China AI value chain：J.P. Morganは、中国AIの利益が大きく拡大し、価値がハードウェアからクラウドと下流の収益化へ段階的に移るとみる

概要

本レポートは、中国AIバリューチェーンのカバレッジ開始レポートであり、拡大するインテリジェンス消費がハードウェア、クラウド、モデル加アプリケーションの収益と営業利益へどう転化するかをモデル化している。J.P. Morganはセクターに建設的で、ハードウェアが初期の設備投資利益を獲得する一方、稼働率、課金利用、粗利率の改善に伴い、クラウドと下流事業が利益成長に占める割合を高めると論じる。

主要見解

J.P. Morganは、モデル能力の向上、推論コストの低下、より長い推論連鎖、より豊富なコンテキスト、複数段階のエージェントにより、中国AIバリューチェーンが拡大し、推論token消費は2026Eから2030Eに約60倍になると予想する。2030Eのtoken消費の約69%は企業が占め、コーディング、リサーチ、顧客サービス、業務運営などの反復的なワークフローが支える。残る31%は、創作、生産性向上、パーソナライズドサービスを通じて消費者が担う。レポートは2030年の世界AIエンド顧客支出を>US$1.4tnと推定し、中国はその約4分の1を占めるとみる。この需要は従来のソフトウェア予算を超え、労働、サービス、ワークフローの経済圏に及ぶと位置付ける。 レポートはバリューチェーンをハードウェア、クラウド、モデル加アプリケーションに分けるが、各層の収益は重複し、エンド顧客支出として合算できないと強調する。ボトムアップモデルでは、クラウド投資の1ドルを3つの収益認識サイクルで追う。ハードウェアは容量調達時に収益を計上し、クラウドはその容量の5年間の稼働期間に反復収益を得て、下流企業は設置済み容量が提供するインテリジェンスとワークフローから収益化する。中国ハイパースケーラーのAI投資は2026E-30E累計でUS$777.6bnとモデル化され、2026EのUS$100.0bnから2029Eおよび2030EのUS$184.8bnへ増加する。従ってハードウェア収益は年次クラウド投資に等しく、累計でもUS$777.6bnとなる。ハードウェア営業利益率は期間中に30%から40%へ上昇する。 ハードウェアは、供給企業が調達時点で支払いを受けるため最初に利益を得る。2026E-30Eの累計業界営業利益US$543.8bnのうち、US$286.1bn、約53%を生み出すと予想される。ハードウェア営業利益は2026EのUS$30.0bnから2030EのUS$73.9bnに増えるが、クラウドと下流の収益化が拡大するため、年間業界利益に占める割合は93%から30%へ低下する。J.P. Morganは、現在の上流への価値集中それ自体をミスプライシングとはみない。これは容量構築段階においてハードウェアが実際に経済価値を認識することを反映している。増分価値が他層に移っても、訓練、推論、エージェントのワークロード拡大は大きな絶対額のハードウェア利益プールを支える。 クラウドは、設置済み容量と下流のインテリジェンス消費をつなぐ反復収益化の橋渡しである。モデルでは各設備投資コホートが調達翌年から5年間のクラウド収益を生み、稼働率は最初の収益年度の60%から3年目から5年目の80%へ上昇する。フル稼働時の収益利回りは2026Eの年次設備投資の0.50xから毎年4%改善し、2030Eには0.585xとなる。複数の投資コホートが同時に稼働するため、クラウド収益は2026EのUS$20.0bnから2030EのUS$249.1bnへ、12.5xに増加すると予想される。クラウドEBITA利益率は2026Eに12%、以降15%と仮定され、営業利益はUS$2.4bnからUS$37.4bnへ増える。クラウド収益率、稼働率、提供効率が弱ければ将来の容量投資は抑制され、魅力的であれば追加投資とより大きな下流プールを可能にするため、クラウド収益はシステム全体の重要な制約である。 モデル加アプリケーションは、中期的な利益成長の主因だが、最も後ずれし感応度の高い層でもある。クラウド収益に占める訓練・モデルR&D / 推論の構成比は2026Eの45% / 55%から2030Eの15% / 85%へ移る。推論支出は下流の売上原価であるため、下流収益はクラウドが物理的に提供できる容量によって制約される。下流粗利率が30%から50%に上昇する仮定の下、収益は2026EのUS$15.7bnから2030EのUS$423.4bnへ、26.9x増える。2026Eは訓練・モデルR&DがUS$9.0bnを吸収するのに対し、下流粗利はUS$4.7bnにとどまり、US$5.9bnの営業損失となる。