Zhipu spielt den zeitlichen Vorsprung heraus.

In den letzten drei Jahren hat die Branche der großen KI-Modelle mindestens mehrere deutliche Schwerpunktverlagerungen erlebt.

Am Anfang konzentrierte sich der Markt auf die technische Obergrenze und das Vorstellungspotenzial. Ein Unternehmen für große KI-Modelle hat seine phasenweise Aufgabe bereits erfüllt, solange es ein neues Modell mit ausreichend starker Leistung vorlegen kann.

Später verlagerte sich der Bewertungsmaßstab auf APIs. Die Modelle durften ihre Fähigkeiten nicht nur auf Pressekonferenzen vorführen, sondern mussten tatsächlich von Entwicklern aufgerufen und von Unternehmen integriert werden. Neben der Leistung gewannen auch Nutzerzahl, Aufrufvolumen und Umsatzgröße an Bedeutung.

Da die Modellanbieter schrittweise in Richtung Börsengang voranschreiten, kann der Markt nicht mehr warten: Die Umsatzgröße ist erreicht, woher sollen die Gewinne stammen? Wie können Unternehmen für große KI-Modelle höhere Gewinne in der KI-Branche erzielen?

Die Prüfung des Marktes wird immer strenger, und der Wettbewerb in der Branche ist von der frühen Phase der technischen Vorstellungskraft zu einer strengen Prüfung der kommerziellen Selbstversorgungsfähigkeit übergegangen.

Als „erste Aktie der Welt für große KI-Modelle“ steht Zhipu nach der vollen Nutzung der Bewertungsprämien und Finanzierungsvorteile des Kapitalmarktes unweigerlich zuerst vor einer detaillierteren Prüfung im Rampenlicht und trägt mehr Erwartungen von Kapital und Industrie.

Das ist eine Ehre, aber auch ein erheblicher Druck. In der Branche der großen KI-Modelle gibt es noch keinen ausgereiften Pfad, dem man folgen kann. Zhipu hat keine fertigen Lösungen zur Übernahme, und das Unternehmen muss im Voraus Urteile über die Branche fällen und Ressourcen einsetzen. Natürlich bedeutet das auch, Risiken zu übernehmen.

Dieser als „Technikbericht“ verspottete Finanzbericht legt auch die mehreren Entscheidungen von Zhipu in den letzten Jahren in Bezug auf Modelle, Kommerzialisierung und Infrastruktur auf denselben Tisch.

01

Das Endziel der Kommerzialisierung ist nicht der Verkauf von APIs

In der frühen Phase der Kommerzialisierung großer KI-Modelle waren offene Plattformen und APIs fast der praktischste Weg. APIs weisen einen hohen Standardisierungsgrad auf, lassen sich von Entwicklern schnell integrieren, verfügen über klare Abrechnungsregeln und können kontinuierlich Einnahmen pro Aufruf erzielen, sodass sie im Vergleich zu lokalen Bereitstellungen und projektbasierten Lieferungen leichter skaliert werden können.

Aber die Probleme sind auch offensichtlich. Der Markt befürchtet ständig, dass Unternehmen für große KI-Modelle, die nur APIs verkaufen, gleichzeitig von den Rechenkosten im vorgelagerten Bereich und dem homogenen Wettbewerb im nachgelagerten Bereich eingedrückt werden und schließlich zu „Rechen-Großhändlern“ ohne Preisgestaltungsrecht werden.

Zhipu, das APIs früher als seine Konkurrenten zu einer Haupteinnahmequelle gemacht hat, muss daher früher eine Frage beantworten: Ist das Geschäftsmodell von Unternehmen für große KI-Modelle darauf beschränkt, Aufrufe zu verkaufen?

Zhipu gibt in seinem Finanzbericht einen relativ klaren vierstufigen Pfad an: Verkauf von Modellen, Verkauf von APIs, Verkauf von Abonnements und schließlich Verkauf von Aufgabenergebnissen.

Diese vier Stufen entsprechen grob der Entwicklung der Fähigkeitsstufen großer KI-Modelle: Chat liefert eine Antwort; Coding liefert einen ausführbaren Codeabschnitt; Co-work liefert ein Ergebnis, das von Fachkräften überprüft werden kann; Autonomous AI liefert eine nachhaltig ausführbare Aufgabe.

