التقرير المالي الأول بعد الإدراج لشركة Zhipu، أكبر شركة نماذج ضخمة من حيث الإيرادات المحلية، وMaaS ARR تصل إلى 1.7 مليار

هل يمكن لـ AI · وضع MaaS من شركة Zhipu تحقيق ارتفاعًا ملحوظًا في هامش الربح؟

في 31 مارس، سلّمت شركة Zhipu، يونيكورن نماذج الذكاء الاصطناعي الكبرى، أول تقرير سنوي لها بعد إدراجها في البورصة. تظهر أحدث البيانات المالية أن الشركة حققت خلال السنة المنتهية في 31 ديسمبر 2025 إيرادات سنوية تجاوزت 724 مليون يوان، بزيادة قدرها 131.9%. للمقارنة، في الفترة من 2022 إلى 2024، كانت إيرادات الشركة السنوية 57M يوان و125M يوان و312M يوان على التوالي، بما يدل على نمط نمو متسارع مستمر.

من حيث حجم الإيرادات، أصبحت Zhipu أكبر شركة نماذج كبيرة من حيث حجم الإيرادات داخل الصين. كمرجع، لدى شركة MiniMax المدرجة في هونغ كونغ إجمالي إيرادات في 2025 يقارب 79.04 مليون دولار. وعلى مستوى نموذج العمل، اختلف مسارا الشركتين أيضًا. ركزت MiniMax أكثر على منتجات تطبيقات أصلية للذكاء الاصطناعي، بينما اعتمدت Zhipu بشكل أساسي على نموذج النماذج والخدمات (MaaS)، من خلال استدعاءات واجهة برمجة التطبيقات لتقديم خدمات ذكية لعملاء الشركات والمطورين.

عند تفكيك تقرير Zhipu المالي الأخير، فإن مؤشرًا أساسيًا يستحق الانتباه هو أن ARR (إيرادات سنوية متكررة) لمنصة MaaS API لديها تبلغ نحو 1.7 مليار يوان، بزيادة 60 ضعفًا على أساس سنوي. يُستخدم ARR عادة لقياس قدرة الإيرادات المستمرة للشركات، ويمكن أن يعكس صحة الأعمال. وفي نموذج MaaS، يمكن أن يعكس هذا المؤشر بشكل أفضل ما إذا كان العملاء يستمرون في استدعاء النماذج واستهلاك التوكن بشكل ثابت، بدلًا من الاعتماد على مشاريع لمرة واحدة تدفع نمو الإيرادات.

في السابق، كانت نظرة السوق إلى Zhipu أقرب إلى كونها شركة نماذج كبيرة يغلب عليها طابع المشاريع. لكن مع تحول هيكل إيرادات Zhipu إلى نموذج MaaS يتمحور حول استدعاءات واجهة برمجة التطبيقات، بدأت منطق نمو الإيرادات يتغير أيضًا: لم يعد يعتمد على مشروع واحد، بل يعتمد على سلوك الاستخدام المستمر للنماذج.

ومن بعض النواحي، فإن مسار Zhipu لا يمكن إلا أن يُذكّر كثيرين بشركة Anthropic الرائدة عالميًا. فمن ناحية، تُعزّز باستمرار قدرات النموذج الأساسي لتحسين الحد الأعلى للنموذج. ومن ناحية أخرى، ومن خلال شكل المنتج المتمحور حول التوكن، تقود النمو عبر الاستخدام العميق الناتج عن نظام المطورين وعملاء المؤسسات. ضمن هذا المنطق، تصبح Zhipu تدريجيًا نموذجًا لشركة نماذج في السوق الصينية تقترب أكثر من مسار تطوير Anthropic.

