China AI value chain: J.P. Morgan은 중국 AI 이익이 크게 확대되고 가치가 하드웨어에서 클라우드와 다운스트림 수익화로 점진적으로 이동할 것으로 본다

개요

이 보고서는 중국 AI 밸류체인 커버리지 개시 보고서로, 확대되는 인텔리전스 소비가 하드웨어, 클라우드, 모델 플러스 애플리케이션의 매출과 영업이익으로 어떻게 전환되는지를 모델링한다. J.P. Morgan은 섹터에 대해 건설적이며, 하드웨어가 초기 구축기 경제성을 확보하는 반면 가동률, 유료 사용, 매출총이익률 개선에 따라 클라우드와 다운스트림 사업이 이익 성장에서 차지하는 비중을 높일 것으로 본다.

핵심 견해

J.P. Morgan은 더 나은 모델 능력, 낮아지는 추론 비용, 더 긴 추론, 풍부한 컨텍스트, 다단계 에이전트가 중국 AI 밸류체인을 확대해 추론 token 소비를 2026E부터 2030E까지 약60배 늘릴 것으로 예상한다. 2030E token 소비의 약69%는 코딩, 리서치, 고객 서비스, 운영 등 반복적 워크플로 사용 사례에 힘입어 기업이 차지하며, 나머지31%는 창작, 생산성, 개인화 서비스에서 소비자가 담당한다. 보고서는 2030년 글로벌 AI 최종 고객 지출을>US$1.4tn으로 추정하고 중국이 약4분의1을 차지할 것으로 보며, 이 수요가 전통적 소프트웨어 예산을 넘어 노동, 서비스, 워크플로 경제로 확장된다고 규정한다. 보고서는 밸류체인을 하드웨어, 클라우드, 모델 플러스 애플리케이션으로 나누지만 각 층의 매출은 중복되므로 최종 고객 지출로 합산할 수 없다고 강조한다. 보텀업 모델은 클라우드 투자 1달러를 세 개의 매출 인식 주기로 추적한다. 하드웨어는 용량 조달 시 매출을 인식하고, 클라우드는 해당 용량의 5년 가동 기간에 반복 매출을 얻으며, 다운스트림 기업은 설치된 용량이 제공하는 인텔리전스와 워크플로에서 수익화한다. 중국 하이퍼스케일러 AI 투자는 2026E-30E 누적으로US$777.6bn로 모델링되며 2026E의US$100.0bn에서 2029E 및 2030E의US$184.8bn로 증가한다. 따라서 하드웨어 매출은 연간 클라우드 투자와 같고 누적US$777.6bn에 이르며, 하드웨어 영업이익률은 기간 중30%에서40%로 상승한다. 하드웨어는 공급업체가 조달 시점에 대금을 받기 때문에 가장 먼저 이익을 얻는다. 2026E-30E 누적 산업 영업이익US$543.8bn 가운데US$286.1bn, 약53%를 창출할 것으로 예상된다. 하드웨어 영업이익은 2026E의US$30.0bn에서 2030E의US$73.9bn로 늘지만, 클라우드와 다운스트림 수익화가 확대되므로 연간 산업 이익 비중은93%에서30%로 하락한다. J.P. Morgan은 현재의 업스트림 가치 집중 자체를 오가격으로 보지 않는다. 이는 용량 구축 단계에서 하드웨어가 실제 경제성을 인식하기 때문이다. 증분 가치가 다른 층으로 이동하더라도 훈련, 추론, 에이전트 워크로드 증가는 큰 절대 규모의 하드웨어 이익 풀을 뒷받침한다. 클라우드는 설치된 용량과 다운스트림 인텔리전스 소비를 연결하는 반복 수익화의 가교다. 모델은 각 capex 코호트가 조달 다음 해부터 5년간 클라우드 매출을 내고, 가동률은 첫 매출연도의60%에서 3~5년차의80%로 상승한다고 가정한다. 완전 가동 시 매출 수익률은 2026E 연간 capex의0.50x에서 매년4% 개선돼 2030E에는0.585x가 된다. 여러 투자 코호트가 동시에 가동되면서 클라우드 매출은 2026E의US$20.0bn에서 2030E의US$249.1bn로 12.5x 증가할 전망이다. 클라우드 EBITA 마진은 2026E 12%, 이후15%로 가정되어 영업이익은US$2.4bn에서US$37.4bn로 늘어난다. 클라우드 수익률, 가동률, 서빙 효율이 약하면 향후 용량 투자가 제한될 수 있고, 매력적이면 추가 투자와 더 큰 다운스트림 풀을 가능하게 하므로 클라우드 수익은 시스템 전체의 핵심 제약이다. 모델 플러스 애플리케이션은 보고서가 보는 중기 이익 성장의 주된 원천이지만 가장 후행적이고 민감한 층이다. 클라우드 매출에서 훈련 및 모델 R&D / 추론의 비중은 2026E의45% / 55%에서 2030E의15% / 85%로 이동한다. 추론 지출은 다운스트림 매출원가이므로 다운스트림 매출은 클라우드가 물리적으로 제공할 수 있는 용량에 의해 제한된다. 