China AI value chain: 중국 AI 이익 풀은 크게 확대되고, 2030E까지 하류 모델·애플리케이션이 이익 성장의 핵심 동력이 될 전망

개요

JPMorgan은 중국 AI 커버리지를 확대하며 건설적인 견해를 제시했다. AI 지능 소비의 빠른 성장이 하드웨어, 클라우드, 하류 모델·애플리케이션 전반의 이익 풀을 확대하지만, 2028E 이후 이익 구조는 하류로 크게 이동한다는 것이 핵심이다.

핵심 견해

JPMorgan은 프런티어 모델이 더 어려운 작업을 경제적으로 가능하게 하고, 추론 비용 하락이 도입을 넓히며, 긴 추론·풍부한 컨텍스트·다단계 에이전트가 워크플로당 소비를 높여 중국 추론 token 소비가 2026E부터 2030E까지 약 60배 증가할 것으로 예상한다. 2030E token 수요 중 약 69%는 기업, 나머지 31%는 소비자가 차지할 것으로 본다. 글로벌 AI 최종 고객 지출은 2030년에 US$1.4tn을 넘고 중국은 약 4분의 1을 차지하며, 중국 B2B 기회는 약US$250bn, 소비자 수요는 약US$100bn으로 추정한다. 보고서는 중국 AI를 하드웨어, 클라우드, 모델·애플리케이션의 세 연계 경제 계층으로 구분한다. 2026E-30E 중국 클라우드 투자 US$777.6bn을 출발점으로, 하드웨어는 용량 구매 시점에, 클라우드는 설치된 코호트를 5년간, 하류는 클라우드가 제공한 추론 용량을 통해 수익화한다. 이는 같은 투자 달러에 대한 중복 매출 청구이며 최종 고객 지출로 합산하면 안 된다. 계층 간 합산 가능한 지표는 영업이익이며, 이 방식은 하류 매출을 실제 이용 가능한 추론 용량으로 제한한다. 하드웨어는 가장 먼저 대금을 받기 때문에 초기 사이클 이익을 주도한다. 하드웨어 매출은 2026E US$100.0bn에서 2030E US$184.8bn으로, 영업이익은 US$30.0bn에서 US$73.9bn으로 증가하고 마진은 30%에서 40%로 상승할 전망이다. 하드웨어는 2026E-30E 누적 영업이익 풀 US$543.8bn 중 약US$286bn, 53%를 얻는다. 후속 하류 이동은 현재 상류 가치가 부적절하다는 뜻이 아니라 조달 시점의 이익 인식을 반영한다. 클라우드는 투자 코호트가 가동되고 이용률이 상승하면서 복리 성장할 전망이다. 클라우드 매출은 2026E US$20.0bn에서 2030E US$249.1bn으로 12.5배, 영업이익은 US$2.4bn에서 US$37.4bn으로 증가한다. 모델은 매출 연도 1, 2, 3-5년 이용률을 각각 60%, 70%, 80%로, 완전 가동 시 연간 매출 수익률을 2026E capex 0.50x에서 2030E 0.585x로 가정한다. 지속 가능한 클라우드 수익성은 핵심 제약이며, 수익률이 약하면 투자 둔화, 이용률·가격 개선 또는 경제성의 인프라 소유자 귀속이 필요하다. 모델·애플리케이션은 가장 빠른 성장 계층으로, 매출은 2026E US$15.7bn에서 2030E US$423.4bn으로 26.9배 증가할 전망이다. 추론 지출에서 하류 매출을 도출하고 서비스 경제성 개선으로 총마진이 30%에서 50%로 상승한다고 가정한다. 2026E에는 훈련·모델 R&D가 US$9.0bn으로 하류 총이익 US$4.7bn을 넘기 때문에 2026E와 2027E는 적자다. 