Phancy Group Co., Ltd. (06682): JPMorgan inicia Phancy em Overweight por otimização de computação heterogênea e economia escalável de Token via API

Visão geral

Este relatório de início de cobertura argumenta que a Phancy está evoluindo de software empresarial de AI e implementação de projetos para uma empresa de infraestrutura de AI capaz de monetizar otimização de computação heterogênea e produção de Token. A visão construtiva da JPMorgan se apoia na expansão do consumo de inteligência, na complexidade de implantação na China, no rápido crescimento de API e na possível transição para uma economia mais escalável.

Visões principais

A JPMorgan inicia cobertura de Phancy com Overweight e preço-alvo Dec-2027 de HK$50, baseado em 15x 2028E EV/EBITDA. O relatório posiciona a Phancy como empresa de infraestrutura de AI e implantação empresarial, não como SaaS tradicional. Ela combina implantações pelo AI Platform com gestão de computação heterogênea, adaptação de modelos e serving via HAMi/RISE e ModelHub. O múltiplo dá prêmio sobre pares maduros de infraestrutura por maior crescimento e exposição diferenciada, mas fica abaixo de 18-20x de software devido ao caráter intensivo em capital e serviços. A tese de demanda é que o consumo de inteligência por tarefa aumenta. Modelos de raciocínio, agentes, contexto longo e multimodalidade consomem mais inferência, enquanto menores custos tornam mais cargas de trabalho viáveis. A JPMorgan argumenta que eficiência pode coexistir com maior demanda absoluta, pois menor custo unitário estimula uso adicional. A China é especialmente relevante: empresas operam entre Nvidia GPUs, Huawei Ascend e outros aceleradores domésticos, além de DeepSeek, Qwen, GLM, Kimi e MiniMax. Essa fragmentação aumenta o valor de agendamento de recursos, otimização heterogênea e serving sensível ao modelo. O AI Platform é a base atual: gerou c.Rmb3.1bn em 1H26, alta de 30% YoY e cerca de 82% da receita do grupo. O modelo é majoritariamente por projetos, com implantação, manutenção e serviços técnicos, portanto menos recorrente que SaaS. Ainda assim, a JPMorgan espera CAGR de 26% em 2026-28E, apoiado por demanda empresarial e experiência em ambientes heterogêneos. API é a principal mudança do modelo de negócios por converter capacidade de infraestrutura em economia de Token baseada em uso. A Phancy pode implantar modelos de terceiros, otimizar combinações modelo-hardware e vender inferência sem financiar treinamento de modelos de fronteira. A receita de API foi aproximadamente Rmb464mn em 1H26, alta de 861% YoY; as projeções são Rmb1,507mn, Rmb3,013mn e Rmb5,424mn em 2026E, 2027E e 2028E. A JPMorgan espera que continue como negócio de maior crescimento e que a margem bruta se aproxime de c.30% nos próximos dois anos. Crescimento de Token demonstra participação na demanda; maior margem bruta e lucro bruto por unidade de computação demonstrariam captura de valor. A escassez estaria migrando de acesso à computação bruta para otimização heterogênea e eficiência de inteligência. Uma plataforma neutra pode otimizar todo o ambiente do cliente, diferentemente de fornecedores verticalmente integrados. Isso pode ser valioso para empresas com infraestrutura mista, múltiplos modelos, implantação privada ou governança de produção, mas exige ganhos mensuráveis em utilização, throughput, latência, eficiência de memória, velocidade de implantação ou custo de inferência. Reutilização de HAMi/RISE e ModelHub entre clientes apoiaria economics mais próximos de software; engenharia sob medida contínua manteria economics de projeto. A JPMorgan prevê CAGR de receita de 36% em 2026-28E, receitas de Rmb10,628mn, Rmb14,583mn e Rmb19,798mn e lucro líquido ajustado de Rmb141mn, Rmb378mn e Rmb965mn em 2026E, 2027E e 2028E. A previsão de lucro ajustado em 2028E está 37% acima do consenso, por API mais forte, melhores unit economics e despesas operacionais crescendo menos que a receita. O EBITDA ajustado deve passar de Rmb139mn em 2026E para Rmb542mn em 2027E e Rmb1,311mn em 2028E. A margem bruta do grupo caiu de 37.7% em 1H25 para 32.8% em 1H26, enquanto o lucro bruto atingiu aproximadamente Rmb1.2bn, mas a JPMorgan espera melhora à frente. Lucro contábil não é suficiente porque o modelo requer computação, equipamentos e capital de giro. CFO deve se tornar positivo em Rmb523mn em 2026E, seguido por Rmb376mn e Rmb421mn, enquanto FCFF é projetado em Rmb125mn, negativo Rmb170mn e negativo Rmb246mn. O teste-chave é produtividade de capital incremental: maior demanda de Token deveria ser atendida com melhor utilização e throughput da base existente, permitindo que lucro bruto e caixa cresçam mais rápido que o capital investido. Crescimento que exija adições proporcionais de computação e capital de giro limitaria retornos e expansão de múltiplo. Agentic AI é extensão potencial de longo prazo, não principal motor de valuation atual. Gerou aproximadamente Rmb214mn em 1H26, alta de 5% YoY. A JPMorgan busca reaceleração de receita, adoção repetida, reutilização entre clientes, retenção e melhores unit economics antes de atribuir contribuição relevante. Crescimento mais forte de API com utilização e margem superiores, maior reutilização de HAMi/RISE e ModelHub, e melhoria de CFO, FCF e ROIC incremental são as confirmações positivas mais claras. Uma listagem A-share bem-sucedida poderia ampliar a base de financiamento doméstico, mas o benefício dependeria de diluição e retornos sobre novo capital.

