China AI value chain: O pool de lucros da IA chinesa pode crescer fortemente, com modelos e aplicações downstream tornando-se a principal fonte de crescimento até 2030E

Visão geral

A JPMorgan inicia cobertura mais ampla de IA chinesa com visão construtiva. A tese é que o rápido crescimento do consumo de inteligência amplia os lucros de hardware, nuvem e modelos mais aplicações, mas desloca a composição de ganhos para downstream após 2028E.

Visões principais

A JPMorgan espera que o consumo chinês de tokens de inferência cresça cerca de 60 vezes entre 2026E e 2030E, pois modelos de fronteira viabilizam tarefas mais difíceis, custos menores de inferência ampliam a adoção e raciocínio mais longo, contexto mais rico e agentes de múltiplas etapas elevam o consumo por fluxo de trabalho. Empresas responderiam por cerca de 69% da demanda de 2030E e consumidores por 31%. O gasto global final com IA superaria US$1.4tn em 2030E; a China seria cerca de um quarto, incluindo oportunidade B2B chinesa de aproximadamente US$250bn e demanda do consumidor de aproximadamente US$100bn. O relatório divide a IA chinesa em hardware, nuvem e modelos mais aplicações. Parte de US$777.6bn de investimento chinês em nuvem em 2026E-30E: hardware reconhece receita na compra de capacidade, nuvem monetiza coortes instaladas ao longo de cinco anos e downstream monetiza a capacidade de inferência. São receitas sobrepostas do mesmo dólar de investimento, não gasto final somável; lucro operacional é a medida aditiva entre camadas. Hardware lidera os lucros iniciais porque recebe primeiro. A receita vai de US$100.0bn em 2026E para US$184.8bn em 2030E e o lucro operacional de US$30.0bn para US$73.9bn, com margem de 30% a 40%. Hardware capta aproximadamente US$286bn, ou 53%, do pool acumulado de US$543.8bn. A migração posterior downstream não torna inadequado o valor upstream atual. A nuvem cresce com coortes em operação: receita de US$20.0bn em 2026E para US$249.1bn em 2030E, 12.5 vezes, e lucro operacional de US$2.4bn para US$37.4bn. O modelo usa utilização de 60%, 70% e 80% nos anos de receita um, dois e três a cinco, e rendimento de receita de 0.50x do capex em 2026E a 0.585x em 2030E. Retornos sustentáveis da nuvem condicionam a continuidade do investimento. Modelos mais aplicações crescem mais rápido, de US$15.7bn para US$423.4bn de receita, 26.9 vezes, com margem bruta de 30% a 50%. A camada tem perdas em 2026E e 2027E: treinamento e R&D absorvem US$9.0bn em 2026E contra US$4.7bn de lucro bruto downstream. Fica lucrativa em 2028E, em US$6.2bn, e alcança US$132.0bn de lucro operacional em 2030E. O lucro operacional total sobe de US$26.5bn em 2026E para US$243.3bn em 2030E. A participação do hardware cai de 93% para 30%; modelos mais aplicações passam de perdas a cerca de 54%. A camada downstream representa 32% do lucro acumulado, mas 64% do aumento anual de aproximadamente US$217bn. Cerca de 77% do lucro downstream acumulado chega em 2030E, elevando a importância de financiamento, adoção paga, treinamento e margem bruta. A participação atual de cerca de 14% dos modelos mais aplicações no valor listado atribuível à IA chinesa acompanha aproximadamente 12% da receita de 2026E; não é, por si, precificação errada. A questão é se o mercado antecipará 49% de participação de receita e aproximadamente 54% de participação de lucro em 2030E. Devem ser acompanhados utilização da nuvem, receitas recorrentes de API e assinaturas, usuários pagantes, lucro bruto após custos de inferência e geração de caixa. O framework Opportunity × Scarcity × Value Capture avalia tamanho do pool econômico, capacidades difíceis de substituir e conversão em lucro bruto, caixa e retornos. A escassez migraria de capacidade bruta e modelos de fronteira para eficiência de serving, contexto proprietário, permissões, controle de fluxo de trabalho e execução. Alibaba é a exposição integrada preferida, com IRR incremental após impostos de aproximadamente 26.6% versus 10% da coorte normalizada. Tencent é a aplicação preferida, com ativos de IA amplamente não precificados. Zhipu é a exposição preferida a inteligência diferenciada, dependente de capacidade sustentada e lucro bruto que financie desenvolvimento. SenseTime, Phancy e Xunce iniciam com Overweight; Kingsoft Office é assumida com Overweight. MiniMax, JST, Meitu, Kingdee e Manycore são Neutral, e Yonyou é Underweight, pois seus ativos empresariais ainda não se converteram em crescimento, rentabilidade e caixa comparáveis.