총마진이 약40%가 되고 훈련이 하류 매출의 약25%로 낮아지는 2028E에 US$6.2bn으로 흑자 전환한다. 2030E에는 하류 매출 US$423.4bn이 영업이익 US$132.0bn을 창출할 것으로 본다. 중국 AI 총영업이익은 2026E US$26.5bn에서 2030E US$243.3bn으로 증가한다. 하드웨어 이익 비중은 93%에서 30%로 낮아지고, 모델·애플리케이션은 적자에서 업계 연간 영업이익의 약54%로 이동한다. 모델·애플리케이션은 5년 누적 이익의 32%지만 약US$217bn의 연간 업계 이익 증가분 중 64%를 기여하며, 하드웨어와 클라우드는 각각 약20%, 16%를 기여한다. 누적 하류 이익의 약77%가 2030E에 도래하므로 자금조달 능력, 현금 소진, 유료 도입, 훈련 강도, 총마진 민감도가 중요하다. 현재 시가총액 구조는 명백한 오가격이 아니라고 본다. 모델·애플리케이션은 추정 중국 AI 귀속 상장 시가총액의 약14%로, 2026E 가치사슬 매출의 약12%와 대체로 일치한다. 시장이 2030E 하류 매출 비중 49%, 이익 비중 약54%로의 이동을 보고 이익 전환 전에 반영할지가 핵심이다. 향후12-24개월에는 클라우드 이용률, 반복 API·구독 매출, 유료 애플리케이션 사용자, 추론·제공 비용 후 총이익, 현금 창출을 확인해야 한다. JPMorgan은 Opportunity × Scarcity × Value Capture 프레임워크로 기업을 평가한다. Opportunity는 워크로드 주변 경제 풀, Scarcity는 대체하기 어려운 역량, Value Capture는 수익화가 총이익·현금흐름·수익률로 전환되는지를 측정한다. 희소성은 원시 용량과 프런티어 모델 능력에서 서빙 효율, 독점 컨텍스트, 권한, 워크플로 소유권, 거래 실행으로 이동할 것으로 본다. 일반 모델 개선은 애플리케이션 기능을 더 쉽게 복제하게 하므로 에이전트가 작업을 완료하는 데 여전히 필요한 자산이 지속 가능한 가치를 결정한다. Alibaba는 T-Head, 클라우드, 모델 사업으로 칩·용량·고객 수요를 연결하는 선호 통합 인프라 익스포저다. JPMorgan의 증분 용량 재구성은 더 높은 매출 수익률과 빠른 이용률을 전제로 표준화 업계 코호트 10% 대비 약26.6% 세후 프로젝트 IRR을 제시한다. Tencent는 배포, 독점 컨텍스트, 거래 실행이 모델 비용 하락 시에도 가치를 유지할 수 있는 선호 애플리케이션 익스포저이며, AI 애플리케이션 자산은 그룹 밸류에이션에 대체로 미반영됐다고 본다. Zhipu는 상대적 역량 지속, 유료 API, 가격, 유지율, 모델 개발을 충당할 총이익을 전제로 하는 선호 차별화 지능 익스포저다. 세 선호 종목 외에 SenseTime, Phancy, Xunce를 Overweight로 신규 커버리지했다. SenseTime과 Phancy는 인프라 최적화·배포 수요를, Xunce는 Token/TokenOS와 재사용 모듈을 통한 엔터프라이즈 배포 제품화를 포착한다. Kingsoft Office는 배포와 워크플로 소유권에 따라 Overweight를 가정한다. MiniMax, JST, Meitu, Kingdee, Manycore는 수익화, 밸류에이션, 성장 기대 또는 기능 방어성에 추가 증거가 필요해 Neutral이다. Yonyou는 기업 자산이 유의미한 연결 성장, 수익성, 현금 창출로 전환되지 않아 Underweight다.

