China AI value chain: A J.P. Morgan espera forte expansão dos lucros de AI na China e migração gradual de valor de hardware para cloud e monetização downstream

Visão geral

Este é um início de cobertura sobre a cadeia de valor de AI na China, modelando como o consumo crescente de inteligência se converte em receita e lucro operacional para hardware, cloud e modelos mais aplicações. A J.P. Morgan tem visão construtiva: hardware captura a economia inicial da construção de capacidade, enquanto cloud e negócios downstream devem ampliar sua contribuição ao crescimento dos lucros com melhora de utilização, uso pago e margens brutas.

Visões principais

A J.P. Morgan espera que a melhora da capacidade dos modelos, a queda do custo de inferência, raciocínio mais longo, contexto mais rico e agentes de múltiplas etapas impulsionem crescimento de cerca de 60x no consumo de token de inferência na China entre 2026E e 2030E. Empresas devem responder por aproximadamente 69% do consumo de token em 2030E, sustentadas por fluxos de trabalho recorrentes como programação, pesquisa, atendimento ao cliente e operações; consumidores contribuiriam com os 31% restantes. O relatório estima gasto global final de clientes em AI de >US$1.4tn em 2030, com a China representando aproximadamente um quarto, e entende que a oportunidade vai além de orçamentos tradicionais de software, alcançando a economia de trabalho, serviços e fluxos de trabalho. O relatório divide a cadeia em hardware, cloud e modelos mais aplicações, destacando que as receitas das camadas se sobrepõem e não devem ser somadas como gasto final do cliente. Seu modelo bottom-up acompanha um dólar de investimento cloud por três ciclos de reconhecimento de receita: hardware ganha quando a capacidade é comprada, cloud recebe receita recorrente durante os cinco anos de vida do ativo, e empresas downstream monetizam a inteligência e os fluxos de trabalho suportados pela base instalada. O investimento AI de hyperscalers chineses é modelado em US$777.6bn acumulados em 2026E-30E, de US$100.0bn em 2026E para US$184.8bn em 2029E e 2030E. Assim, a receita de hardware equivale ao investimento cloud anual e também soma US$777.6bn; a margem operacional de hardware sobe de 30% para 40% no período. Hardware ganha primeiro porque fornecedores são pagos no momento da aquisição. A projeção é de US$286.1bn, cerca de 53% do pool acumulado de lucro operacional de US$543.8bn em 2026E-30E. O lucro operacional de hardware sobe de US$30.0bn em 2026E para US$73.9bn em 2030E, mas sua participação no lucro anual do setor cai de 93% para 30% à medida que cloud e a monetização downstream crescem. A J.P. Morgan não considera a concentração upstream atual uma precificação incorreta por si só: ela reflete que hardware reconhece economia relevante durante a fase de construção de capacidade. O crescimento de cargas de treinamento, inferência e agentes continua sustentando um grande pool absoluto de lucros de hardware, ainda que o valor incremental migre para outras camadas. Cloud é a ponte de monetização recorrente entre a capacidade instalada e o consumo downstream de inteligência. Cada coorte de capex gera receita cloud por cinco anos a partir do ano seguinte à aquisição; a utilização sobe de 60% no primeiro ano de receita para 80% entre o terceiro e o quinto ano. O rendimento de receita em plena utilização melhora de 0.50x do capex anual em 2026E em 4% ao ano, para 0.585x em 2030E. Com várias coortes operando ao mesmo tempo, a receita cloud cresce de US$20.0bn em 2026E para US$249.1bn em 2030E, ou 12.5x. A margem EBITA de cloud é assumida em 12% em 2026E e 15% depois, elevando o lucro operacional de US$2.4bn para US$37.4bn. Retornos cloud continuam sendo restrição essencial: rendimento, utilização ou eficiência de serving fracos podem limitar o investimento futuro em capacidade; retornos atrativos permitem mais capacidade e um pool downstream maior. Modelos mais aplicações são a principal fonte de crescimento de lucros de médio prazo, mas também a camada mais tardia e sensível. A parcela de treinamento e modelo R&D / inferência na receita cloud muda de 45% / 55% em 2026E para 15% / 85% em 2030E. Como o gasto de inferência é custo dos bens vendidos downstream, a receita downstream é limitada pela capacidade que cloud consegue servir. Com margem bruta downstream melhorando de 30% para 50%, a receita cresce de US$15.7bn em 2026E para US$423.4bn em 2030E, ou 26.9x. Treinamento e modelo R&D absorvem US$9.0bn