كسر احتكار MaaS “زيادة الإيرادات دون زيادة الأرباح”: رفع الأسعار دون تقليل الكمية، والعودة إلى جوهر الأعمال

توجد في السوق منذ فترة طويلة تساؤلات نموذجية حول ما إذا كان MaaS قد يقع بسهولة في مأزق “زيادة الإيرادات دون زيادة الأرباح”. وتكمن الأسباب في أن إيرادات MaaS ترتبط ارتباطًا مباشرًا باستهلاك التوكن. وخلف التوكن توجد تكلفة حوسبة مستمرة. عندما ترتبط الإيرادات والتكاليف على نفس السلسلة، فعند توسيع الحجم غالبًا ما يواجه هامش الربح ضغطًا يتم دفعه باستمرار. وأي خطأ بسيط قد يؤدي إلى وضع محرج يتمثل في “كلما عملت أكثر، ربحت أقل”.

لكن تقرير Zhipu المالي الأحدث يطلق إشارات إيجابية إلى حد كبير. فقد ارتفع هامش ربح منصة MaaS API لديها بشكل واضح، من 3.3% في 2024 إلى 18.9% في 2025، ما أدى إلى تحسن واضح في القدرة على تحقيق الربح. وبالاستناد إلى البيانات التي تم الإفصاح عنها في نشرة الاكتتاب السابقة، فإن هامش الربح الإجمالي الإجمالي لـ Zhipu ظل مستقرًا نسبيًا خلال فترة السجل السابق من 2022 إلى 2024، مع الحفاظ على مستوى يتجاوز 50% على المدى الطويل.

بالإضافة إلى تحسين كفاءة الاستدلال للنماذج إلى أقصى حد وضغط تكاليف التوكن إلى أدنى حد، فإن عاملًا رئيسيًا آخر لرفع هامش الربح يتمثل في الزيادة المستمرة في حصة العملاء الأوائل ذوي القيمة المرتفعة.

وفقًا لما ورد في الإفصاح المالي، يوجد بالفعل أكثر من 4 ملايين مستخدم من الشركات والمطورين يقومون باستمرار باستدعاء قدرات نماذج Zhipu في بيئات الإنتاج الحقيقية، ما يغطي 218 دولة ومنطقة حول العالم. ومن بين أكبر 10 شركات إنترنت في الصين، يوجد 9 شركات تستخدم نماذج GLM من Zhipu. فعلى سبيل المثال، في نموذج GLM-5، خلال 24 ساعة من إطلاقه، حصل على تكامل رسمي لعدة منتجات من منصات رائدة مثل TRAE/Coze في ByteDance، وQoder في Alibaba، وCodeBuddy في Tencent، وCatPaw في Meituan وغيرها.

من جهة أخرى، فإن هؤلاء العملاء الأوائل لديهم حساسية أكبر تجاه فعالية النموذج، وفي المقابل تكون درجة تحملهم للأسعار أعلى نسبيًا. ومن الإشارات المهمة أن Zhipu أعلنت في شهر فبراير من هذا العام عن تعديل هيكلي في نظام تسعير باقة GLMCodingPlan. ارتفعت الزيادة الإجمالية بدءًا من 30% وذلك لضمان الثبات وجودة الخدمة تحت الأحمال العالية. ورغم أن أسعار واجهة برمجة التطبيقات ارتفعت بنسبة 83% في الربع الأول، إلا أن عدد الاستدعاءات لم ينخفض بل زاد. وهذا يوضح أن العملاء يدفعون فعليًا مقابل النتائج، وليس بسبب تنازلهم أمام السعر.

بالنسبة لـ Zhipu، يؤدي ذلك أيضًا إلى دورة ردود فعل إيجابية ناتجة عن رفع الأسعار. فأسعار أعلى تعمل إلى حد ما على تصفية العملاء ذوي القيمة الأعلى الذين يهتمون أكثر بالفعالية. وغالبًا ما يمتلك هؤلاء العملاء معدلات احتفاظ أعلى وعمقًا أكبر في الاستخدام، ما يعزز جودة الأعمال وقدرتها على تحقيق نمو مستدام.