다운스트림 매출총이익률이30%에서50%로 개선된다는 가정 아래 매출은 2026E의US$15.7bn에서 2030E의US$423.4bn로 26.9x 증가한다. 2026E에는 훈련 및 모델 R&D가US$9.0bn을 흡수하는 반면 다운스트림 매출총이익은US$4.7bn에 그쳐US$5.9bn 영업손실이 발생한다. 2028E에 영업이익US$6.2bn, 매출총이익률 약40%로 흑자 전환한 뒤, 2030E에는US$423.4bn 매출과US$132.0bn 영업이익, 50% 매출총이익률에 이를 전망이다. 그 결과 이익 구성은 크게 바뀐다. 총 연간 영업이익은 2026E의US$26.5bn에서 2030E의US$243.3bn로 증가하고, 하드웨어는2.5x, 클라우드는15.6x 성장하며, 다운스트림은 손실에서 연간 산업 이익의54%를 차지하게 된다. 다운스트림은 5년 누적 영업이익의 약32%를 기여하는 한편, 2026E부터 2030E까지 연간 산업 영업이익US$217bn 증가분의64%를 담당한다. 모델상 다운스트림 누적 이익의 약77%가 2030E에 발생하므로, 이익 램프 전의 자금 조달 역량, 현금 소진, 자본 접근성이 중요한 선별 기준이 된다. J.P. Morgan은 매출총이익률, 훈련 강도, 유료 도입 속도의 작은 변화도 결과를 크게 바꿀 수 있어 2030E 수치를 정밀한 예측보다 시나리오 결과로 취급한다. J.P. Morgan은 현재 시장 가치가 모델이 시사하는 향후 이익 이동이 아니라 오늘의 매출 분포를 대체로 반영한다고 본다. 모델 플러스 애플리케이션은 중국 AI 귀속 상장 시장가치 추정치의 약14%를 차지하며, 이 층이 2026E 밸류체인 매출에서 차지하는 약12%와 대체로 일치한다. 그러나 전망에서는 다운스트림 매출 비중이 2030E 약49%, 다운스트림 영업이익 비중이 약54%로 상승한다. 따라서 유료 사용, 매출총이익, 현금 창출이 후년의 이익 이동을 시장에 가시화하는 증거가 되는지가 초점이다. 관련 단기 지표는 클라우드 가동률, 반복 API·구독 매출, 유료 애플리케이션 사용자, 추론·제공 비용 차감 후 매출총이익률, 영업 레버리지, 현금흐름이다. 주식 선별 프레임워크는 Opportunity × Scarcity × Value Capture다. Opportunity는 기업 워크로드 주변 경제 풀의 규모를, Scarcity는 복제나 대체가 어려운 역량을, Value Capture는 이들이 고객 지출, 매출총이익, 현금 전환, 수익률로 이어지는지를 평가한다. 보고서는 희소성이 시간이 흐르면서 원시 용량과 최첨단 모델 인텔리전스에서 서빙 효율, 독점적 기업 컨텍스트, 권한, 워크플로 소유권, 거래 실행으로 이동할 것으로 본다. 동시에 희소 자산이 자동으로 주식 가치를 만들지는 않으며, 기업은 컴퓨팅, 추론, 구축 및 기타 스택 비용을 지불한 뒤 수익화와 보유 경제성을 입증해야 한다고 경고한다. Alibaba, Tencent, Zhipu는 모델이 그리는 수익·이익 순서의 서로 다른 지점에 위치해 J.P. Morgan의 선호 익스포저다. Alibaba는 T-Head 실리콘, 클라우드 용량, 모델 프랜차이즈를 통합하며, J.P. Morgan의 증분 용량 재구성은 더 높은 매출 수익률과 빠른 가동률을 전제로 세후 프로젝트 IRR 26.6%, 정규화 산업 코호트 10%를 산출한다. Tencent는 범용 모델이 더 많은 인터페이스 기능을 흡수해도 유통, 독점 컨텍스트, 거래 실행이 필수적일 수 있어 선호 애플리케이션 익스포저다. 보고서는 이러한 AI 애플리케이션 자산의 상당 부분이 아직 가격에 반영되지 않았다고 본다. Zhipu는 선호 차별화 인텔리전스 익스포저로, 상대적 역량이 API 가격, 유료 호출, 유지율, 지속적 모델 개발을 감당할 매출총이익을 유지할 수 있는지가 핵심 검증점이다. 보고서는 SenseTime, Phancy, Xunce를 Overweight로 신규 개시하고, Kingsoft Office를 Overweight로 커버리지 승계한다. MiniMax, JST, Meitu, Kingdee, Manycore는 수익화 불확실성, 기능 대체 가능성, 초기 상업화, 밸류에이션, 성장 제약의 다양한 조합을 이유로 Neutral로 개시 또는 승계한다. Yonyou는 기업 워크플로 자산이 상응하는 연결 성장, 수익성, 현금 창출로 아직 전환되지 않았다는 이유로 Underweight로 승계한다. 섹터 전반의 위험은 예상보다 느린 인텔리전스 소비 성장, 기업별 희소성의 침식, 도입이 매출총이익과 현금흐름으로 약하게 전환되는 것이다.

