modelos fundamentais de IA e serviços e software de TI da Grande China: A competição dos grandes modelos da China está migrando de uma guerra de preços para um ciclo virtuoso de inteligência, computação e comercialização

Visão geral

O relatório refuta a visão de mercado de que os modelos chineses de pesos abertos inevitavelmente levarão à comoditização e a uma guerra de preços prolongada. O Morgan Stanley acredita que o setor chinês de grandes modelos está migrando para uma fase de monetização impulsionada pela inteligência dos modelos: os preços estão se tornando mais racionais, o licenciamento de pesos abertos está gradualmente fortalecendo as restrições comerciais e a escala dos modelos está se expandindo rapidamente. O treinamento contínuo de modelos de fronteira requer mais capital, capacidade computacional, otimização de infraestrutura e capacidades de execução em engenharia; portanto, as barreiras do setor aumentarão e os fornecedores líderes bem capitalizados terão maiores vantagens.

Visões principais

A inteligência dos modelos, e não os preços baixos, é a barreira competitiva de longo prazo. Fornecedores de fronteira podem lançar modelos de menor custo em segmentos inferiores, mas fornecedores comuns de modelos terão dificuldade para avançar aos níveis SOTA. Modelos mais fortes impulsionam mais adoção e monetização, que por sua vez garantem mais financiamento e investimento em computação e sustentam a próxima rodada de atualizações dos modelos; a comercialização e a busca pela AGI não estão em conflito, mas se reforçam mutuamente. O relatório é positivo quanto à formação mais rápida desse ciclo virtuoso pela Z.ai, permanece construtivo quanto à MiniMax e favorece as vantagens de IA completa e computação em nuvem da Alibaba.

Estrutura de análise

O relatório compara o setor combinando escala de parâmetros, índices de inteligência, preços de API, termos de licenciamento, planos de lançamento de produtos, fornecimento de capacidade computacional e condições de financiamento dos modelos de fronteira da China; no nível das empresas, avalia o progresso da comercialização por meio de previsões de ARR, receita e despesas de P&D, e valida preços-alvo usando DCF e múltiplos P/S de 2027.

Notas metodológicas

• Estratégia competitivaCiclo virtuoso de inteligência e comercialização

  Modelos mais fortes impulsionam adoção e monetização, com receita e financiamento posteriormente convertidos em investimento em treinamento e capacidade computacional.

  O relatório argumenta que a capacidade de sustentar esse ciclo é mais decisiva para o posicionamento competitivo de longo prazo do que qualquer classificação isolada em rankings de modelos.

• Estrutura do setorSegmentação dos mercados de alta e baixa faixa

  O mercado de alta faixa é diferenciado pela inteligência de fronteira, enquanto as capacidades dos modelos no mercado de baixa faixa convergem e a concorrência de preços é mais intensa.

  Fornecedores de fronteira podem lançar mais facilmente versões de menor custo e menor capacidade para cobrir o mercado de massa, enquanto fornecedores comuns precisam superar maiores limiares de financiamento e tecnologia para atingir níveis de fronteira.

• Análise de demandaParadoxo de Jevons

  A queda dos custos unitários de inferência pode estimular o crescimento do uso em vez de reduzir a demanda total por capacidade computacional.

  Espera-se que modelos de pesos abertos mais baratos e eficientes acelerem a adoção de IA e aumentem a demanda empresarial por implantação, orquestração, governança, segurança e infraestrutura.

• ValuationModelo de fluxo de caixa descontado

  Avalia o valor patrimonial de uma empresa descontando fluxos de caixa livres futuros.

  Tanto a Z.ai quanto a MiniMax são avaliadas usando DCF, assumindo um WACC de 15% e uma taxa de crescimento perpétuo de 3%; as mudanças nos preços-alvo vêm principalmente de ajustes nas previsões financeiras.

Mapeamento e comparação de ativos

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

• Z.AI CO., LTD. (2513.HK)

  Ação principal favorecida, preço-alvo elevado

  Pontos fortes

  O GLM-5.2 atingiu um nível de liderança global, o acesso a capacidade computacional no exterior melhorou, a escala de financiamento é suficiente e o ciclo virtuoso de capacidade de modelo e comercialização está se formando relativamente rápido.