في المنتدى السنوي لمؤتمر 2026 Zhongguancun الذي عُقد في 27 مارس في جلسة فرعية، عندما تحدث الرئيس التنفيذي لـ Zhipu Zhang Peng عن رفع أسعار النماذج، ذكر أنه مع استمرار إطالة مسار التفكير والاستدلال عندما يتعامل النموذج مع مهام معقدة، قد يصل عدد التوكن اللازم لإكمال مهمة واحدة إلى 10 أضعاف وحتى 100 ضعف مقارنةً بأسئلة وأجوبة بسيطة. لذلك فإن تعديل السعر المقابل هو، جوهريًا، نتيجة طبيعية لتغير التكلفة. كما أن تحسين قدرات النموذج يترتب عليه رفع تكلفة الخدمة، مع الأمل في سحبها تدريجيًا إلى نطاق القيمة التجارية الطبيعية.

“الاعتماد طويلًا على منافسة الأسعار الرخيصة، لا يفيد في الواقع تطوير الصناعة بأكملها، وهذا أحد اعتباراتنا المهمة.” وأشار Zhang Peng كذلك إلى: “نأمل من خلال هذا الأسلوب أن نكوّن حلقة مغلقة أكثر صحة في مسار التمويل، وأن نواصل تحسين قدرات النموذج، وبشكل أطول وأكثر استقرارًا، تقديم نماذج أفضل وخدمات توكن مقابلة للجميع.”

في النهاية، يمكن تلخيص الحكم الأساسي لدى Zhipu على النحو التالي: الحد الأعلى للذكاء يحدد سلطة التسعير، وحجم استهلاك التوكن يحدد حجم القيمة.

بعبارة أخرى، كلما كانت قدرات النموذج أقوى، زادت درجة عدم القابلية للاستبدال في السيناريوهات الرئيسية، وبالتالي اتسع نطاق مساحة المساومة على السعر. ولا يمكن أن تتحقق القيمة التجارية إلا عندما يحقق النموذج استدعاءً واسع النطاق ومستمرًا، ويتشكل استهلاك توكن ثابت. ومن ثم يتضح أن القيمة التجارية للـ AGI هي، جوهريًا، نتيجة تفاعل الحد الأعلى للذكاء مع حجم استهلاك التوكن.

عندما يصبح التوكن عملة جديدة، تقدم Zhipu إطارًا جديدًا لقياس قيمة الذكاء الاصطناعي

بالتمعن في التقرير السنوي الأول لـ Zhipu، لا يصعب ملاحظة أن عجلة إيجابية للنمو تتشكل بسرعة حول بنية MaaS. وبشكل محدد: مع استمرار تحسن قدرات النموذج، ستجذب المزيد من الشركات والمطورين إلى الاتصال. يؤدي اتساع نطاق الوصول إلى زيادة في استدعاءات التوكن، ما يدفع نمو الإيرادات. ثم تمكّن الإيرادات التي تنمو باستمرار من إعادة تمويل تدريب النموذج واستثمارات الحوسبة، ما يعزز قدرات النموذج أكثر. ومع تكرار هذه الدورة بشكل حلقي ومتسلسل، يتشكل حلقة نمو تعزز ذاتها.

في عجلة MaaS هذه، المتغير الأكثر أهمية هو التحسن المستمر في قدرات النموذج نفسها. كانت Zhipu قد اقترحت أن تعزيز الحد الأعلى للذكاء هو “الفكرة الأولى الوحيدة” في عصر النماذج الكبيرة وحتى الذكاء الاصطناعي العام.

خلال العام الماضي، أكملت النماذج الأساسية لـ Zhipu أكثر من 5 تحديثات رئيسية تراكمية، محققة تطورًا مستمرًا من GLM-4.5 إلى GLM-5-Turbo. وفي جداول التقييم الموثوقة مثل Artificial Analysis، احتلت نماذج سلسلة GLM المراتب في الصف الأول عالميًا، لتأتي بعد نماذج متقدمة مثل Google Gemini وOpenAI GPT وAnthropic Claude وغيرها، وفي الوقت نفسه تتقدم على العديد من النماذج المحلية الصينية.