Estrutura de análise

A JPMorgan começa pela demanda de infraestrutura de AI e pela fragmentação de hardware e modelos na China, depois avalia como AI Platform e API monetizam essa complexidade. Testa a tese por crescimento segmentado, utilização, margem de API, alavancagem operacional, conversão de caixa e retornos sobre capital incremental, e usa 2028E EV/EBITDA por refletir o modelo intensivo em infraestrutura.

Notas metodológicas

• Métodos de avaliaçãoAvaliação por EV/EBITDA

  Valuation por múltiplo-alvo de 15x 2028E EV/EBITDA

  A JPMorgan usa EBITDA em vez de P/E porque depreciação, custos de implantação e investimento afetam materialmente o lucro reportado no negócio intensivo em capital e serviços da Phancy. O múltiplo de 15x equilibra maior crescimento e exposição à otimização com o elevado componente de implantação e serviços.

• Marco de análise setorialMarco de oferta e demanda

  Análise de demanda de consumo de inteligência de AI e eficiência de infraestrutura

  O relatório associa o aumento de raciocínio, agentes, contexto longo e cargas multimodais à demanda por inferência e avalia se otimização heterogênea pode elevar utilização e reduzir custo de serving com maior disponibilidade de capacidade.

• Marco de fundamentos corporativos e finançasAnálise do fluxo de caixa livre

  Avaliação de CFO, FCF e ROIC incremental

  A JPMorgan trata conversão de caixa e retorno sobre computação e capital de giro adicionais separadamente do lucro contábil, pois crescimento forte de receita pode coexistir com FCF fraco em modelo intensivo em infraestrutura.

Mapeamento e comparação de ativos

Mapeamento estruturado da tese para ativos nomeados (pontos fortes, pontos fracos, pares e riscos).

• Phancy Group Co., Ltd. (06682.HK)

  Empresa primária coberta, posicionada para se beneficiar de otimização de computação heterogênea e demanda de infraestrutura empresarial de AI.

  Pontos fortes

  AI Platform fornece base de implantação empresarial; API oferece exposição direta ao consumo de Token; otimização neutra entre plataformas pode ser valiosa em ambientes de hardware e modelos mistos.

