse conforme se expande la capacidad y las capacidades de modelos se vuelven más intercambiables.
• La adopción de AI podría convertirse débilmente en beneficio bruto y flujo de caja tras costes de inferencia, desarrollo, despliegue y soporte.
• El rendimiento de ingresos cloud, la utilización o la eficiencia de serving podrían seguir siendo inadecuados y limitar la inversión de capacidad económicamente sostenible.
• Las previsiones downstream son sensibles al margen bruto, intensidad de entrenamiento y ritmo de adopción de pago, con gran parte del beneficio modelado concentrado en 2030E.

Aspectos que vigilar

• Crecimiento de utilización cloud, eficiencia de serving, rendimiento de ingresos y márgenes de segmento cloud.
• Ingresos recurrentes de API y suscripción, usuarios de aplicaciones de pago, conversión AI de pago e ingresos ligados a uso.
• Margen bruto tras costes de inferencia y entrega, apalancamiento operativo, flujo de caja y retornos sobre capital incremental.
• Para modelos: capacidad relativa, precios, crecimiento de token y ARR, economía de endpoints oficiales y adopción de harness.
• Para middleware: reutilización de módulos, tiempo de despliegue, ingresos por empleado, replicación intersectorial y cobro de caja.
• Para aplicaciones: retención, NRR, volumen de transacciones o acciones, ARPU o ACV relacionado con AI, y si el uso generado por máquinas compensa la compresión de seats.