분석 프레임워크

JPMorgan은 클라우드 투자에서 하드웨어 조달, 클라우드 이용률, 추론 용량이 뒷받침하는 하류 매출로 이어지는 보텀업 가치사슬 모델을 구축한다. 이후 Opportunity, Scarcity, Value Capture로 각 기업을 평가하고 이용률, 유료 사용, 가격, 반복 매출, 총이익, 유지율, 현금 전환, 수익률로 전략적 위치가 재무가치가 되는지 검증한다.

방법론 메모

• 산업 분석 프레임워크수급 프레임워크

  하드웨어, 클라우드, 모델·애플리케이션을 연결하는 3계층 AI 가치사슬 모델.

  보고서는 용량 투자를 물리적 하드웨어, 반복 클라우드 매출, 하류 추론 소비로 추적해 계층별 수요·매출·이익을 추정한다.

• 경쟁 전략 프레임워크경제적 해자 및 경쟁우위

  Opportunity × Scarcity × Value Capture 프레임워크.

  기업 워크로드의 경제 풀 규모, 대체하기 어려운 요소, 그 우위가 수익화·총이익·현금흐름·수익률로 전환되는지를 묻는다.

• 기업 펀더멘털 및 재무 프레임워크잉여현금흐름 분석

  매출에서 총이익, 영업 레버리지, CFO/FCF, 증분 자본수익률로 이어지는 재무 전환.

  AI 비용 후 총이익을 만들고 궁극적으로 현금으로 전환하지 못하면 사용량이나 매출만으로는 충분한 증거가 아니라고 본다.

• 가치평가 방법론PER·PEG 가치평가

  여러 커버 기업의 목표가에 선행 P/E 배수를 사용.

  주식 요약표는 Alibaba, Tencent, Zhipu, Xunce, Kingsoft Office, MiniMax, JST, Kingdee, Yonyou의 예상 이익에 제시된 선행 P/E 배수를 적용한다.

• 가치평가 방법론EV/EBITDA 가치평가

  SenseTime과 Phancy의 목표가에 선행 EV/EBITDA 배수를 사용.

  두 인프라·배포 기업에 15x 2028E EV/EBITDA를 적용한다.

자산 매핑 및 비교

투자 논리에서 명시된 자산으로의 구조화 매핑(강점, 약점, 비교 대상, 위험).

• Alibaba (9988.HK)

  선호하는 통합 하드웨어·클라우드·모델 익스포저.

  강점

  T-Head 실리콘, 클라우드 용량, 모델 사업이 모델·인프라 공동 설계를 가능하게 한다.

  약점

  투자가 높은 수준으로 지속되면 현금 전환이 프로젝트 수익률보다 늦어질 수 있다.

  비교

  증분 세후 프로젝트 IRR은 약26.6%, 표준화 코호트는10%.

  위험

  경쟁적 클라우드 가격, 단위 경제성을 개선하지 못하는 내부 실리콘, 현금 회수 지연.

• Tencent (700.HK)

  선호하는 AI 애플리케이션 익스포저.

  강점

  소비자·상업 활동에서의 배포, 독점 컨텍스트, 거래 실행.

  약점

  AI 참여도는 광고, 가맹점 또는 거래 매출로 전환돼야 한다.

  비교

  JPMorgan은 애플리케이션 자산이 그룹 밸류에이션에 대체로 미반영됐다고 본다.

  위험

  추론·개발 비용이 증분 총이익을 흡수할 수 있고, 공시 부족은 시장 인식을 지연시킬 수 있다.

• Zhipu (2513.HK)

  선호하는 차별화 지능 익스포저.

  강점

  상대적 모델 능력, 유료 API 잠재력, 서빙 최적화, 독점 harness.

  약점

  경제성은 능력 우위 지속과 모델 개발을 충당할 총이익에 달려 있다.

  비교

  선호 모델 종목이며 Overweight.

  위험

  모델 능력 수렴, 오픈웨이트 가격 경쟁, 유료 사용보다 빠른 훈련 비용 증가.

• SenseTime (20.HK)

  커버 대상 인프라·배포·멀티모달 익스포저.