Der „Verkauf von Aufgabenergebnissen“ wird auch zu einem gemeinsamen Urteil von KI-Anwendungsunternehmen über das Endziel der Kommerzialisierung. KI-Anwendungsunternehmen auf dem Hongkonger Aktienmarkt wie Deep Technology und MaxLeap haben ähnliche Vorstellungen vorgelegt.

Für Zhipu ist dieser Pfad keine bloße theoretische Überlegung, und die geschäftlichen Veränderungen des Unternehmens in den letzten Jahren bestätigen dies bereits.

In der Anfangsphase stammten die Einnahmen von Zhipu hauptsächlich aus projektbasierter Lieferung und abonnementbasierten Produkten. Danach haben mit der kontinuierlichen Verbesserung der Modelfähigkeiten, insbesondere der zunehmenden Bedeutung von Coding-Fähigkeiten, APIs allmählich die Hauptrolle beim Umsatzwachstum übernommen.

In der ersten Hälfte des Jahres 2026 erzielte Zhipu einen Umsatz von 954 Millionen Yuan. Darunter stieg der Umsatz des offenen Plattform- und API-Geschäfts im Vergleich zum Vorjahr um mehr als das 27-fache und trug zu fast 90 % des Gesamtumsatzes bei, sodass es zum Hauptgeschäftsmotor des Unternehmens wurde.

Dahinter steigt gleichzeitig die Nutzerzahl und die Zahl der zahlenden aktiven Nutzer. Bis August 2026 ist die Nutzerzahl der MaaS-Plattform von Zhipu im Vergleich zum Jahresbeginn um 144 % gestiegen, während die Zahl der zahlenden täglichen aktiven Nutzer um 603 % zugenommen hat. Darüber hinaus erreichte das annualisierte Umsatzvolumen des MaaS-Geschäfts nach dem Umsatz im August 1,6 Milliarden US-Dollar. Das kontinuierliche Wachstum von Nutzern, Zahlungsaktivität und Umsatz zeigt, dass die Modelfähigkeiten in tatsächliche Aufrufe und skalierbare Einnahmen umgewandelt werden.

Betrachtet man dies im Rahmen des vierstufigen Pfades, befindet sich Zhipu derzeit an folgender Position: Das Unternehmen ist bereits in die Phase eingetreten, in der APIs die Haupteinnahmequelle darstellen, Abonnements beginnen ebenfalls Einnahmen zu generieren, aber es ist noch ein Weg zurückzulegen, bis es „Aufgabenergebnisse verkauft“.

In Bezug auf die Modelfähigkeiten ist Coding zu einem relativ ausgereiften kommerziellen Szenario geworden, Cybersicherheit tritt in die Phase der Co-work-Überprüfung ein, während Recht und andere Fachbereiche sich noch in einer frühen Phase befinden.

Das bedeutet, dass APIs vor der Ausreifung des neuen Geschäftsmodells keine bloße kurzfristige Übergangsphase darstellen. Zumindest in der gegenwärtigen und auch in der zukünftigen Zeit werden APIs die wichtigste Einnahmequelle von Zhipu bleiben und die doppelte Aufgabe übernehmen müssen, den Umsatz zu steigern und die Rentabilität zu verbessern.

Daher muss Zhipu als Nächstes die folgende Frage beantworten:

Können APIs nur den Umsatz steigern oder auch Gewinne erzielen?

02

Einsatz auf KI-Infrastruktur

Das ist nicht nur die Frage, die Zhipu beantworten muss, sondern auch eine Prüfung, der sich die gesamte Branche großer KI-Modelle früher oder später stellen muss.

Bis August 2026 ist der durchschnittliche Preis von Zhipu-APIs um etwa 101 % gestiegen, sodass Umsatz und Preis gleichzeitig steigen, während der Umsatz schnell wächst. Das zeigt zumindest, dass Kunden nicht nur das Modell mit dem niedrigsten Preis wählen. Wenn die Modelfähigkeiten das SOTA-Niveau erreichen, ist der Markt bereit, eine Prämie für höhere Intelligenz zu zahlen.