분석 프레임워크

J.P. Morgan은 예상 token 소비와 최종 고객 AI 지출에서 출발해 클라우드 투자를 기반으로 보텀업 밸류체인 모델을 구축한다. 동일 투자를 하드웨어 조달, 5년 클라우드 매출 코호트, 추론 용량에 제한되는 다운스트림 매출로 추적한 뒤, Opportunity × Scarcity × Value Capture로 기업을 평가한다. 전략적 포지셔닝은 가동률, 반복 매출, 유료 도입, 매출총이익, 유지율, 현금흐름, 증분 수익률 등 관찰 가능한 지표로 검증한다.

방법론 메모

• 산업 분석 프레임워크산업 가치사슬 상·중·하류 전이

  하드웨어, 클라우드, 모델 플러스 애플리케이션을 포괄하는 3계층 AI 밸류체인 모델.

  보고서는 클라우드 투자를 하드웨어 조달, 반복 클라우드 수익화, 다운스트림 인텔리전스 매출로 추적해 연결된 층 사이에 경제성이 어떻게 배분되는지 보여준다.

• 산업 분석 프레임워크수급 프레임워크

  token 소비와 추론 용량 수요 모델.

  예상 AI 워크로드 성장, 가동률, 추론 수요가 용량 수요, 클라우드 매출, 다운스트림 수익화에 대한 보고서의 추정을 이끈다.

• 경쟁 전략 프레임워크경제적 해자 및 경쟁우위

  Opportunity × Scarcity × Value Capture 프레임워크.

  이 프레임워크는 기업 AI 기회의 규모, 복제하기 어려운 자산의 지속성, 그리고 그러한 자산이 매출, 매출총이익, 현금흐름, 수익률로 전환되는지를 평가한다.

• 기업 펀더멘털 및 재무 프레임워크잉여현금흐름 분석

  매출에서 매출총이익, 영업 레버리지, CFO/FCF, 증분 수익률로 이어지는 재무 전환 순서.

  보고서는 AI 도입이 추론·구축 비용 차감 후 매출총이익, 현금 전환, 수용 가능한 투자 수익률을 만들지 못하면 매출 성장만으로는 충분한 증거가 아니라고 본다.

• 가치평가 방법론PER·PEG 가치평가

  여러 커버리지 기업에 대한 선행 P/E 배수 기반 목표가격 방식.

  주식 요약은 Alibaba, Tencent, Zhipu 및 여러 커버리지 기업의 예상 이익에 선행 P/E 배수를 적용한다.

자산 매핑 및 비교

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

• Alibaba (BABA / 9988.HK)

  하드웨어, 클라우드, 모델 플러스 애플리케이션을 아우르는 선호 통합형 익스포저.

  강점

  T-Head 실리콘, 클라우드 용량, 모델 프랜차이즈, 모델·인프라 공동 설계 가능성.

  약점

  투자 기반 확대가 현금 전환을 지연시킬 수 있음.

  비교

  J.P. Morgan은 세후 증분 프로젝트 IRR을 약26.6%로 추정하며 정규화 산업 코호트의10%와 비교한다.