  Pontos fracos

  A capacidade computacional de inferência, especialmente no exterior, ainda pode restringir o crescimento de ARR, e o treinamento contínuo de modelos com grande número de parâmetros aumentará significativamente as despesas de P&D.

  Comparação

  Em comparação com a MiniMax, seu caminho de crescimento de ARR no curto prazo é mais claro e a entrega de comercialização ocorre antes, mas sua avaliação de mercado também é mais alta.

  Riscos

  Concorrentes globais lançando modelos com desempenho mais forte e preços mais baixos, restrições de políticas dos EUA, queda nos rankings de modelos e expansão de capacidade computacional abaixo das expectativas.

• MiniMax (0100.HK)

  Visão construtiva mantida, mas preço-alvo reduzido

  Pontos fortes

  A arquitetura M3 tem vantagens em contexto longo e eficiência de inferência, o M3 Pro tem potencial para uma atualização de grande escala de parâmetros, o H3 apresenta forte desempenho em multimodalidade de vídeo e o financiamento pode sustentar a expansão de treinamento e capacidade computacional.

  Pontos fracos

  O M3 inicialmente recebeu feedback negativo sobre capacidade de programação e precificação; o momento dos lançamentos de modelos torna sua contribuição ao ARR de 2026 mais concentrada no segundo semestre, e as previsões de perdas aumentaram.

  Comparação

  Em comparação com a Z.ai, o crescimento da comercialização no curto prazo é mais concentrado no segundo semestre, mas possui potencial diferenciado em multimodalidade, modelos de vídeo e dados de setores verticais.

  Riscos

  O M3 Pro não atingir níveis SOTA, adoção insuficiente por desenvolvedores, cortes de preços por concorrentes, pressão decorrente do vencimento de períodos de lock-up de acionistas e investimento elevado contínuo em P&D.

• Alibaba Group Holding (BABA.N)

  Beneficiária da cadeia industrial de IA

  Pontos fortes

  Possui capacidades completas de IA abrangendo modelos, computação em nuvem e capacidade computacional, com vantagens em escala de infraestrutura e clientes comerciais.

  Pontos fracos

  O treinamento e a inferência para grandes modelos de pesos abertos exigem investimento contínuo de capital, e a comercialização de licenças ainda está evoluindo.

  Comparação

  Em comparação com fornecedores puros de modelos, a Alibaba pode monetizar por meio da sinergia entre infraestrutura de nuvem e serviços de modelos, e possui recursos mais amplos de financiamento e clientes.

  Riscos

  Intensificação da concorrência global de modelos, retornos de capex abaixo das expectativas, restrições regulatórias e de exportação e pressão sobre as margens do negócio de nuvem.

Dados principais

• Escala de parâmetros dos modelos de fronteira da ChinaKimi K3: 2.8T; Qwen3.8-Max: 2.4TO relatório espera que a base da escala de parâmetros dos modelos de fronteira da China suba gradualmente para 2T a 3T no 2S26.
• Taxa de adoção empresarial de modelos abertos63%As empresas pesquisadas utilizam tanto modelos abertos quanto modelos de código fechado, sustentando a visão de que múltiplos tipos de modelos coexistirão.
• Previsão de ARR da Z.ai para 2026US$2bnElevada de US$1bn; os cenários otimista e pessimista são US$3bn e US$1.5bn, respectivamente.
• Preço-alvo da Z.aiHK$1,700Elevado em cerca de 72% de HK$990, correspondendo a aproximadamente 42x P/S de 2027.
• Financiamento da Z.aiHK$31.4bnColocação de ações H com diluição de 4.25%; planeja usar 55% dos recursos para treinamento de modelos e expansão da capacidade computacional.
• Previsão de ARR da MiniMax para 2026US$1bnPrevisão original mantida; os cenários otimista e pessimista são US$1.5bn e US$500mn, respectivamente.
• Preço-alvo da MiniMaxHK$900Reduzido em 18% de HK$1,100, correspondendo a aproximadamente 32x P/S de 2027.
• Plano de financiamento da MiniMaxHK$16.0bnInclui HK$9.5bn em colocação de ações e HK$6.5bn em títulos conversíveis; planeja usar 80% dos recursos para treinamento de modelos e expansão da capacidade computacional de inferência.
• Escala do MiniMax M3 Pro2.7T parametersPrevisto para ser lançado de setembro a outubro de 2026 e é um importante catalisador para o desempenho do modelo e o poder de precificação.
• Premissas centrais de DCFWACC 15%; perpetual growth rate 3%As premissas de DCF para ambas as empresas permanecem inalteradas.