Dementsprechend stieg die Bruttomarge des offenen Plattform- und API-Geschäfts von Zhipu auf 24,6 %, was einem Anstieg von etwa 25 Prozentpunkten im Vergleich zum Vorjahr entspricht.

Dieser Finanzbericht gibt damit eine phasenweise positive Antwort: APIs sind nicht zwangsläufig ein Geschäft mit niedriger Bruttomarge. Solange das Modell für Kunden einen ausreichend hohen Aufgabewert schaffen kann, besteht die Chance, dies in ein Preisgestaltungsrecht umzuwandeln.

Aber für den Kapitalmarkt ist eine Bruttomarge von 24,6 % noch nicht ausreichend „attraktiv“. Sowohl im Vergleich zum traditionellen Software-Abonnementgeschäft als auch zu ausgereiften Internetplattformen liegt dieses Niveau immer noch niedrig. Noch wichtiger ist, dass die Preisprämie, die sich auf SOTA-Fähigkeiten stützt, möglicherweise nicht langfristig aufrechterhalten werden kann. Schließlich kann kein Unternehmen garantieren, dass sein Modell immer führend bleibt.

Daher muss Zhipu, nachdem es als Erstes bewiesen hat, dass APIs kein Niedrigpreisgeschäft sind, weiterhin eine schwierigere Frage beantworten: Wenn das Modell nicht mehr den alleinigen Führungsvorteil hat, womit kann die Bruttomarge aufrechterhalten werden?

Für viele Unternehmen großer KI-Modelle, die sich noch in der Phase technischer Investitionen befinden, kann diese Frage vorübergehend zurückgestellt werden; aber Zhipu ist bereits an der Börse notiert, und APIs sind bereits zur Haupteinnahmequelle geworden, sodass es keinen Raum mehr gibt, dies zu vermeiden.

Die Lösung von Zhipu besteht darin, KI-Infrastruktur an inländische Chips anzupassen und damit die Token-Kosten kontinuierlich zu senken.

Dieser Weg ist keine spontane Idee. Die Anpassung an inländische Chips und der Aufbau der Schlussfolgerungsinfrastruktur erfordern lange Zyklen. Zhipu hat bereits vor dem tatsächlichen Auftreten skalierbarer Nachfrage Ingenieurressourcen investiert, um die Auswahl des technischen Weges und den Aufbau der Infrastruktur abzuschließen.

Das ist auch ein Einsatz mit nicht geringen Kosten. In der ersten Hälfte des Jahres 2026 beliefen sich die Forschungs- und Entwicklungsausgaben von Zhipu auf 2,131 Milliarden Yuan, was einem Anstieg von 33,6 % im Vergleich zum Vorjahr entspricht. Während das Unternehmen die Modelliteration weiter vorantreibt, muss es auch eine große Anzahl von Ingenieurressourcen für den Aufbau der Schlussfolgerungsinfrastruktur und die Anpassung an inländische Chips einsetzen.

Aber das „Niulai“-Modell und das dahinter stehende GLM-5.3-Flash liefern eine phasenweise Bestätigung für diesen Einsatz. Zhipu gab bekannt, dass das Unternehmen skalierbare Schlussfolgerungen auf einem Cluster aus mehr als 100.000 inländischen Chips realisiert hat, und die Schlussfolgerungskosten pro Token sind im Vergleich zum Jahresbeginn um 80 % gesunken; der Onlinedienst von GLM-5.3-Flash wird ebenfalls von diesem inländischen Rechencluster getragen.

Die Modelfähigkeiten schaffen nach oben Preisspielräume, und die KI-Infrastruktur senkt nach unten die Lieferkosten. Das Zusammenspiel dieser beiden Faktoren bildet die vollständige Logik für die Verbesserung der API-Bruttomarge, was auch der von Zhipu vorgeschlagenen Theorie des „Rechenmultiplikators“ entspricht.

Für die inländische Rechenkapazität ist dieses Ergebnis von Zhipu ebenfalls von Bedeutung. Alibaba hat zuvor bekanntgegeben, dass selbst entwickelte Chips bereits in Cloud-Diensten eingesetzt werden und ihr Anteil weiter steigen wird; Zhipu hat aus der Perspektive des Betriebs eines Unternehmens für große KI-Modelle weiter erläutert, dass inländische Chips nicht nur „Modelle ausführen“ können, sondern auch skalierbare Schlussfolgerungen und kommerzielle Betriebe unterstützen können.