  위험

  경쟁적 클라우드 가격, 내부 실리콘이 단위 경제성을 개선하지 못하는 점, 지속 투자에 따른 현금 수익 지연.

• Tencent (700.HK)

  선호 애플리케이션 익스포저.

  강점

  소비자·상업 활동에서의 유통, 독점 컨텍스트, 거래 실행.

  약점

  AI 기여도가 그룹 공시 실적에서 여전히 식별되기 어려울 수 있음.

  비교

  보고서는 더 광범위한 중국 AI 귀속 상장 시장 대비 Tencent의 AI 애플리케이션 자산 상당 부분이 미반영됐다고 본다.

  위험

  AI 활동이 광고, 판매자 또는 거래 매출 증가로 이어지지 않는 점, 추론·개발 비용이 증분 매출총이익을 흡수하는 점.

• Zhipu (2513.HK)

  선호 차별화 인텔리전스 익스포저; Overweight.

  강점

  상대적 모델 역량, 유료 API 잠재력, 독점 harness, 서빙 최적화, 엔터프라이즈 구축.

  약점

  경제성은 상대적 역량의 지속과 지속적 모델 개발을 감당할 매출총이익에 의존.

  비교

  보고서는 Zhipu를 중국 모델의 선호 익스포저로 제시하고 MiniMax는 역량, 가격, 매출총이익 전환의 더 강한 증거를 기다리며 Neutral로 둔다.

  위험

  모델 역량 수렴, 오픈웨이트 가격 경쟁, 훈련 비용이 유료 사용보다 빠르게 증가하는 점.

• SenseTime (20.HK)

  인프라, 구축, 멀티모달 익스포저로 Overweight 신규 개시.

  강점

  SenseCore가 용량과 운영 AI 워크로드를 연결.

  약점

  장기 가치는 역량을 내부 워크로드 외부로 일반화할 수 있는지에 달림.

  비교

  외부 도입, 가동률, 마진 진전이 핵심 검증 지표.

  위험

  기술 개선이 외부 도입, 재사용 가능한 매출, 수용 가능한 수익률로 확대되지 않는 점.

• Phancy (6682.HK)

  이기종 컴퓨팅 최적화·구축 익스포저로 Overweight 신규 개시.

  강점

  스케줄링, 모델 적응, 구축이 파편화된 가속기 환경에 대응.

  약점

  제품화와 영업 전환이 핵심 검증 사항으로 남음.

  비교

  보고서는 경제성이 용량 집약적 구축에서 최적화 중심의 재사용 가능 소프트웨어로 이동할 가능성을 본다.

  위험

  역량이 매출총이익률 확대, 구축 효율, 고객 간 재사용으로 전환되지 않는 점.

• Xunce Technology (3317.HK)

  엔터프라이즈 AI 구축 및 제품화 익스포저로 Overweight 신규 개시.

  강점

  기업 컨텍스트, 거버넌스, 통합, Token/TokenOS 모듈 재사용.

  약점

  구축 집약적 제공을 확장 가능한 소프트웨어 경제성으로 전환해야 함.

  비교

  모듈 재사용, 구축 시간, 직원당 매출, 현금 회수가 핵심 검증 항목.

  위험

  엔터프라이즈 구축 수요가 노동 집약적으로 남아 반복 소프트웨어·사용 매출을 창출하지 못하는 점.

• Kingsoft Office (688111.CH)

  생산성 애플리케이션 익스포저로 Overweight 커버리지 승계.

  강점

  대규모 사용자 기반, 유통, 문서 컨텍스트, 워크플로 소유권.

  약점

  AI 수익화는 AI 제공 비용을 넘어야 함.

  비교

  보고서는 점차 대체 가능한 인텔리전스에 대한 접근이 유료 생산성 사용을 확대하면서 제공 비용을 낮출 수 있다고 본다.

  위험

  유료 전환, 증분 매출총이익, 더 넓은 워크플로 침투가 기대대로 진행되지 않는 점.

• MiniMax (100.HK)

  Neutral 파운데이션 모델 익스포저.

  강점

  강한 사용량 성장과 멀티모달·에이전트형 포지셔닝.

  약점

  지속 가능한 역량, 가격 결정력, 매출총이익 전환에는 추가 입증이 필요.

  비교

  Overweight인 Zhipu와 달리 보고서는 MiniMax의 증거가 차별화된 재무 전환보다 사용량 성장에 더 치우쳐 있다고 본다.