2028Eに営業利益US$6.2bn、粗利率約40%で黒字転換し、2030Eには収益US$423.4bn、営業利益US$132.0bn、粗利率50%に達すると予想される。 この結果、利益構成は大きく変わる。総年間営業利益は2026EのUS$26.5bnから2030EのUS$243.3bnへ増加し、ハードウェアは2.5x、クラウドは15.6x成長し、下流は損失から年間業界利益の54%を占めるまでになる。下流は5年間累計営業利益の約32%を占める一方、2026Eから2030Eまでの年間業界営業利益US$217bnの増加分の64%を担う。モデル上の下流累計利益の約77%は2030Eに発生するため、利益転換までの資金調達力、キャッシュバーン、資本へのアクセスが重要な選別要因となる。J.P. Morganは、粗利率、訓練強度、課金導入ペースの小幅な変化が結果を大きく動かすため、2030Eの数値を精密な予測ではなくシナリオ結果として扱う。 J.P. Morganは、現在の市場価値はモデルが示す将来の利益移行ではなく、現時点の収益分布を概ね反映しているとみる。モデル加アプリケーションは中国AI帰属上場市場価値推計の約14%を占め、同層の2026Eバリューチェーン収益に占める約12%の比率とおおむね整合する。しかし、予測では下流の収益構成比は2030Eに約49%、営業利益構成比は約54%へ上昇する。したがって、課金利用、粗利、キャッシュ創出が、後年の利益シフトを市場に可視化する証拠となるかが焦点である。注目する短期指標は、クラウド稼働率、反復的なAPI・サブスクリプション収益、有料アプリユーザー、推論・提供コスト控除後の粗利率、営業レバレッジ、キャッシュフローである。 株式選別の枠組みはOpportunity × Scarcity × Value Captureである。Opportunityは企業のワークロード周辺の経済プールの大きさを、Scarcityは複製や代替が難しい能力を、Value Captureはそれらが顧客支出、粗利、キャッシュ転換、リターンへ結び付くかを評価する。レポートは、希少性が時間とともに生の容量や最先端モデルのインテリジェンスから、提供効率、専有的な企業コンテキスト、権限、ワークフロー所有権、取引実行へ移行するとみる。同時に、希少な資産が自動的に株主価値を生むわけではなく、企業はコンピュート、推論、導入、その他のスタック層への支払い後に、収益化と保持できる経済価値を実証する必要があると警告する。 Alibaba、Tencent、Zhipuは、モデルが描く収益・利益シーケンスの異なる位置にあるため、J.P. Morganの選好エクスポージャーである。AlibabaはT-Headシリコン、クラウド容量、モデルフランチャイズを統合し、J.P. Morganの増分容量再構築では、より高い収益利回りとより速い稼働率を前提に、税引後プロジェクトIRRは26.6%、正規化された業界コホートは10%と見積もられる。Tencentは、汎用モデルがより多くのインターフェース機能を吸収しても、分配、専有コンテキスト、取引実行が不可欠であり得るため、選好アプリケーションエクスポージャーである。レポートはこれらのAIアプリケーション資産の大部分が未織り込みとみる。Zhipuは選好する差別化インテリジェンスのエクスポージャーであり、相対的能力がAPI価格、課金呼び出し、継続率、継続的なモデル開発を賄う粗利を維持できるかが主要な検証点となる。 レポートはSenseTime、Phancy、XunceをOverweightで新規開始し、Kingsoft OfficeをOverweightでカバレッジ継承する。MiniMax、JST、Meitu、Kingdee、Manycoreは、収益化の不確実性、機能の代替可能性、商用化の初期段階、バリュエーション、成長制約の組み合わせを理由にNeutralで開始または継承する。Yonyouは、企業ワークフロー資産が相応の連結成長、収益性、キャッシュ創出へまだ転化していないためUnderweightで継承する。セクター全体のリスクは、インテリジェンス消費の予想を下回る成長、企業固有の希少性の侵食、導入から粗利・キャッシュフローへの転換の弱さである。

分析フレームワーク

J.P. Morganは、予測token消費とエンド顧客AI支出から出発し、クラウド投資を起点にボトムアップのバリューチェーンモデルを構築する。同一投資をハードウェア調達、5年間のクラウド収益コホート、推論容量に制約される下流収益へと追跡し、Opportunity × Scarcity × Value Captureを用いて企業を評価する。戦略的位置付けは、稼働率、反復収益、課金導入、粗利、継続率、キャッシュフロー、増分リターンなどの観測可能な指標で検証する。

