China AI value chain：中国AIの利益プールは大幅に拡大し、2030Eまでに下流のモデル・アプリケーションが利益成長の主因となる見通し

概要

JPMorganは中国AIのカバレッジを拡大し、建設的な見方を示した。AIの知能消費の急成長がハードウェア、クラウド、下流のモデル・アプリケーション全体の利益プールを拡大する一方、2028E以降は利益構成が大きく下流へ移るというのが中核論点である。

主要見解

JPMorganは、フロンティアモデルがより難しいタスクを経済的に実行可能にし、推論コスト低下が導入を広げ、長い推論・豊富なコンテキスト・多段階エージェントがワークフロー当たりの消費を増やすことで、中国の推論token消費量は2026Eから2030Eに約60倍になると予想する。2030Eのtoken需要の約69%は企業、残り31%は消費者によるものと見込む。2030年の世界AI最終顧客支出はUS$1.4tn超で、中国は約4分の1を占め、中国のB2B機会は約US$250bn、消費者需要は約US$100bnと推定する。 報告書は中国AIをハードウェア、クラウド、モデル・アプリケーションという3つの連関した経済層に分ける。2026E-30Eの中国クラウド投資US$777.6bnを起点に、ハードウェアは容量購入時、クラウドは導入済みコホートを5年間、下流はクラウドが供給する推論容量を通じて収益化する。同一投資ドルに対する重複した収益請求であり、最終顧客支出として合算すべきではない。層横断で加算できる指標は営業利益であり、この手法は下流収益を利用可能な推論容量で制約する。 ハードウェアは最初に支払われるため、初期サイクルの利益を主導する。ハードウェア収益は2026EのUS$100.0bnから2030EのUS$184.8bnへ、営業利益はUS$30.0bnからUS$73.9bnへ増え、利益率は30%から40%へ上昇すると予想する。ハードウェアは2026E-30E累計営業利益US$543.8bnの約US$286bn、53%を得る。後の下流シフトは現時点の上流価値が不適切という意味ではなく、調達時点での利益認識を反映する。 クラウドは投資コホートの稼働と利用率上昇により複利的に成長する見通しである。クラウド収益は2026EのUS$20.0bnから2030EのUS$249.1bnへ12.5倍、営業利益はUS$2.4bnからUS$37.4bnへ増える。モデルは収益年1、2、3-5年の利用率をそれぞれ60%、70%、80%、フル稼働時の年次収益利回りを2026Eのcapex 0.50xから2030Eの0.585xと仮定する。持続可能なクラウド収益性は重要な制約であり、利回りが弱ければ投資鈍化、利用率・価格の改善、または経済価値のインフラ所有者への回帰が必要になる。 モデル・アプリケーションは最速の成長層で、収益は2026EのUS$15.7bnから2030EのUS$423.4bnへ26.9倍になる見通しである。推論支出から下流収益を導き、サービス経済性の改善により粗利率が30%から50%へ上昇すると仮定する。2026Eは訓練・モデルR&DがUS$9.0bnで下流粗利US$4.7bnを上回るため、2026Eと2027Eは赤字である。粗利率が約40%となり、訓練が下流収益の約25%へ低下する2028EにUS$6.2bnで黒字化する。2030EにはUS$423.4bnの下流収益がUS$132.0bnの営業利益を生むと予想する。 中国AIの総営業利益は2026EのUS$26.5bnから2030EのUS$243.3bnへ増える。ハードウェアの利益シェアは93%から30%へ低下し、モデル・アプリケーションは赤字から業界年間営業利益の約54%へ移る。モデル・アプリケーションは5年間累計利益の32%だが、約US$217bnの年間業界利益増分の64%を寄与し、ハードウェアとクラウドはそれぞれ約20%、16%を寄与する。累計下流利益の約77%は2030Eに到来するため、資金調達力、現金消費、課金導入、訓練強度、粗利率への感応度が重要である。 現状の時価総額構成は明白なミスプライシングではないとする。モデル・アプリケーションは推定中国AI帰属上場時価総額の約14%で、2026Eバリューチェーン収益の約12%と概ね整合する。市場が、2030Eに下流収益シェア49%、利益シェア約54%へ移る見通しを、報告利益の転換前に織り込むかが焦点である。今後12-24か月は、クラウド利用率、継続的API・サブスクリプション収益、有料アプリ利用者、推論・提供コスト後の粗利、現金創出を確認する必要がある。 JPMorganは「Opportunity × Scarcity × Value Capture」で企業を評価する。Opportunityはワークロード周辺の経済プール、Scarcityは代替困難な能力、Value Captureは収益化が粗利・キャッシュフロー・リターンへ転換するかを測る。希少性は生の容量やフロンティアモデル能力から、提供効率、専有コンテキスト、権限、ワークフロー所有権、取引執行へ移るとみる。一般モデルの改善はアプリ機能を複製しやすくするため、エージェントが仕事を完了するのに依然必要な資産が持続的価値を決める。 AlibabaはT-Head、クラウド、モデル事業によりチップ、容量、顧客需要を結ぶ選好の統合インフラ銘柄である。JPMorganの増分容量再構築は、より高い収益利回りと速い利用率を前提に、標準化業界コホートの10%に対し約26.6%の税後プロジェクトIRRを示す。Tencentは分配、専有コンテキスト、取引執行がモデルコスト低下時にも価値を保ち得る選好アプリ銘柄であり、これらのAIアプリ資産はグループ評価において概ね未織込みとみる。Zhipuは相対能力の持続、課金API、価格、継続率、モデル開発を賄う粗利が前提となる選好の差別化知能銘柄である。 3つの選好銘柄以外では、SenseTime、Phancy、XunceをOverweightで新規カバレッジした。SenseTimeとPhancyはインフラ最適化・導入需要、XunceはToken/TokenOSと再利用可能モジュールによる企業導入の製品化を捉える位置付けである。Kingsoft Officeは分配とワークフロー所有権によりOverweightを想定する。MiniMax、JST、Meitu、Kingdee、Manycoreは、収益化、評価、成長期待または機能防御性の追加証拠が必要なためNeutralである。Yonyouは企業資産が連結成長、収益性、現金創出に十分転換していないためUnderweightである。