  위험

  미국 스튜디오와의 소송 절차, 경쟁, 지속 R&D 투자, 상업화 불확실성, 컴퓨팅 인프라 및 공급업체 의존.

• Yonyou Network Technology (600588.CH)

  엔터프라이즈 애플리케이션 익스포저로 Underweight 커버리지 승계.

  강점

  기업 상태, 권한, 복잡한 워크플로 자산.

  약점

  연결 성장, 수익성, 현금 창출이 상응하는 가치 포착을 보여주지 못함.

  비교

  보고서는 AI 기회가 크다고 보지만 재무 전환은 투자 사례에 필요한 수준보다 약하다고 판단한다.

  위험

  AI 제품·계약 활동이 매출, 마진, 현금 전환으로 이어지지 않는 상태가 지속되는 점.

핵심 데이터

• 중국 AI token 소비 성장c.60x from 2026E to 2030E폭넓은 도입, 역량 향상, 낮은 추론 비용, 더 복잡한 에이전트형 워크플로가 견인.
• 2030E 중국 token 소비에서 기업 비중c.69%소비자가 나머지c.31%를 차지한다.
• 글로벌 AI 최종 고객 지출>US$1.4tn in 2030E중국은 수요의 약4분의1을 차지할 것으로 추정된다.
• 중국 AI 하이퍼스케일러 투자US$777.6bn cumulatively in 2026E-30E2026E의US$100.0bn에서 2029E 및 2030E의US$184.8bn로 증가하는 모델.
• 중국 AI 산업 영업이익US$26.5bn in 2026E to US$243.3bn in 2030E2026E-30E 누적 영업이익은US$543.8bn.
• 다운스트림 매출US$15.7bn in 2026E to US$423.4bn in 2030E더 큰 추론 풀과 매출총이익률30%에서50%로의 개선에 힘입어26.9x 증가.
• 다운스트림 영업이익US$(5.9)bn in 2026E to US$132.0bn in 2030E모델은 다운스트림이 2028E에US$6.2bn로 처음 영업 흑자 전환할 것으로 예상한다.
• Alibaba 증분 용량 프로젝트 IRRc.26.6% after taxJ.P. Morgan 재구성에서 정규화 산업 코호트의10%와 비교되는 수준.

영향과 시사점

J.P. Morgan은 세 계층 모두의 성장을 예상하지만, 하드웨어의 단기 이익 가시성과 클라우드 및 모델 플러스 애플리케이션의 더 큰 중기 이익 궤적을 구분한다. 핵심 투자 논점은 단순히 AI 지출이 증가하는지가 아니라, 용량이 수용 가능한 수익률을 얻는지, 낮은 추론 비용이 다운스트림 매출총이익을 확대하는지, 개별 기업이 희소한 과금 지점을 통제하고 사용량을 현금흐름으로 전환하는지라고 본다.

위험

• 인텔리전스 소비 성장이 J.P. Morgan 예상보다 느려질 가능성.
• 용량이 확대되고 모델 역량의 대체 가능성이 높아지면서 기업별 희소성이 침식될 가능성.
• AI 도입이 추론, 개발, 구축, 지원 비용 차감 후 매출총이익과 현금흐름으로 약하게 전환될 가능성.
• 클라우드 매출 수익률, 가동률, 서빙 효율이 불충분하게 유지돼 경제적으로 지속 가능한 용량 투자를 제한할 가능성.
• 다운스트림 전망은 매출총이익률, 훈련 강도, 유료 도입 속도에 민감하며 모델상 이익의 상당 부분이2030E에 집중됨.

주시할 점

• 클라우드 가동률, 서빙 효율, 매출 수익률, 클라우드 부문 마진의 성장.
• 반복 API·구독 매출, 유료 애플리케이션 사용자, AI 유료 전환, 사용량 연동 매출.
• 추론·제공 비용 차감 후 매출총이익률, 영업 레버리지, 현금흐름, 증분 자본 수익률.
• 모델의 경우 상대적 역량, 가격, token 및 ARR 성장, 공식 엔드포인트 경제성, harness 도입.
• 미들웨어의 경우 모듈 재사용, 구축 시간, 직원당 매출, 산업 간 복제, 현금 회수.
• 애플리케이션의 경우 유지율, NRR, 거래 또는 액션 규모, AI 관련 ARPU 또는 ACV, 기계 생성 사용량이 시트 압축을 상쇄하는지 여부.