em 2026E, ante lucro bruto downstream de apenas US$4.7bn, resultando em prejuízo operacional de US$5.9bn. A camada deve se tornar lucrativa em 2028E, com US$6.2bn de lucro operacional e cerca de 40% de margem bruta, antes de alcançar US$132.0bn de lucro operacional em 2030E sobre US$423.4bn de receita e margem bruta de 50%. A composição dos lucros muda materialmente. O lucro operacional anual total sobe de US$26.5bn em 2026E para US$243.3bn em 2030E; hardware cresce 2.5x, cloud 15.6x e downstream passa de prejuízo a 54% do lucro anual do setor. Downstream contribui com aproximadamente 32% do lucro operacional acumulado em cinco anos, mas com 64% do aumento de US$217bn no lucro operacional anual do setor entre 2026E e 2030E. Cerca de 77% do lucro acumulado downstream modelado chega em 2030E, tornando capacidade de financiamento, consumo de caixa e acesso a capital importantes para a seleção antes da aceleração de lucros. A J.P. Morgan trata explicitamente o valor de 2030E como resultado de cenário, e não previsão pontual precisa, porque pequenas mudanças em margem bruta, intensidade de treinamento ou ritmo de adoção paga alteram materialmente o resultado. A J.P. Morgan entende que o valor de mercado atual reflete aproximadamente a distribuição de receita atual, e não a mudança de lucros sugerida pelo modelo. Modelos mais aplicações representam aproximadamente 14% de sua estimativa de valor de mercado listado atribuível a AI na China, em linha geral com aproximadamente 12% da receita da cadeia em 2026E. Porém, sua previsão eleva a participação de receita downstream para aproximadamente 49% em 2030E e a participação de lucro operacional downstream para aproximadamente 54%. Por isso, o foco é se uso pago, lucro bruto e geração de caixa comprovarão que a mudança posterior de lucros se tornará visível ao mercado. Indicadores de curto prazo incluem utilização cloud, receita recorrente de API e assinaturas, usuários pagantes de aplicações, margem bruta após custos de inferência e entrega, alavancagem operacional e fluxo de caixa. O framework de seleção é Opportunity × Scarcity × Value Capture. Opportunity mede o pool econômico em torno das cargas de trabalho de uma empresa; Scarcity avalia quais capacidades permanecem difíceis de replicar ou substituir; Value Capture avalia se essas vantagens se convertem em gasto dos clientes, lucro bruto, conversão de caixa e retornos. O relatório espera que a escassez migre de capacidade bruta e inteligência de modelos frontier para eficiência de serving, contexto empresarial proprietário, permissões, propriedade de fluxos de trabalho e execução de transações. Também alerta que ativos escassos não criam automaticamente valor acionário: empresas precisam demonstrar monetização e economia retida após pagar por computação, inferência, implantação e outras camadas do stack. Alibaba, Tencent e Zhipu são as exposições preferidas da J.P. Morgan por ocuparem pontos distintos da sequência do modelo. Alibaba combina silício T-Head, capacidade cloud e franquia de modelos; a reconstrução de capacidade incremental estima IRR de projeto após impostos de 26.6% contra 10% da coorte setorial normalizada, condicionada a maior rendimento de receita e utilização mais rápida. Tencent é a exposição preferida a aplicações porque sua distribuição, contexto proprietário e execução de transações podem continuar necessários mesmo se modelos gerais absorverem mais funcionalidades de interface; o relatório entende que esses ativos de aplicações AI estão em grande parte não precificados. Zhipu é a exposição preferida a inteligência diferenciada, e o teste central é se a capacidade relativa sustenta preços de API, chamadas pagas, retenção e lucro bruto suficiente para financiar desenvolvimento contínuo de modelos. O relatório inicia SenseTime, Phancy e Xunce em Overweight e assume a cobertura de Kingsoft Office em Overweight. Inicia ou assume Neutral em MiniMax, JST, Meitu, Kingdee e Manycore, por combinações variadas de monetização incerta, substituibilidade de recursos, comercialização inicial, valuation e restrições de crescimento. Assume Yonyou em Underweight porque seus ativos de fluxos de trabalho empresariais ainda não se traduziram em crescimento consolidado, rentabilidade e geração de caixa comparáveis. Riscos setoriais incluem crescimento abaixo do esperado do consumo de inteligência, erosão da escassez específica das empresas e conversão mais fraca da adoção em lucro bruto e fluxo de caixa.