  강점

  SenseCore가 용량과 프로덕션 AI 워크로드를 연결한다.

  약점

  외부 도입과 확장 가능한 수익화가 핵심 검증 항목이다.

  비교

  Overweight로 신규 커버리지.

  위험

  이용률, 외부 도입, 마진 진전, 수익률이 예상대로 확대되지 않을 수 있다.

• Phancy (6682.HK)

  커버 대상 연산 최적화·배포 익스포저.

  강점

  이기종 스케줄링, 적응, 배포가 분절된 칩 환경의 복잡성을 해결한다.

  약점

  역량을 재사용 가능한 소프트웨어 경제로 전환해야 한다.

  비교

  Overweight로 신규 커버리지.

  위험

  제품화, 총마진 개선, 배포 재사용이 기대에 못 미칠 수 있다.

• Xunce (3317.HK)

  커버 대상 엔터프라이즈 배포 익스포저.

  강점

  엔터프라이즈 컨텍스트, 거버넌스, 프로덕션 통합, Token/TokenOS, 재사용 모듈.

  약점

  구현 집약적 작업을 확장 가능한 반복 소프트웨어로 전환해야 한다.

  비교

  Overweight로 신규 커버리지.

  위험

  배포 시간, 직원당 매출, 모듈 재사용, 현금 회수가 개선되지 않을 수 있다.

• Kingsoft Office

  커버 대상 생산성 애플리케이션 익스포저.

  강점

  배포, 문서 컨텍스트, 워크플로 소유권.

  약점

  AI 유료 전환과 증분 총이익 실현은 검증이 필요하다.

  비교

  Overweight를 가정.

  위험

  AI 수익화가 서빙 비용을 상쇄하지 못하거나 기대한 워크플로 확장을 만들지 못할 수 있다.

• MiniMax (100.HK)

  커버 대상 파운데이션 모델 익스포저.

  강점

  강한 사용량 성장과 멀티모달·에이전트 포지셔닝.

  약점

  지속적 능력, 가격, 총이익 전환은 미입증이다.

  비교

  Zhipu가 선호인 반면 Neutral.

  위험

  미국 스튜디오와의 소송, 경쟁 심화, 지속적 R&D 부담, 상업화 불확실성, 인프라 의존.

• JST (6687.HK)

  커버 대상 커머스 워크플로 애플리케이션 익스포저.

  강점

  실시간 주문, 재고, 가맹점 규칙, 실행 자산.

  약점

  부진한 전자상거래 환경, 성장 기대, 밸류에이션이 워크플로 장점을 상쇄한다.

  비교

  Neutral을 가정.

  위험

  AI 워크플로 확대가 사이클과 밸류에이션 제약을 극복하지 못할 수 있다.

• Meitu (1357.HK)

  커버 대상 시각 제작 애플리케이션 익스포저.

  강점

  이미지, 영상, 디자인, 마케팅, 전자상거래 제작 워크로드에 노출된다.

  약점

  개별 기능은 일반 모델로 더 쉽게 복제되고 있다.

  비교

  Neutral로 신규 커버리지.

  위험

  증분 성장과 수익화에는 불확실성이 남는다.

• Kingdee (268.HK)

  커버 대상 엔터프라이즈 애플리케이션 익스포저.

  강점

  엔터프라이즈 기록, 권한, system-of-record 지위.

  약점

  AI 주도 매출 가속과 총이익 전환은 미입증이다.

  비교

  Neutral을 가정.

  위험

  AI attach, ACV, NRR, 사용량이 더 명확한 성장을 만들지 못할 수 있다.

• Manycore (68.HK)

  커버 대상 디자인·공간 지능 애플리케이션 익스포저.

  강점

  전문 디자인 워크플로와 독점 3D/공간 컨텍스트.

  약점

  상업화는 초기 단계다.

  비교

  Neutral을 가정.

