Z.AI Co. (02513) — Interpretação do relatório

Visão geral

Esta revisão de resultados avalia os resultados de 1H26 e a perspectiva de comercialização da Z.AI. O Goldman Sachs destaca a aceleração do ARR, a demanda de API e a adoção empresarial, mas vê uma relação risco-retorno equilibrada diante da transição de on-premise para nuvem, do alto gasto de P&D e da incerteza sobre a rentabilidade no curto prazo.

Visões principais

A Z.AI apresentou resultados mistos em 1H26. A monetização da plataforma aberta/API e a aceleração do ARR foram mais fortes do que o esperado, enquanto a receita e a rentabilidade gerais foram pressionadas pela transição em curso da implantação on-premise para o negócio MaaS baseado em nuvem. A receita de plataforma aberta/API foi Rmb825mn, 4% acima do consenso, mas 38% abaixo das estimativas do Goldman Sachs, devido a diferenças entre contabilização bruta e líquida e ao fato de a aceleração do ARR estar mais concentrada no fim do período. A receita consolidada foi Rmb954mn, alta de 400% em relação ao ano anterior, e o prejuízo líquido ajustado foi Rmb1.96bn. A margem bruta consolidada foi 26%; a margem bruta de API foi 24.6%, acima da estimativa de 24.0% do Goldman Sachs e de 22.4% em 2H25, embora a rentabilidade on-premise mais fraca do que o esperado tenha compensado parte dessa força. O principal ponto positivo do relatório é o ritmo de crescimento da receita recorrente. O ARR de agosto superou US$1.6bn, ou US$2bn anualizado com base no ritmo da última semana, após subir de US$250mn em março para US$1bn em julho. O Goldman Sachs relaciona essa aceleração ao crescimento de mais de 40 vezes no consumo de token de MaaS no acumulado do ano, ao aumento de 23 vezes no uso do Coding Plan e à alta de 101% no preço médio de venda de API. A adoção empresarial também se aprofundou: o uso diário entre os 10 maiores clientes aumentou 98 vezes desde o começo do ano, e a GLM tornou-se a principal fornecedora global de modelos para 4 das principais plataformas de internet da China. A administração prioriza capturar demanda de token de maior valor, em vez de maximizar o volume agregado, usando coding como ponto de entrada e se expandindo para fluxos de trabalho de Agent, Co-work e IA autônoma. Por isso, o Goldman Sachs eleva sua estimativa de ARR para o fim de 2026 para US$2.7bn, de US$2.5bn, e prevê receita de 2H26/FY26E de Rmb7.0bn/Rmb7.9bn, ante Rmb6.8bn/Rmb8.6bn anteriormente. Quanto à rentabilidade, o relatório prevê que maior poder de precificação, ganhos graduais de eficiência de inferência após lançamentos de modelos e alavancagem operacional decorrente do maior consumo de token sustentem margens brutas da plataforma aberta de 25.3%/25.2% em 2H26E/FY26E, acima das previsões anteriores de 23.4%/23.5%. Porém, a empresa continua investindo fortemente: a despesa de P&D em 1H foi Rmb2.13bn, alta de 34% em relação ao ano anterior, e o Goldman Sachs prevê Rmb4.3bn/Rmb6.4bn para 2H26/FY26E, ante Rmb4.1bn/Rmb6.2bn. Espera-se que dois terços da despesa de P&D de FY26E estejam relacionados a investimentos em computação. Esse gasto maior e as perdas de 1H acima do esperado levam a instituição a reduzir as estimativas de receita de 2026-28E em 8%/4%/2%, principalmente por menor receita de implantação on-premise; a receita de API fica amplamente inalterada e as estimativas de lucro caem 2%/4%/2%. O roteiro tecnológico e de infraestrutura sustenta a tese de longo prazo. A administração vê a expansão por meio da otimização combinada da escala de pré-treinamento, profundidade efetiva, profundidade de treinamento e ambientes de tarefas como o caminho para maior inteligência. A empresa destaca GLM-5.2 e GLM-5.3 como evidência de que o pós-treinamento é atualmente uma das alavancas de expansão de maior retorno, enquanto GLM-5.3 Flash busca ampliar a fronteira entre inteligência e custo com nova arquitetura e eficiência significativamente melhorada. A próxima fase deve focar cada vez mais em modelos fundacionais maiores, janelas de contexto nativas mais longas e capacidade multimodal nativa, antes de avançar para Fully Self Training, um modelo recursivo em que a IA ajuda a gerar e melhorar os dados, ambientes e infraestrutura usados em treinamento futuro de IA. A oferta de computação permanece uma consideração operacional relevante. A Z.AI está expandindo a capacidade com uma combinação de clusters próprios, capacidade alugada e aquisição de serviços em nuvem; seu cluster de mais de 100k chips domésticos sustenta inferência em larga escala, com o custo de inferência por token caindo 80% no acumulado do ano. O multiplicador de monetização de computação, isto é, a receita de API gerada para cada Rmb1 gasto em computação, melhorou 14 vezes em relação ao ano anterior. O Goldman Sachs observa que a anterior colocação de ações de HK$31bn financia tanto o treinamento de modelos maiores quanto a crescente demanda por computação, mas também destaca o desafio do consumo de caixa e da capacidade de autofinanciamento. O Goldman Sachs mantém seu preço-alvo de 12 meses de HK$1,610 e a classificação Neutral relativa ao setor. Sua avaliação DCF usa WACC de 12% e taxa de crescimento terminal de 2%, e pressupõe que a Z.AI alcance participação de mercado de 20% até 2030E e margem EBIT ajustada de longo prazo de 26% até 2035E. As avaliações implícitas revisadas para os cenários otimista e pessimista são HK$2,508 e HK$839, respectivamente. O preço-alvo inalterado e a postura Neutral refletem uma relação risco-retorno equilibrada apesar do impulso mais forte do ARR.