Estrutura de análise

A J.P. Morgan parte do consumo projetado de token e do gasto final de clientes em AI e constrói um modelo bottom-up da cadeia a partir do investimento cloud. Acompanha o mesmo investimento pela aquisição de hardware, por coortes de receita cloud de cinco anos e por receita downstream limitada por capacidade de inferência. Depois avalia empresas com Opportunity × Scarcity × Value Capture, testando o posicionamento estratégico contra indicadores observáveis como utilização, receita recorrente, adoção paga, lucro bruto, retenção, fluxo de caixa e retornos incrementais.

Notas metodológicas

• Marco de análise setorialTransmissão entre elos da cadeia de valor

  Modelo de cadeia de valor de AI em três camadas: hardware, cloud e modelos mais aplicações.

  O relatório acompanha o investimento cloud por aquisição de hardware, monetização cloud recorrente e receita downstream de inteligência para mostrar como a economia é compartilhada entre camadas conectadas.

• Marco de análise setorialMarco de oferta e demanda

  Modelo de demanda de consumo de token e de capacidade de inferência.

  O crescimento projetado de cargas de trabalho AI, utilização e demanda de inferência orienta as estimativas de necessidade de capacidade, receita cloud e monetização downstream.

• Marco de estratégia competitivaFosso econômico e vantagem competitiva

  Framework Opportunity × Scarcity × Value Capture.

  O framework avalia o tamanho da oportunidade AI de uma empresa, a durabilidade de ativos difíceis de replicar e se esses ativos se convertem em receita, lucro bruto, fluxo de caixa e retornos.

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

  Sequência de conversão financeira de receita para lucro bruto, alavancagem operacional, CFO/FCF e retornos incrementais.

  O relatório trata a adoção de AI como evidência insuficiente caso não gere lucro bruto após custos de inferência e implantação, conversão de caixa e retornos de investimento aceitáveis.

• Métodos de avaliaçãoAvaliação por P/L e PEG

  Preços-alvo baseados em múltiplos P/E forward para diversas empresas cobertas.

  O resumo de ações aplica múltiplos P/E forward aos lucros estimados de Alibaba, Tencent, Zhipu e várias outras empresas cobertas.

Mapeamento e comparação de ativos

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

• Alibaba (BABA / 9988.HK)

  Exposição integrada preferida em hardware, cloud e modelos mais aplicações.

  Pontos fortes

  Silício T-Head, capacidade cloud, franquia de modelos e potencial de codisenho de modelo e infraestrutura.

  Pontos fracos

  A conversão de caixa pode ser adiada por uma base de investimento crescente.

  Comparação

  A J.P. Morgan estima IRR incremental de projeto após impostos de aproximadamente 26.6% contra 10% para a coorte setorial normalizada.

  Riscos

  Precificação cloud competitiva, silício interno sem melhora de economia unitária e investimento sustentado adiando retornos de caixa.

• Tencent (700.HK)

  Exposição preferida a aplicações.

  Pontos fortes

  Distribuição, contexto proprietário e execução de transações em atividade de consumidores e empresas.

  Pontos fracos

  A contribuição de AI pode permanecer difícil de identificar nos resultados divulgados pelo grupo.

