Morgan Stanley analysiert die Wirtschaftlichkeit der chinesischen KI-Rechenkapazitäten: Eigen aufgebaute Infrastruktur amortisiert sich innerhalb von 3 Jahren, der ROIC von Cloud-Dienstanbietern kann 13% bis 20% erreichen, wobei Alibaba Cloud die größten Wettbewerbsvorteile aufweist.

Der Wettbewerb um die Rendite von Rechenleistungsinvestitionen tritt in eine quantifizierte Phase ein.

In seinem neuesten Bericht wendet Morgan Stanley das nordamerikanische ROIC-Rahmenwerk auf den chinesischen Cloud-Computing-Markt an, zerlegt die drei Wege – der Aufbau eigener GPU-Infrastruktur, die Anmietung von Rechenleistung bei Drittanbietern und Model-as-a-Service (MaaS) – einzeln und kommt zu folgendem Schluss: Der ROIC-Bereich chinesischer Cloud-Anbieter liegt zwischen 13 % und 20 %, die Amortisationsdauer des Kapitals beträgt etwa 3 Jahre. Obwohl die Renditen aufgrund höherer Hardwarekosten für Server unter den 25 % bis 50 % der US-Pendants liegen, geht Morgan Stanley davon aus, dass anhaltend starke Nachfrage nach Rechenleistung und höhere Kapitalausgaben mittelfristig zu beträchtlichen Renditen führen werden.

Dem Bericht zufolge ist Alibaba aufgrund seiner größten KI-Infrastruktur, seines ausgereiften Cloud-Geschäftsmodells und der nachgewiesenen Fähigkeiten des Modells Qwen in der Lage, in allen drei Szenarien beträchtliche Renditen zu erzielen. Diese Kombination stützt auch seine Bewertungsprämie.

Die Analysten stufen die Alibaba-Aktie an der US-Börse mit „Übergewichten“ ein und setzen ein Kursziel von 180 US-Dollar fest, was ein Aufwärtspotenzial von etwa 45 % gegenüber dem aktuellen Kurs bedeutet.

Bemerkenswert ist, dass der Bericht gleichzeitig darauf hinweist, dass die annualisierten Kapitalausgaben von Tencent bereits über 200 Milliarden Renminbi liegen, was einen Aufwärtsdruck auf die Kapitalausgabenpläne von Alibaba ausüben wird. Die Analysten gehen jedoch davon aus, dass Alibabas Fokussierung auf IaaS und MaaS seine ROIC-Transparenz relativ höher macht.

Im MaaS-Szenario verfolgt Alibaba das Ziel, dass der annualisierte wiederkehrende Umsatz (ARR) von MaaS bis zum Ende des Jahres über 30 Milliarden Renminbi liegt. Wenn dieses Ziel erreicht wird, gibt es erhebliches Potenzial zur Verbesserung der Profitabilität des Cloud-Geschäfts – derzeit liegt die Profitabilität von Alibaba Cloud nur bei 11 % bis 12 %.

Eigene GPU-IaaS: 44 % operative Marge, aber hohe Serverkosten drücken den ROIC

Der erste Teil des Morgan-Stanley-Rahmenwerks untersucht die wirtschaftliche Effizienz einzelner Server, bei denen Cloud-Dienstleister (CSP) 8-Karten-GPU-KI-Server selbst kaufen und vermieten.

Im Basisszenario betragen die Kapitalausgaben pro Server 8 Millionen Renminbi, die monatliche Miete beträgt 250.000 Renminbi. Nach Abzug der Server-Abschreibungen, IDC-Abschreibungen, Energiekosten und anderer Betriebsausgaben erreicht dieses Modell eine operative Marge von etwa 44 %, einen Return on Invested Capital (ROIC) von 13 % und eine Amortisationsdauer von 3,1 Jahren.

Im Vergleich zum US-Markt stammen die Unterschiede in China hauptsächlich aus den Hardwarekosten.