分析フレームワーク

JPMorganは、クラウド投資からハードウェア調達、クラウド利用率、推論容量に支えられた下流収益へとつなぐボトムアップのバリューチェーンモデルを構築する。その後、Opportunity、Scarcity、Value Captureで各社を評価し、利用率、有料利用、価格、継続収益、粗利、維持率、キャッシュ転換、リターンを通じて戦略的位置付けが財務価値になるかを検証する。

手法メモ

• 業界・産業分析フレームワーク需給フレームワーク

  ハードウェア、クラウド、モデル・アプリケーションを結ぶ3層AIバリューチェーンモデル。

  報告書は容量投資を物理的ハードウェア、継続的クラウド収益、下流の推論消費へ追跡し、層別の需要、収益、利益を推定する。

• 競争戦略フレームワーク経済的モート・競争優位

  Opportunity × Scarcity × Value Captureフレームワーク。

  各社の対応可能なワークロードの経済プール、代替困難な要素、その優位性が収益化、粗利、キャッシュフロー、リターンに転換するかを問う。

• 企業ファンダメンタルズ・財務フレームワークフリーキャッシュフロー分析

  収益から粗利、営業レバレッジ、CFO/FCF、増分資本リターンへ至る財務転換。

  AIコスト控除後の粗利を生み、最終的にキャッシュへ転換しない限り、利用量や収益だけでは十分な証拠にならないとする。

• バリュエーション手法PER・PEG評価

  複数のカバー企業の目標株価にフォワードP/E倍率を使用。

  株式サマリー表ではAlibaba、Tencent、Zhipu、Xunce、Kingsoft Office、MiniMax、JST、Kingdee、Yonyouの予想利益に記載のフォワードP/E倍率を適用する。

• バリュエーション手法EV/EBITDA評価

  SenseTimeとPhancyの目標株価にフォワードEV/EBITDA倍率を使用。

  インフラ・導入企業2社に15x 2028E EV/EBITDAを適用する。

資産マッピングと比較

投資テーゼから固有資産への構造化マッピング（強み、弱み、同業、リスク）。

• Alibaba (9988.HK)