手法メモ

• 業界・産業分析フレームワーク産業チェーンの上流・中流・下流波及

  ハードウェア、クラウド、モデル加アプリケーションを対象とする3層AIバリューチェーンモデル。

  レポートは、クラウド投資をハードウェア調達、反復的なクラウド収益化、下流のインテリジェンス収益へと追い、連結した各層で経済価値がどう分配されるかを示す。

• 業界・産業分析フレームワーク需給フレームワーク

  token消費と推論容量需要のモデル。

  AIワークロードの予測成長、稼働率、推論需要が、容量需要、クラウド収益、下流の収益化に関するレポートの推定を動かす。

• 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の枠組み。

  この枠組みは、企業のAI機会の規模、複製が難しい資産の持続性、それらが収益、粗利、キャッシュフロー、リターンへ転化するかを評価する。

• 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、増分リターンへ至る財務転換の順序。

  レポートは、AI導入が推論・導入コスト控除後の粗利、キャッシュ転換、許容可能な投資リターンを生まない限り、売上拡大だけでは十分な証拠にならないと扱う。

• バリュエーション手法PER・PEG評価

  複数のカバレッジ企業に対するフォワードP/E倍率ベースの目標価格。

  株式サマリーは、Alibaba、Tencent、Zhipuなど複数のカバレッジ企業について、予想利益にフォワードP/E倍率を適用している。

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 (BABA / 9988.HK)

  ハードウェア、クラウド、モデル加アプリケーションにまたがる選好統合型エクスポージャー。

  強み

  T-Headシリコン、クラウド容量、モデルフランチャイズ、モデルとインフラの共同設計の可能性。

  弱み

  投資基盤の拡大によりキャッシュ転換が後ずれする可能性。

  比較

  J.P. Morganは、税引後の増分プロジェクトIRRを約26.6%と推定し、正規化された業界コホートの10%と比較する。

  リスク

  競争的なクラウド価格、内部シリコンが単位経済性を改善しないこと、継続投資によるキャッシュリターンの後ずれ。

• Tencent (700.HK)

  選好アプリケーションエクスポージャー。

  強み

  消費者・商業活動における分配、専有コンテキスト、取引実行。

  弱み

  AIの寄与はグループの開示業績から依然として識別しにくい可能性。

  比較

  レポートは、より広範な中国AI帰属上場市場に対してTencentのAIアプリケーション資産の大部分は未織り込みとみる。

  リスク

  AI活動が広告、加盟店、取引収益の増加につながらないこと、推論・開発コストが増分粗利を吸収すること。

• Zhipu (2513.HK)

  選好する差別化インテリジェンスのエクスポージャー；Overweight。

  強み

  相対的モデル能力、課金APIの可能性、専有harness、提供最適化、企業導入。

  弱み

  経済性は、相対的能力の持続と継続的なモデル開発を賄う粗利に依存する。

  比較

  レポートはZhipuを中国モデルの選好エクスポージャーとし、MiniMaxは能力、価格、粗利転換のより強い証拠を待つためNeutralに据える。

  リスク

  モデル能力の収れん、オープンウェイトの価格競争、訓練コストが課金利用より速く増えること。

• SenseTime (20.HK)

  インフラ、導入、マルチモーダルのエクスポージャーとしてOverweightで新規開始。

  強み

  SenseCoreは容量と本番AIワークロードをつなぐ。

  弱み

  長期的価値は、能力を内部ワークロードの外へ一般化できるかに依存する。

  比較

  外部導入、稼働率、利益率の進展が中心的な検証指標。

  リスク

  技術改善が外部導入、再利用可能な収益、許容可能なリターンへ拡大しないこと。

• Phancy (6682.HK)

  異種コンピュート最適化・導入のエクスポージャーとしてOverweightで新規開始。

  強み

  スケジューリング、モデル適応、導入が分断されたアクセラレータ環境に対応する。

  弱み

  製品化と営業面での転換は依然として重要な検証点。

  比較

  レポートは、経済性が容量集約的な導入から、最適化主導の再利用可能なソフトウェアへ移る可能性をみる。

  リスク

  能力が粗利率拡大、導入効率、顧客間の再利用へ転化しないこと。

• Xunce Technology (3317.HK)

  企業AI導入・製品化のエクスポージャーとしてOverweightで新規開始。

  強み

  企業コンテキスト、ガバナンス、統合、Token/TokenOSのモジュール再利用。

  弱み

  導入集約的な提供を拡張可能なソフトウェア経済性へ転換する必要がある。

  比較

  モジュール再利用、導入時間、従業員当たり収益、現金回収が主要な検証項目。

  リスク

  企業導入需要が労働集約的なまま、反復的なソフトウェア・利用収益を生まないこと。

• Kingsoft Office (688111.CH)