Nach Berechnungen von Morgan Stanley belaufen sich die Kapitalausgaben pro Server in China auf etwa das Dreifache vergleichbarer Konfigurationen in den USA, was zu deutlich höheren Abschreibungskosten führt. Der chinesische ROIC (13 %) liegt weit unter dem der USA (31 %).

Dennoch wirken die niedrigeren IDC- und Energiekosten in China als gewisser Ausgleich, und die Amortisationsdauer von 3,1 Jahren stimmt im Wesentlichen mit der kürzlichen Aussage des Managements von Amazon überein, dass sich die Amortisationszeit für Server und Netzwerkgeräte etwas unter drei Jahren befindet.

Die Analysten weisen gleichzeitig darauf hin, dass zwischen der inkrementellen operativen Marge von 44 % und der aktuellen Gesamtmarge von Alibaba Cloud von 11 % bis 12 % eine große Lücke besteht.

Diese Lücke ergibt sich hauptsächlich aus dem Einfluss des traditionellen Cloud-Geschäfts mit niedriger Marge, der Abschreibungsbelastung von Infrastrukturvermögen aus der Frühphase sowie Forschungs- und Personalkosten, die nicht in das Framework auf Serverebene einbezogen sind. Wenn die Nachfrage nach KI-Rechenleistung stark bleibt und die Auslastung auf hohem Niveau gehalten wird, ist der Weg zur Aufwärtskorrektur der Gesamtmarge von Alibaba Cloud klar ersichtlich.

Anmietung von Rechenleistung: Null Kapitalausgaben für sofortigen Cashflow, Marge von 20 %

Der zweite Teil des Frameworks bewertet ein weiteres Modell: Cloud-Anbieter mieten zugrundeliegende Server bei aufstrebenden Cloud-Dienstleistern (Neocloud) und vermieten sie an Endkunden weiter – im Wesentlichen handelt es sich um ein Geschäft mit Preisunterschieden.

Da CSP keine Kapitalausgaben für Server tragen müssen, erfordert dieses Modell kaum Vorabinvestitionen. Sobald der Mietpreisunterschied positiv wird, entsteht sofort ein positiver Cash-Beitrag.

Im Basisszenario wird den Kunden eine monatliche Miete von 250.000 Renminbi berechnet und den aufstrebenden Cloud-Dienstleistern eine monatliche Miete von 200.000 Renminbi gezahlt, was zu einer operativen Marge von etwa 20 % führt, ohne dass Kapital im Voraus gebunden wird.

Der Nachteil dieses Modells ist, dass die Marge niedriger ist als beim Eigenaufbau – ein Teil des wirtschaftlichen Werts fließt an die Eigentümer des zugrundeliegenden Vermögens.

Für Cloud-Anbieter, die schnell auf die zusätzliche Nachfrage nach KI-Rechenleistung reagieren und gleichzeitig die Ausweitung der Bilanz kontrollieren müssen, bietet das Mietmodell einen flexiblen Ergänzungsweg, der besonders praktisch ist, wenn die eigene Produktionskapazität noch nicht verfügbar ist.

MaaS: Höchste Marge, aber sehr empfindlich auf Anteil der Inferenz und Durchsatz

Der dritte Teil des Morgan-Stanley-Rahmenwerks bewegt sich eine Ebene höher im KI-Technologie-Stack und untersucht die wirtschaftliche Effizienz, mit der Cloud-Anbieter oder Modellanbieter ihre eigene Rechenleistung über Modell-APIs (MaaS) monetarisieren.

Das Basisszenario geht von einem Durchsatz von 4000 Token pro GPU und Sekunde, einem Anteil der Inferenz-Workload von 50 % und einem gemischten Token-Preis von 9,56 Renminbi pro Million Token aus. Unter diesen Bedingungen erreicht das Modell eine Bruttomarge von 76 %, eine operative Marge von 53 %, einen ROIC von etwa 19 % und eine Amortisationsdauer von 2,5 Jahren – der Weg mit der höchsten Marge unter den drei Modellen.