Estrutura de análise

A JPMorgan constrói um modelo bottom-up que liga investimento em nuvem, compras de hardware, utilização da nuvem e receita downstream baseada em inferência. Em seguida, usa Opportunity, Scarcity e Value Capture e métricas de utilização, uso pago, preço, receita recorrente, lucro bruto, retenção, caixa e retornos para testar a conversão em valor financeiro.

Notas metodológicas

• Marco de análise setorialMarco de oferta e demanda

  Modelo de cadeia de valor de IA em três camadas.

  Acompanha investimento em capacidade até hardware, receita recorrente de nuvem e consumo downstream de inferência.

• Marco de estratégia competitivaFosso econômico e vantagem competitiva

  Framework Opportunity × Scarcity × Value Capture.

  Avalia o pool econômico, a vantagem difícil de substituir e sua conversão em lucro e caixa.

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

  Conversão de receita em lucro bruto, CFO/FCF e retorno incremental.

  Uso e receita são insuficientes sem lucro bruto após custos de IA e conversão em caixa.

• Métodos de avaliaçãoAvaliação por P/L e PEG

  Preços-alvo de diversas coberturas usam P/E forward.

  A tabela aplica múltiplos P/E forward aos lucros previstos de empresas selecionadas.

• Métodos de avaliaçãoAvaliação por EV/EBITDA

  Preços-alvo de SenseTime e Phancy usam EV/EBITDA forward.

  O relatório aplica 15x 2028E EV/EBITDA às duas empresas.

Mapeamento e comparação de ativos

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

• Alibaba (9988.HK)

  Exposição preferida integrada de hardware, nuvem e modelos.

  Pontos fortes

  T-Head, capacidade de nuvem e franquia de modelos permitem codisenho.

  Pontos fracos

  A conversão de caixa pode atrasar se o investimento permanecer elevado.

  Comparação

  IRR incremental após impostos de aproximadamente 26.6% versus 10%.

  Riscos

  Preços competitivos, silício interno sem ganho econômico e retorno de caixa adiado.

• Tencent (700.HK)

  Exposição preferida a aplicações de IA.

  Pontos fortes

  Distribuição, contexto proprietário e execução de transações.

  Pontos fracos

  O engajamento deve virar receita comercial.

  Comparação

  Os ativos de IA parecem amplamente não precificados.

  Riscos

  Custos podem absorver lucro incremental e a divulgação pode ser insuficiente.

• Zhipu (2513.HK)

  Exposição preferida a inteligência diferenciada.

  Pontos fortes

  Capacidade relativa, APIs pagas e otimização de serving.

  Pontos fracos

  Depende de liderança sustentada e lucro bruto.

  Comparação

  Exposição preferida a modelos; Overweight.

  Riscos

  Convergência, concorrência open-weight e custos de treinamento.

• SenseTime (20.HK)

  Exposição a infraestrutura e implantação.

  Pontos fortes

  SenseCore conecta capacidade a cargas de produção.

  Pontos fracos

  Adoção externa precisa de validação.

  Comparação

  Iniciada com Overweight.

  Riscos

  Utilização e margens podem não escalar.

• Phancy (6682.HK)

  Exposição a otimização e implantação.

  Pontos fortes

  Programação heterogênea e implantação.

  Pontos fracos

  Deve virar software reutilizável.

  Comparação

  Iniciada com Overweight.

  Riscos

  Productização pode falhar.

• Xunce (3317.HK)

  Exposição a implantação empresarial.

  Pontos fortes

  Contexto, governança, Token/TokenOS e módulos.

  Pontos fracos

  Implementação precisa escalar como software.

  Comparação

  Iniciada com Overweight.

  Riscos

  Reuso e conversão de caixa podem não melhorar.

• Kingsoft Office

  Exposição a aplicações de produtividade.

  Pontos fortes

  Distribuição e controle de fluxo de trabalho.

  Pontos fracos

  Conversão paga requer validação.