  Comparação

  O relatório considera os ativos de aplicações AI da Tencent em grande parte não precificados perante o mercado listado atribuível a AI na China.

  Riscos

  A atividade AI pode não gerar receita de publicidade, comerciantes ou transações; custos de inferência e desenvolvimento podem absorver o lucro bruto incremental.

• Zhipu (2513.HK)

  Exposição preferida a inteligência diferenciada; Overweight.

  Pontos fortes

  Capacidade relativa de modelos, potencial de API paga, harnesses proprietários, otimização de serving e implantação empresarial.

  Pontos fracos

  A economia depende da persistência da capacidade relativa e de lucro bruto suficiente para financiar desenvolvimento contínuo de modelos.

  Comparação

  O relatório identifica Zhipu como sua exposição preferida a modelos chineses, enquanto MiniMax permanece Neutral à espera de evidência mais forte de capacidade, preço e conversão de lucro bruto.

  Riscos

  Convergência da capacidade de modelos, concorrência de preços de distribuição open-weight e custos de treinamento crescendo mais rápido que o uso pago.

• SenseTime (20.HK)

  Iniciada em Overweight como exposição a infraestrutura, implantação e multimodalidade.

  Pontos fortes

  SenseCore conecta capacidade a cargas de trabalho AI de produção.

  Pontos fracos

  O valor de longo prazo depende de generalizar capacidades além das cargas de trabalho internas.

  Comparação

  Adoção externa, utilização e progressão de margem são os principais indicadores de validação.

  Riscos

  Melhorias técnicas podem não escalar para adoção externa, receita reutilizável ou retornos aceitáveis.

• Phancy (6682.HK)

  Iniciada em Overweight como exposição a otimização e implantação de computação heterogênea.

  Pontos fortes

  Agendamento, adaptação de modelos e implantação enfrentam ambientes fragmentados de aceleradores.

  Pontos fracos

  A productização e a conversão operacional continuam sendo testes-chave.

  Comparação

  O relatório vê potencial para deslocar a economia de implantação intensiva em capacidade para software reutilizável orientado à otimização.

  Riscos

  As capacidades podem não se converter em expansão de margem bruta, eficiência de implantação ou reutilização por clientes.

• Xunce Technology (3317.HK)

  Iniciada em Overweight como exposição a implantação e productização de AI empresarial.

  Pontos fortes

  Contexto empresarial, governança, integração e reutilização de módulos Token/TokenOS.

  Pontos fracos

  A entrega intensiva em implementação precisa se tornar economia de software escalável.

  Comparação

  Reutilização de módulos, prazo de implantação, receita por empregado e recebimento de caixa são testes-chave.

  Riscos

  A demanda por implantação empresarial pode continuar intensiva em trabalho, em vez de gerar receita recorrente de software e uso.

• Kingsoft Office (688111.CH)

  Cobertura assumida em Overweight como exposição a aplicações de produtividade.

  Pontos fortes

  Grande base de usuários, distribuição, contexto de documentos e propriedade de fluxos de trabalho.

  Pontos fracos

  A monetização de AI precisa superar os custos de servir AI.

  Comparação

  O relatório considera que o acesso a inteligência cada vez mais intercambiável pode ampliar o uso pago de produtividade e reduzir o custo de serving.

  Riscos

  Conversão paga, lucro bruto incremental e maior penetração de fluxos de trabalho podem não evoluir como esperado.

• MiniMax (100.HK)

  Exposição Neutral a modelos fundacionais.

  Pontos fortes

  Forte crescimento de uso e posicionamento multimodal e de agentes.

  Pontos fracos

  Capacidade duradoura, poder de precificação e conversão de lucro bruto exigem mais comprovação.

  Comparação

  Diferentemente da Zhipu classificada Overweight, o relatório vê a evidência da MiniMax mais concentrada no crescimento do uso do que em conversão financeira diferenciada.

  Riscos

  Processos judiciais com estúdios dos EUA, concorrência, investimento alto e contínuo em R&D, incerteza de comercialização e dependência de infraestrutura computacional e fornecedores.