Estrutura de análise

O Goldman Sachs compara os resultados efetivos de 1H26 com o consenso e suas estimativas anteriores, e depois avalia ARR, uso de token, preços de API, adoção empresarial, margens, P&D e eficiência de computação para revisar suas previsões. A instituição avalia a empresa com um modelo de fluxo de caixa descontado e testa a perspectiva por meio de cenários otimista, base e pessimista.

Notas metodológicas

• Métodos de avaliaçãoDCF (fluxo de caixa descontado)

  Avaliação por fluxo de caixa descontado

  O Goldman Sachs avalia a Z.AI por DCF com WACC de 12% e taxa de crescimento terminal de 2%, incorporando premissas de participação de mercado de 20% até 2030E e margem EBIT ajustada de 26% até 2035E.

• Marco de análise setorialDecomposição de volume e preço

  Análise de volume de token e preços de API

  O relatório explica o impulso do ARR e da receita por meio do consumo de token de MaaS, uso do Coding Plan e preços médios de venda de API.

Mapeamento e comparação de ativos

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

• Z.AI Co. (2513.HK)

  Empresa principal coberta; sua expansão de ARR, monetização de API, roteiro de modelos e investimentos em computação determinam a perspectiva do relatório.

  Pontos fortes

  Crescimento rápido do ARR, preços mais altos de API, maior adoção empresarial, eficiência de inferência em melhora e expansão para fluxos de trabalho de IA de maior valor.

  Pontos fracos

  A receita e a rentabilidade da implantação on-premise são mais fracas do que o esperado; a rentabilidade consolidada continua pressionada.

  Comparação

  A margem bruta de API de 24.6% ficou acima dos 18% da MiniMax citados no relatório; a estimativa do Goldman Sachs para o ARR de fim de 2026 da Z.AI é US$2.7bn, ante US$1.2bn para a MiniMax.

  Riscos

  Concorrência, despesas elevadas de P&D, visibilidade limitada de lucro no curto prazo, consumo de caixa e risco geopolítico.

Dados principais

• ARR de agostoAbove US$1.6bnUS$2bn anualizado com base no ritmo da última semana, em base bruta.
• Estimativa de ARR para o fim de 2026US$2.7bnElevada de US$2.5bn.
• Receita de plataforma aberta/API em 1H26Rmb825mn4% acima do consenso; 38% abaixo das estimativas do Goldman Sachs.
• Receita de 1H26Rmb954mnAlta de 400% em relação ao ano anterior.
• Margem bruta de API em 1H2624.6%Acima da estimativa de 24.0% do Goldman Sachs e de 22.4% em 2H25.
• Despesa de P&D em 1H26Rmb2.13bnAlta de 34% em relação ao ano anterior.
• Revisões das estimativas de receita de 2026-28E-8% / -4% / -2%Impulsionadas principalmente por menor receita de implantação on-premise.
• Preço-alvoHK$1,610Preço-alvo de 12 meses baseado em DCF, sem alteração.

Impacto e implicações

O relatório vê MaaS baseado em nuvem e a comercialização de API substituindo cada vez mais a implantação on-premise, enquanto coding, Agent, Co-work e fluxos de trabalho de IA autônoma ampliam a demanda. Monetização e eficiência de inferência mais fortes podem melhorar as margens, mas a transição e o investimento em P&D orientado por computação mantêm limitada a visibilidade de lucro no curto prazo.

Riscos

• A inteligência dos modelos pode superar as expectativas e melhorar o cenário de alta.
• A visibilidade de lucro pode melhorar mais rapidamente do que o esperado.
• Fluxos adicionais de receita de take rate não ligados à inferência ou capacidade de comercialização mais forte podem melhorar os resultados.
• A concorrência na indústria global de modelos fundacionais pode se intensificar.
• O alto gasto de P&D pode limitar a visibilidade de lucro no curto prazo.
• O consumo de caixa e a capacidade de autofinanciamento permanecem riscos.
• Uma corrida tecnológica mais intensa entre Estados Unidos e China pode criar risco geopolítico.

Pontos a observar

• O ritmo do crescimento do ARR, consumo de token, uso do Coding Plan e preços de API.
• A execução em fluxos de trabalho de Agent, Co-work e IA autônoma.
• O avanço da margem bruta da plataforma aberta e ganhos de eficiência de inferência.
• A escala e o financiamento do investimento em computação e do gasto de P&D.
• O progresso rumo à rentabilidade e o efeito de menor receita de implantação on-premise.
• O desenvolvimento de modelos de próxima geração, modelos fundacionais maiores, janelas de contexto mais longas e capacidade multimodal.