  選好する統合ハードウェア、クラウド、モデルのエクスポージャー。

  強み

  T-Headシリコン、クラウド容量、モデル事業がモデル・インフラ協調設計を可能にする。

  弱み

  投資が高水準で続く場合、キャッシュ転換はプロジェクトリターンに遅れる可能性がある。

  比較

  増分税後プロジェクトIRRは約26.6%、標準化コホートは10%。

  リスク

  競争的クラウド価格、単位経済性を改善しない内部シリコン、現金回収の遅延。

• Tencent (700.HK)

  選好するAIアプリケーションのエクスポージャー。

  強み

  消費者・商業活動における分配、専有コンテキスト、取引執行。

  弱み

  AIエンゲージメントは広告、加盟店、取引収益へ転換する必要がある。

  比較

  JPMorganはアプリ資産がグループ評価に概ね未織込みとみる。

  リスク

  推論・開発コストが増分粗利を吸収する可能性、開示不足による市場認識の遅れ。

• Zhipu (2513.HK)

  選好する差別化知能のエクスポージャー。

  強み

  相対的モデル能力、課金APIの可能性、提供最適化、専有harness。

  弱み

  経済性は能力優位の持続とモデル開発を賄う粗利に依存する。

  比較

  選好するモデル銘柄で、Overweight。

  リスク

  モデル能力の収斂、オープンウェイトの価格競争、課金利用を上回る訓練費用。

• SenseTime (20.HK)

  カバー対象のインフラ、導入、マルチモーダルのエクスポージャー。

  強み

  SenseCoreが容量と本番AIワークロードを結ぶ。

  弱み

  外部導入とスケーラブルな収益化が主要な検証点。

  比較

  Overweightで新規カバレッジ。

  リスク

  利用率、外部導入、利益率進展、リターンが期待通り拡大しない可能性。

• Phancy (6682.HK)

  カバー対象の計算最適化・導入エクスポージャー。

  強み

  異種スケジューリング、適応、導入が分断されたチップ環境の複雑さに対応する。

  弱み

  能力を再利用可能なソフトウェア経済へ変える必要がある。

  比較

  Overweightで新規カバレッジ。

  リスク

  製品化、粗利改善、導入再利用が期待を下回る可能性。

• Xunce (3317.HK)

  カバー対象の企業導入エクスポージャー。

  強み

  企業コンテキスト、ガバナンス、本番統合、Token/TokenOS、再利用可能モジュール。

  弱み

  導入集約型の作業をスケーラブルな継続ソフトウェアへ移す必要がある。

  比較

  Overweightで新規カバレッジ。

  リスク

  導入期間、従業員当たり収益、モジュール再利用、現金回収が改善しない可能性。

• Kingsoft Office

  カバー対象の生産性アプリケーションのエクスポージャー。

  強み

  分配、文書コンテキスト、ワークフロー所有権。

  弱み

  AI有料転換と増分粗利の実現には検証が必要。

  比較

  Overweightを想定。

  リスク

  AI収益化が提供コストを相殺せず、期待されるワークフロー拡大を生まない可能性。

• MiniMax (100.HK)

  カバー対象の基盤モデルのエクスポージャー。

  強み

  強い利用量成長とマルチモーダル・エージェントの位置付け。

  弱み

  持続的能力、価格設定、粗利転換は未実証。

  比較

  Zhipuが選好であるのに対しNeutral。

  リスク

  米国スタジオとの訴訟、競争激化、継続的R&D負担、商業化の不確実性、インフラ依存。

• JST (6687.HK)

  カバー対象の商取引ワークフローアプリのエクスポージャー。

  強み

  ライブ注文、在庫、加盟店ルール、執行資産。

  弱み

  低調なEコマース環境、成長期待、バリュエーションがワークフローの強みを相殺する。

  比較

  Neutralを想定。

  リスク

  AIワークフロー拡大がサイクルと評価の制約を克服しない可能性。

• Meitu (1357.HK)