Impacto e implicações

A melhora da disciplina de preços do setor e a comercialização de licenças ampliarão o conjunto de oportunidades de ARR e reduzirão as limitações de depender exclusivamente de capacidade computacional proprietária para vender APIs. A crescente escala dos modelos elevará a demanda por treinamento, otimização de inferência, financiamento e aquisição de capacidade computacional, impulsionando a concentração de participação de mercado entre fornecedores líderes. Para investidores, maior atenção deve ser dada às capacidades de iteração de modelos, acesso a capacidade computacional, canais de financiamento e eficiência de monetização, em vez de classificações isoladas em rankings ou as menores cotações de API. Provedores de serviços de nuvem, infraestrutura computacional e plataformas de roteamento, orquestração, observabilidade, governança e segurança de modelos também podem se beneficiar da adoção de múltiplos modelos.

Riscos

• Concorrentes globais lançam modelos com desempenho mais forte e preços mais baixos, reacendendo a competição de preços e comprimindo múltiplos de avaliação.
• Os custos de treinamento, inferência e infraestrutura para modelos com grande número de parâmetros excedem as expectativas, levando à expansão de despesas de P&D e perdas operacionais.
• Lançamentos atrasados de modelos, desempenho incapaz de atingir níveis SOTA ou feedback fraco de desenvolvedores podem enfraquecer a adoção e a monetização.
• Fornecimento restrito de capacidade computacional no exterior ou políticas mais rígidas dos EUA podem afetar a expansão global dos fornecedores chineses de modelos.
• Licenciamento mais rigoroso de pesos abertos pode desacelerar a adoção do ecossistema, e a eficácia da aplicação de termos comerciais também é incerta.
• Financiamento por ações, títulos conversíveis e potenciais novas listagens podem trazer diluição aos acionistas e pressão episódica de venda.
• Reações excessivas do mercado a mudanças nos rankings de modelos individuais podem causar forte volatilidade nas avaliações e preços de ações relacionadas.

Pontos a observar

• Ajustes de preços de API e mudanças de margem bruta por outros fornecedores chineses de modelos após o aumento de preços da DeepSeek.
• Desempenho e adoção do modelo GLM de próxima geração e grande número de parâmetros da Z.ai após seu lançamento esperado em outubro de 2026.
• Progresso na cooperação da Z.ai com a AWS e outros provedores de serviços de nuvem no exterior, e expansão da capacidade computacional de inferência no exterior.
• Atualizações da capacidade de programação do MiniMax M3 e desempenho do lançamento do M3 Pro de setembro a outubro de 2026.
• O efeito do MiniMax H3 em impulsionar o crescimento de ARR a partir de modelos multimodais e de vídeo.
• Se os futuros modelos de pesos abertos Qwen da Alibaba introduzirão termos de compartilhamento de receita de usuários em grande escala.
• Se os modelos de fronteira da China em geral migrarão para a faixa de 2T a 3T de parâmetros, e o progresso do potencial modelo de mais de 5T da ByteDance.
• Se as despesas de P&D das duas empresas em 2027 excederão US$1bn e o impacto sobre fluxo de caixa e necessidades de financiamento.
• Mudanças de política entre China e EUA relativas a exportações de modelos, acesso no exterior e fornecimento de capacidade computacional avançada.