  Pontos fracos

  A receita ainda é parcialmente baseada em projetos e intensiva em capital; a economia atual depende de implantação, serviços, computação e capital de giro.

  Comparação

  A JPMorgan vê crescimento e exposição a computação heterogênea justificando prêmio sobre pares maduros de infraestrutura, mas não múltiplo de software de 18-20x EV/EBITDA.

  Riscos

  Demanda de AI mais fraca, pressão sobre economics de inferência, comoditização de otimização, baixa utilização ou intensidade de capital contínua podem limitar margens e retornos.

Dados principais

• Rating e preço-alvoOverweight; HK$50.00 Dec-27 targetO preço-alvo se baseia em 15x 2028E EV/EBITDA; o preço era HK$27.60 em 23 de setembro de 2026.
• CAGR de receita 2026-28E36%Previsão da JPMorgan.
• Lucro líquido ajustado 2028ERmb965mnAproximadamente Rmb0.9bn; previsão 37% acima do consenso.
• Receita de AI Platformc.Rmb3.1bn in 1H26Alta de 30% YoY e cerca de 82% da receita do grupo.
• Receita de APIRmb464mn in 1H26Alta de 861% YoY; projeção de Rmb1,507mn/Rmb3,013mn/Rmb5,424mn em 2026E/2027E/2028E.
• Margem bruta de APIc.30%Esperada nos próximos dois anos com melhorias de utilização, escala de compras e eficiência de serving.
• Margem bruta do grupo32.8% in 1H26Queda ante 37.7% em 1H25 devido à mudança no mix de receita.
• EBITDA ajustado 2028ERmb1,311mnVersus Rmb139mn em 2026E e Rmb542mn em 2027E.
• Fluxo de caixa operacionalRmb523mn/Rmb376mn/Rmb421mnPrevisões para 2026E/2027E/2028E.
• FCFFRmb125mn/(Rmb170mn)/(Rmb246mn)Previsões para 2026E/2027E/2028E, ressaltando a necessidade contínua de investimento.

Impacto e implicações

A JPMorgan argumenta que a alta de valuation da Phancy depende de provar que otimização heterogênea e serving de API convertem rápido crescimento de Token em receita reutilizável, margens maiores e retornos de caixa. Crescimento de receita sem melhoria em utilização, margem bruta e retorno sobre capital ofereceria suporte mais fraco para expansão de múltiplo.

Riscos

• A demanda de computação de AI pode crescer menos que o previsto se ganhos de eficiência superarem a criação de novas cargas economicamente viáveis, reduzindo demanda de Token, utilização e absorção de capacidade de API.
• Economics de inferência independente podem sofrer pressão mesmo com forte demanda de Token, devido a menores preços oficiais de API, subsídios de cloud, alterações em modelos abertos ou licenças, ou escassez de capacidade que eleve custos de aquisição.
• A camada de otimização pode se comoditizar à medida que fornecedores de chips aprimoram software, provedores cloud internalizam otimização e ferramentas open-source padronizam implantação.
• A intensidade de capital pode permanecer alta: compras e arrendamentos de GPU e capital de giro podem manter CFO e FCF fracos apesar de rápido crescimento de receita.
• A productização pode avançar mais lentamente, deixando a Phancy dependente de implantação personalizada e limitando expansão de margem e alavancagem operacional.

Pontos a observar

• Crescimento de receita de API com melhora de utilização e margem bruta.
• Lucro bruto por unidade de computação e se a margem bruta de API se aproxima de c.30% nos próximos dois anos.
• Maior adoção e reutilização de HAMi, RISE e ModelHub entre clientes e plataformas de hardware.
• Crescimento de receita relativo a gastos de R&D e infraestrutura, além de CFO, FCF e ROIC incremental.
• Evidência de adoção repetida, retenção e melhores unit economics em Agentic AI.
• Diluição e retorno sobre capital de qualquer listagem A-share bem-sucedida.