  Comparação

  Assumida com Overweight.

  Riscos

  Monetização pode não cobrir custos.

• MiniMax (100.HK)

  Exposição a modelos fundacionais.

  Pontos fortes

  Forte crescimento de uso.

  Pontos fracos

  Capacidade, preço e lucro bruto não comprovados.

  Comparação

  Neutral enquanto Zhipu é preferida.

  Riscos

  Litígio, concorrência, R&D e incerteza comercial.

• JST (6687.HK)

  Exposição a aplicação de fluxo comercial.

  Pontos fortes

  Pedidos, estoque e execução.

  Pontos fracos

  Ciclo, crescimento e valuation compensam vantagens.

  Comparação

  Assumida com Neutral.

  Riscos

  IA pode não superar restrições cíclicas.

• Meitu (1357.HK)

  Exposição a criação visual.

  Pontos fortes

  Imagem, vídeo e criação comercial.

  Pontos fracos

  Funções são mais replicáveis.

  Comparação

  Iniciada com Neutral.

  Riscos

  Crescimento e monetização incertos.

• Kingdee (268.HK)

  Exposição a aplicações empresariais.

  Pontos fortes

  Registros e permissões empresariais.

  Pontos fracos

  Aceleração por IA não comprovada.

  Comparação

  Assumida com Neutral.

  Riscos

  Attach e uso podem não acelerar receita.

• Manycore (68.HK)

  Exposição a design e inteligência espacial.

  Pontos fortes

  Fluxos profissionais e contexto 3D.

  Pontos fracos

  Comercialização inicial.

  Comparação

  Assumida com Neutral.

  Riscos

  Precisa de mais evidência.

• Yonyou (600588.SH)

  Exposição a aplicações empresariais.

  Pontos fortes

  Estado, permissões e fluxos complexos.

  Pontos fracos

  Crescimento e caixa ficam atrás da narrativa.

  Comparação

  Assumida com Underweight.

  Riscos

  Atividade de IA pode não virar valor financeiro.

Dados principais

• Consumo chinês de tokens de IAc.60x growth from 2026E to 2030EA demanda empresarial é projetada em aproximadamente 69% do consumo de 2030E.
• Gasto global final de clientes de IA>US$1.4tn in 2030EA China representa aproximadamente um quarto da demanda.
• Investimento chinês em nuvem de IAUS$777.6bn over 2026E-30EO investimento anual sobe de US$100.0bn em 2026E para US$184.8bn em 2030E.
• Lucro operacional da IA chinesaUS$26.5bn in 2026E to US$243.3bn in 2030EO lucro operacional acumulado de 2026E-30E é US$543.8bn.
• Receita downstreamUS$15.7bn in 2026E to US$423.4bn in 2030ECrescimento de 26.9 vezes e margem bruta de 30% a 50%.
• Lucro operacional downstreamUS$(5.9)bn in 2026E to US$132.0bn in 2030EFica positivo em 2028E, em US$6.2bn.
• Contribuição downstream32% of cumulative profit and 64% of annual-profit growthModelos mais aplicações representam aproximadamente 54% do lucro operacional de 2030E.
• IRR incremental de Alibabac.26.6% after taxVersus 10% para a coorte normalizada da JPMorgan.

Impacto e implicações

A JPMorgan espera crescimento em todas as camadas, mas distingue lucros de curto prazo mais visíveis no hardware da trajetória maior de ganhos de médio e longo prazo em nuvem e downstream. A seleção deve focar escassez durável, adoção paga, conversão de lucro bruto, financiamento e valuation.

Riscos

• O consumo de inteligência na China pode crescer mais devagar.
• A escassez específica pode se deteriorar.
• A adoção pode não virar lucro bruto e caixa após custos.
• Retornos de nuvem podem não sustentar investimento.
• Empresas downstream podem precisar de financiamento externo.
• O resultado terminal é sensível a adoção paga, margem bruta e treinamento.

Pontos a observar

• Crescimento de tokens e intensidade de agentes.
• Utilização, rendimento e eficiência da nuvem.
• Receita paga de API, assinaturas, uso e transações.
• Margem bruta, alavancagem e conversão de caixa.
• Controle de contexto, permissões e execução pelas aplicações.
• EBITA e caixa de Alibaba, lucro incremental de Tencent, APIs pagas de Zhipu e reuso de Xunce.