  カバー対象のビジュアル制作アプリのエクスポージャー。

  強み

  画像、動画、デザイン、マーケティング、Eコマース制作ワークロードへのエクスポージャー。

  弱み

  個別機能は一般モデルにより複製されやすくなっている。

  比較

  Neutralで新規カバレッジ。

  リスク

  増分成長と収益化には不確実性が残る。

• Kingdee (268.HK)

  カバー対象の企業アプリケーションのエクスポージャー。

  強み

  企業記録、権限、システム・オブ・レコードの位置付け。

  弱み

  AI主導の収益加速と粗利転換は未実証。

  比較

  Neutralを想定。

  リスク

  AIアタッチ、ACV、NRR、利用量がより明確な成長を生まない可能性。

• Manycore (68.HK)

  カバー対象のデザイン・空間知能アプリのエクスポージャー。

  強み

  プロ向けデザインワークフローと専有3D/空間コンテキスト。

  弱み

  商業化は初期段階。

  比較

  Neutralを想定。

  リスク

  中核成長、企業NRR、新規AI収益には追加証拠が必要。

• Yonyou (600588.SH)

  カバー対象の企業アプリケーションのエクスポージャー。

  強み

  企業状態、権限、複雑なワークフローは戦略的価値を維持する。

  弱み

  連結成長、収益性、現金創出がAIストーリーに遅れている。

  比較

  Underweightを想定。

  リスク

  AI製品・契約活動が財務的価値獲得へ転換しない可能性。

主要データ

• 中国AI token消費量c.60x growth from 2026E to 2030E企業需要は2030E消費量の約69%と予想される。
• 世界AI最終顧客支出>US$1.4tn in 2030E中国は需要の約4分の1を占めると推定される。
• 中国AIクラウド投資US$777.6bn over 2026E-30E年間投資は2026EのUS$100.0bnから2030EのUS$184.8bnへ増加する。
• 中国AI営業利益US$26.5bn in 2026E to US$243.3bn in 2030E2026E-30Eの累計営業利益はUS$543.8bn。
• 下流収益US$15.7bn in 2026E to US$423.4bn in 2030E26.9倍の成長で、粗利率は30%から50%へ上昇する。
• 下流営業利益US$(5.9)bn in 2026E to US$132.0bn in 2030E2028EにUS$6.2bnで黒字化する。
• 下流の寄与32% of cumulative profit and 64% of annual-profit growthモデル・アプリケーションは2030E業界営業利益の約54%を占める見通し。
• Alibaba増分プロジェクトIRRc.26.6% after taxJPMorganの標準化業界コホートの10%に対する値。

影響と示唆

JPMorganは全AI層の成長を見込む一方、ハードウェアのより明確な短期利益と、クラウド・下流企業のより大きな中長期利益軌道を区別する。銘柄選択では、持続的希少性、有料導入と粗利転換の証拠、2028E以前の利益拡大局面を越える資金調達力、バリュエーションを重視する。

リスク

• 中国の知能消費成長がJPMorgan予想より遅くなる可能性。
• 容量拡大、モデル能力の収斂、アプリ機能の複製容易化により、企業固有の希少性が低下する可能性。
• モデル、推論、訓練、導入、サポート費用控除後に、AI導入が粗利とキャッシュフローへ転換しない可能性。
• クラウド収益利回りまたは利用率が、経済的に魅力的な容量投資を支えるには不十分となる可能性。
• 下流企業は2028E以前の利益拡大局面を通過するため外部資金を必要とする可能性。
• モデル化された下流利益の大半が2030Eに集中するため、終端年の結果は有料導入、粗利率、訓練強度に敏感である。

注目点

• token消費量の成長、特に企業導入とエージェントのワークロード強度。
• クラウド利用率、収益利回り、提供効率、増分容量のリターン。
• 能力発表ではなく、課金API、サブスクリプション、利用、取引収益。
• 推論・提供コスト後の粗利率、営業レバレッジ、キャッシュ転換。
• エージェントがユーザーインターフェースとなる中で、アプリが専有コンテキスト、権限、ワークフロー所有権、取引執行を維持できるか。
• AlibabaのクラウドEBITA・フリーキャッシュフロー、Tencentの増分商業利益、Zhipuの課金API成長、Xunceのモジュール再利用・導入効率を含む企業別指標。