Allerdings sind die Ergebnisse dieses Modells sehr empfindlich gegenüber wichtigen Annahmen. Wenn der Anteil der Inferenz niedrig ist und der Durchsatz unzureichend, kann selbst bei gleichem Kapitaleinsatz ein Verlust entstehen. Morgan Stanley weist darauf hin, dass die meisten KI-Labore, einschließlich Qwen, derzeit noch im unteren Bereich dieses Frameworks liegen, da derzeit viele Rechenressourcen noch für das Modelltraining statt für die Inferenz zugewiesen werden, was die Menge der monetarisierbaren Token einschränkt.

Auf der Ebene der Token-Preise zitiert Morgan Stanley die kürzlichen Preisanpassungen von Zhipu, Kimi und DeepSeek und weist darauf hin, dass die Bedeutung der Preisgestaltung selbst geringer ist als der Umsatz, der pro Einheit Rechenleistung erzielt wird: Ein Modell mit niedrigerem Preis aber deutlich höherem Durchsatz kann eine bessere wirtschaftliche Effizienz aufweisen als ein Konkurrenzprodukt mit hohem Preis aber hohem Rechenleistungsverbrauch.

Für Alibaba wird, wenn der Anteil der KI-Einnahmen am Cloud-Geschäft sich 50 % nähert und das MaaS-ARR-Ziel von über 30 Milliarden Renminbi bis zum Jahresende erreicht wird, bei gleichzeitiger Erhöhung des Inferenzanteils und des Token-Durchsatzes eine Annäherung an das Basisszenario mit 53 % operativer Marge und 19 % ROIC erwartet. Morgan Stanley geht davon aus, dass MaaS der Bereich mit der größten Lücke zwischen dem aktuellen Profitabilitätsniveau von Alibaba Cloud und der langfristigen Profitabilität von Rechenleistungsvermögen sowie dem größten potenziellen Verbesserungspotenzial ist.

Unterschied im ROIC zwischen China und den USA: Hardwarekosten sind das Kernproblem

Der marktübergreifende Vergleich von Morgan Stanley zeigt eine strukturelle Einschränkung: Im IaaS-Szenario ist der Umsatz pro GW in China und den USA ungefähr gleich groß, aber die Kapitalausgaben für Server in China sind weit höher als in den USA, was dazu führt, dass Abschreibungskosten die Gesamtrendite drücken. Der chinesische ROIC (13 %) beträgt etwa 42 % des US-Wertes (31 %), und die Amortisationsdauer ist länger als die 2,2 Jahre in den USA.

Im MaaS-Szenario hat China einen leichten Vorteil beim Token-Durchsatz (4000 TPS pro GPU gegenüber 2750 in den USA), was teilweise auf kleinere Modelle, breitere Anwendung von MoE-/Aufmerksamkeitsmechanismen und höhere Effizienz des KV-Cache zurückzuführen ist. Aufgrund des niedrigeren Inferenzanteils (50 % gegenüber 65 % in den USA) und eines wettbewerbsintensiveren Preisumfelds beträgt der NOPAT des chinesischen MaaS etwa 69 % des US-Wertes, der ROIC liegt bei 19,5 % gegenüber 46,2 % in den USA.

Die Analysten gehen davon aus, dass die drei Kernwege zur Verkleinerung dieser Lücke die anhaltende Senkung der GPU-Hardwarekosten, die Verbesserung der Effizienz der Modelliteration und die beschleunigte Verlagerung der Rechenleistungszuweisung vom Training zur Inferenz sind. Mit der schrittweisen Verbesserung dieser drei Variablen besteht ein erhebliches Aufwärtspotenzial für die Renditekurve der KI-Rechenleistungsinvestitionen chinesischer Cloud-Anbieter.

Dieser Artikel stellt keine persönliche Anlageberatung dar und gibt nicht die Meinung der Plattform wieder. Märkte sind risikoreich, Investitionen erfordern Vorsicht. Bitte treffen Sie Ihre eigene Beurteilung und Entscheidung unabhängig.

Dieser Artikel stammt aus dem WeChat-Offiziellen Konto „Wall Street CN“, Autor: Xu Chao, veröffentlicht mit Genehmigung von 36Kr.