• Yonyou Network Technology (600588.CH)

  Cobertura assumida em Underweight como exposição a aplicações empresariais.

  Pontos fortes

  Ativos de estado empresarial, permissões e fluxos de trabalho complexos.

  Pontos fracos

  Crescimento consolidado, rentabilidade e geração de caixa não demonstraram captura de valor comparável.

  Comparação

  O relatório vê uma oportunidade AI considerável, mas conversão financeira mais fraca que a necessária para sua tese de investimento.

  Riscos

  Atividade de produtos e contratos AI pode continuar sem se traduzir em receita, margem e conversão de caixa.

Dados principais

• Crescimento do consumo de token de AI na Chinac.60x from 2026E to 2030EImpulsionado por adoção mais ampla, maior capacidade, menor custo de inferência e fluxos de trabalho de agentes mais complexos.
• Participação empresarial no consumo de token da China em 2030Ec.69%Consumidores representam os c.31% restantes.
• Gasto global final de clientes em AI>US$1.4tn in 2030EA China deve representar aproximadamente um quarto da demanda.
• Investimento de hyperscalers em AI na ChinaUS$777.6bn cumulatively in 2026E-30EModelado de US$100.0bn em 2026E para US$184.8bn em 2029E e 2030E.
• Lucro operacional da indústria de AI na ChinaUS$26.5bn in 2026E to US$243.3bn in 2030EO lucro operacional acumulado em 2026E-30E é US$543.8bn.
• Receita downstreamUS$15.7bn in 2026E to US$423.4bn in 2030EAumento de 26.9x, apoiado por maior pool de inferência e expansão da margem bruta de 30% para 50%.
• Lucro operacional downstreamUS$(5.9)bn in 2026E to US$132.0bn in 2030EO modelo projeta o primeiro lucro operacional downstream positivo em 2028E, de US$6.2bn.
• IRR do projeto de capacidade incremental da Alibabac.26.6% after taxContra 10% para a coorte setorial normalizada na reconstrução da J.P. Morgan.

Impacto e implicações

A J.P. Morgan espera crescimento nas três camadas, mas distingue a visibilidade de lucros de curto prazo de hardware da maior trajetória de lucros de médio prazo de cloud e modelos mais aplicações. Argumenta que a questão-chave não é apenas se o investimento em AI aumenta, mas se a capacidade ganha retornos aceitáveis, se a queda do custo de inferência expande o lucro bruto downstream e se empresas individuais controlam pontos de cobrança escassos e convertem uso em fluxo de caixa.

Riscos

• O consumo de inteligência pode crescer mais lentamente que o esperado pela J.P. Morgan.
• Fontes de escassez específicas de empresas podem se deteriorar à medida que a capacidade se expande e as capacidades dos modelos se tornam mais intercambiáveis.
• A adoção de AI pode se converter fracamente em lucro bruto e fluxo de caixa após custos de inferência, desenvolvimento, implantação e suporte.
• O rendimento de receita cloud, a utilização ou a eficiência de serving podem permanecer inadequados e limitar investimento em capacidade economicamente sustentável.
• As projeções downstream são sensíveis à margem bruta, à intensidade de treinamento e ao ritmo de adoção paga, com grande parte do lucro modelado concentrada em 2030E.

Pontos a observar

• Crescimento de utilização cloud, eficiência de serving, rendimento de receita e margens do segmento cloud.
• Receita recorrente de API e assinaturas, usuários de aplicações pagas, conversão AI paga e receita vinculada ao uso.
• Margem bruta após custos de inferência e entrega, alavancagem operacional, fluxo de caixa e retornos sobre capital incremental.
• Para modelos: capacidade relativa, precificação, crescimento de token e ARR, economia de endpoints oficiais e adoção de harness.
• Para middleware: reutilização de módulos, tempo de implantação, receita por empregado, replicação entre setores e recebimento de caixa.
• Para aplicações: retenção, NRR, volume de transações ou ações, ARPU ou ACV relacionado a AI e se o uso gerado por máquinas compensa a compressão de seats.