  위험

  핵심 성장, 엔터프라이즈 NRR, 신규 AI 매출에는 추가 증거가 필요하다.

• Yonyou (600588.SH)

  커버 대상 엔터프라이즈 애플리케이션 익스포저.

  강점

  엔터프라이즈 상태, 권한, 복잡한 워크플로는 전략적 가치를 유지한다.

  약점

  연결 성장, 수익성, 현금 창출이 AI 서사에 뒤처진다.

  비교

  Underweight를 가정.

  위험

  AI 제품·계약 활동이 재무적 가치 획득으로 전환되지 않을 수 있다.

핵심 데이터

• 중국 AI token 소비c.60x growth from 2026E to 2030E기업 수요는 2030E 소비의 약69%로 예상된다.
• 글로벌 AI 최종 고객 지출>US$1.4tn in 2030E중국은 수요의 약4분의1을 차지할 것으로 추정된다.
• 중국 AI 클라우드 투자US$777.6bn over 2026E-30E연간 투자는 2026E US$100.0bn에서 2030E US$184.8bn으로 증가한다.
• 중국 AI 영업이익US$26.5bn in 2026E to US$243.3bn in 2030E2026E-30E 누적 영업이익은 US$543.8bn이다.
• 하류 매출US$15.7bn in 2026E to US$423.4bn in 2030E26.9배 성장하며 총마진은30%에서50%로 상승한다.
• 하류 영업이익US$(5.9)bn in 2026E to US$132.0bn in 2030E2028E에 US$6.2bn으로 흑자 전환한다.
• 하류 기여도32% of cumulative profit and 64% of annual-profit growth모델·애플리케이션은 2030E 업계 영업이익의 약54%를 차지할 전망이다.
• Alibaba 증분 프로젝트 IRRc.26.6% after taxJPMorgan 표준화 업계 코호트의10% 대비 수치다.

영향과 시사점

JPMorgan은 모든 AI 계층의 성장을 예상하지만, 하드웨어의 더 가시적인 단기 이익과 클라우드·하류 기업의 더 큰 중장기 이익 궤적을 구분한다. 종목 선택에서는 지속 가능한 희소성, 유료 도입 및 총이익 전환의 증거, 2028E 이전 이익 램프를 통과할 자금조달력, 밸류에이션을 중시한다.

위험

• 중국 지능 소비 성장률이 JPMorgan 예상보다 느릴 수 있다.
• 용량 확장, 모델 능력 수렴, 애플리케이션 기능의 복제 용이성으로 기업별 희소성이 약화될 수 있다.
• 모델, 추론, 훈련, 배포, 지원 비용 후 AI 도입이 총이익과 현금흐름으로 전환되지 않을 수 있다.
• 클라우드 매출 수익률이나 이용률이 경제적으로 매력적인 용량 투자를 뒷받침하기에 부족할 수 있다.
• 하류 기업은 2028E 이전 이익 램프를 통과하기 위해 외부 자금이 필요할 수 있다.
• 모델화된 하류 이익 대부분이2030E에 집중되므로 종단 연도 결과는 유료 도입, 총마진, 훈련 강도에 민감하다.

주시할 점

• token 소비 성장, 특히 기업 도입과 에이전트 워크로드 강도.
• 클라우드 이용률, 매출 수익률, 서빙 효율, 증분 용량 수익률.
• 기능 발표가 아닌 유료 API, 구독, 사용, 거래 매출.
• 추론·제공 비용 후 총마진, 영업 레버리지, 현금 전환.
• 에이전트가 사용자 인터페이스가 되는 가운데 애플리케이션이 독점 컨텍스트, 권한, 워크플로 소유권, 거래 실행을 유지하는지.
• Alibaba 클라우드 EBITA·잉여현금흐름, Tencent 증분 상업 이익, Zhipu 유료 API 성장, Xunce 모듈 재사용·배포 효율을 포함한 기업별 지표.