03

Das Skalieren hat nicht aufgehört, aber der Schwerpunkt ändert sich

Die KI-Infrastruktur beantwortet die Frage, wie die Schlussfolgerungskosten von Modellen gesenkt werden können. Um das Preisgestaltungsrecht kontinuierlich zu schaffen, hängt es letztendlich davon ab, ob die Modelfähigkeiten weiter verbessert werden können. Damit kehrt die Frage zurück zur Kernlinie des Wettbewerbs großer KI-Modelle: Wie wird das Skalieren fortgesetzt?

Im vergangenen Jahr gab es in der Branche Meinungsverschiedenheiten zu dieser Frage: Um die Modelfähigkeiten weiter zu verbessern, soll man die Größe des Grundmodells und das Umfang des Vortrainings erweitern oder mehr Ressourcen in das Nachtraining, das verstärkte Lernen und die Aufgabenumgebung investieren?

Zhipu wurde zeitweise mit dem Etikett „Meister des Nachtrainings“ versehen, was die Außenwelt sogar zu der falschen Annahme veranlasste, dass es das Vortraining schwächen würde. Tatsächlich hat Zhipu von Anfang an auf das universelle Grundmodell gesetzt, und die nachfolgenden GLM-5.2 und GLM-5.3 wurden auch auf demselben Grundmodell kontinuierlich iteriert. Die Betonung des Nachtrainings ist keine Richtungsänderung, sondern die Zuweisung von Ressourcen zu den Gliedern mit höherem Grenznutzen im Zuge der Modellentwicklung.

Auf der Leistungstelefonkonferenz unterteilte Zhipu die Verbesserung der Modelfähigkeiten in vier Dimensionen: Größe des Grundmodells, effektive Tiefe, Trainingstiefe und Aufgabenumgebung.

Die Größe des Grundmodells bestimmt die Grundlinie des Wissens und der Fähigkeiten des Modells; die effektive Tiefe bestimmt, ob das Modell die Berechnungen tatsächlich zur Lösung von Problemen einsetzen kann; die Trainingstiefe steht im Zusammenhang mit der Verbesserung der Fähigkeiten beim verstärkten Lernen und bei langfristigen Aufgaben; die Aufgabenumgebung bestimmt, ob das Modell in der Lage ist, aus Rückmeldungen aus der realen Welt kontinuierlich zu lernen.

Der frühe Wettbewerb großer KI-Modelle konzentrierte sich hauptsächlich auf die erste Dimension. Die Logik ist relativ direkt: Größere Modelle, mehr Daten und höhere Rechenmengen führen in der Regel zu verbesserten Fähigkeiten.

Aber wenn die Branche in eine komplexere Phase der Schlussfolgerung und der intelligenten Agenten eintritt, reicht die bloße Erhöhung der Parameter nicht mehr aus, um alle Probleme zu lösen. Ob das Modell länger nachdenken kann, ob es in Aufgaben kontinuierlich Fehler machen und daraus lernen kann und ob es über eine ausreichend realistische und komplexe Trainingsumgebung verfügt, wird zu neuen Engpässen für die Fähigkeiten.

Daher erstreckt sich das zukünftige Skalieren nicht mehr nur horizontal auf die Erweiterung des Modells, sondern gleichzeitig vertikal und auf die externe Umgebung.

GLM-5.3 kann als eine Überprüfung von Zhipu für die „Trainingstiefe“ betrachtet werden. Bei gleicher Architektur, gleicher Gesamtparameterzahl und gleicher Anzahl aktivierter Parameter wie GLM-5.3 erweitert GLM-5.3 hauptsächlich die langfristige Aufgabenumgebung und das Umfang des Nachtrainings, sodass die End-to-End-Aufgabenerfüllungsrate um mehr als 50 % gestiegen ist.

Nach dem Plan wird Zhipu in Zukunft die Entwicklung des nächsten Grundmodells, das langfristige verstärkte