  生産性アプリケーションのエクスポージャーとしてOverweightでカバレッジ継承。

  強み

  大規模なユーザーベース、分配、文書コンテキスト、ワークフロー所有権。

  弱み

  AI収益化はAI提供コストを上回る必要がある。

  比較

  レポートは、代替可能性が高まるインテリジェンスへのアクセスが、有料生産性利用を拡大しつつ提供コストを下げるとみる。

  リスク

  有料転換、増分粗利、より広いワークフロー浸透が期待通りに進まないこと。

• MiniMax (100.HK)

  Neutralの基盤モデルエクスポージャー。

  強み

  強い利用量成長と、マルチモーダル・エージェント型の位置付け。

  弱み

  持続的な能力、価格決定力、粗利転換には追加の立証が必要。

  比較

  OverweightのZhipuと異なり、レポートはMiniMaxの証拠が差別化された財務転換より利用量成長に偏るとみる。

  リスク

  米国スタジオとの訴訟手続き、競争、継続的なR&D投資、商用化の不確実性、コンピューティングインフラとサプライヤーへの依存。

• Yonyou Network Technology (600588.CH)

  企業アプリケーションのエクスポージャーとしてUnderweightでカバレッジ継承。

  強み

  企業状態、権限、複雑なワークフロー資産。

  弱み

  連結成長、収益性、キャッシュ創出は相応の価値獲得を示していない。

  比較

  レポートはAI機会を大きいとみるが、財務転換は投資ケースに必要な水準より弱いと判断する。

  リスク

  AI製品・契約活動が収益、利益率、キャッシュ転換に結び付かない状態が続くこと。

主要データ

• 中国AIのtoken消費成長c.60x from 2026E to 2030E幅広い導入、能力向上、推論コスト低下、より複雑なエージェント型ワークフローが牽引。
• 2030E中国token消費における企業の比率c.69%消費者は残りのc.31%を占める。
• 世界AIエンド顧客支出>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ハイパースケーラー投資US$777.6bn cumulatively in 2026E-30E2026EのUS$100.0bnから2029Eおよび2030EのUS$184.8bnへ増加するモデル。
• 中国AI業界営業利益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$423.4bn in 2030Eより大きな推論プールと粗利率30%から50%への改善により26.9x増加。
• 下流営業利益US$(5.9)bn in 2026E to US$132.0bn in 2030Eモデルでは下流は2028EにUS$6.2bnで初めて営業黒字化する。
• Alibabaの増分容量プロジェクトIRRc.26.6% after taxJ.P. Morganの再構築では正規化された業界コホートの10%に対する水準。

影響と示唆

J.P. Morganは3層すべての成長を予想する一方、ハードウェアの短期的な利益可視性と、クラウドおよびモデル加アプリケーションのより大きな中期利益軌道を区別する。重要な投資論点は単にAI支出が増えるかではなく、容量が許容可能なリターンを得るか、推論コスト低下が下流粗利を拡大するか、個別企業が希少な課金点を支配し利用をキャッシュフローへ転化できるかにあると論じる。

リスク

• インテリジェンス消費の成長がJ.P. Morganの予想より遅くなる可能性。
• 容量が拡大しモデル能力の代替可能性が高まる中で、企業固有の希少性が侵食される可能性。
• AI導入が、推論、開発、導入、サポート費用控除後の粗利とキャッシュフローへ十分に転換しない可能性。
• クラウド収益利回り、稼働率、提供効率が不十分なままとなり、経済的に持続可能な容量投資を制限する可能性。
• 下流予測は粗利率、訓練強度、課金導入のペースに敏感であり、モデル上の利益の大部分が2030Eに集中する。

注目点

• クラウド稼働率、提供効率、収益利回り、クラウド部門利益率の成長。
• 反復的なAPI・サブスクリプション収益、有料アプリ利用者、AI有料転換、利用連動収益。
• 推論・提供コスト控除後の粗利率、営業レバレッジ、キャッシュフロー、増分資本リターン。
• モデルについては、相対的能力、価格、token・ARR成長、公式エンドポイント経済性、harness導入。
• ミドルウェアについては、モジュール再利用、導入時間、従業員当たり収益、業界横断の複製、現金回収。
• アプリケーションについては、継続率、NRR、取引またはアクション量、AI関連ARPUまたはACV、機械生成利用がシート圧縮を相殺するか。