والتغيير الأكثر وضوحًا هو أن نماذج سلسلة GLM تتطور من “توجه معرفي” إلى “توجه مهماتي”، ولم تعد محصورة في قواعد بيانات المعرفة بأسلوب الأسئلة والأجوبة، بل تمتلك قدرات وكلاء (Agents) لإكمال مهام معقدة بشكل مستقل. ويمثل GLM-5 نتاج التحول تحت اتجاه “Agentic Engineering”. وفقًا للتعريف الرسمي، حقق GLM-5 أداءً ذا مستوى رائد في المصادر المفتوحة (SOTA) في قدرات Coding وAgent، وبالنسبة لتجربة الاستخدام في سيناريوهات البرمجة الفعلية باتت قريبة جدًا من Claude Opus 4.5، ويُعد بشكل خاص بارعًا في هندسة الأنظمة المعقدة ومهام Agent طويلة المدى.

أما GLM-5-Turbo الذي تم إطلاقه حديثًا في منتصف هذا الشهر، فقد تم تحديده كنموذج أساسي “محسن بعمق لسيناريو OpenClaw لجراد البحر”. وخلال مرحلة التدريب، تم تحسين هذا النموذج خصيصًا لتلبية المتطلبات الأساسية لمهمة جراد البحر، وتعزيز قدرات جوهرية مثل استدعاء الأدوات، والالتزام بالتعليمات، والمهام المجدولة والمستمرة، والتنفيذ بسلاسل طويلة (long-chain). وهذا يعالج بفعالية العديد من المشكلات التي يواجهها النموذج العام في سيناريو جراد البحر الفعلي.

في الآونة الأخيرة، اجتاحت مشاريع Agents مفتوحة المصدر مثل OpenClaw موجة نشر داخل الصين وخارجها. لكن وبسبب أن عتبة نشر OpenClaw محليًا مرتفعة جدًا، وتكلفة استهلاك التوكن عالية للغاية، اختار عدد كبير من المستخدمين التوجه إلى حلول “النشر بنقرة واحدة” التي تقدمها شركات الخدمات السحابية ومصنعي النماذج داخل الصين. وبذلك استفادت شركات النماذج الأساسية مثل Zhipu من موجة OpenClaw الحالية.

في 10 مارس، أطلقت Zhipu رسميًا AutoClaw (澳龙)، وعرّفتها بأنها “أول نسخة محلية من OpenClaw بنقرة واحدة حقيقية داخل الصين”. تغلف AutoClaw أكثر من 50 مهارة (Skills) رئيسية وواجهات برمجة تطبيقات (API)، وتدعم الاتصال بنقرة واحدة بأدوات المراسلة الفورية مثل Feishu. وعلى منصة OpenRouter، أكبر منصة تجميع لواجهات برمجة تطبيقات نماذج الذكاء الاصطناعي في العالم، بلغ عدد استدعاءات GLM-5-Turbo هذا الأسبوع 966B توكن، وهو ضمن أفضل عشر نتائج عالميًا. أصبحت Zhipu واحدة من الشركات المصنعة الأعلى في استهلاك التوكن المدفوع داخل الصين.

يصبح التوكن تدريجيًا “عملة جديدة” في عصر الاقتصاد الذكي. وباعتباره أصغر وحدة لمعالجة المعلومات بواسطة النماذج، فإن كمية استدعاء التوكن ينظر إليها على نطاق الصناعة كمؤشر مهم لقياس نشاط النموذج وحجم المعالجة الفعلي. صرح مؤسس Nvidia والرئيس التنفيذي Huang Renxun بشكل مباشر بأن التوكن هو “سلعة رئيسية جديدة”، كما تأسست لدى Alibaba مجموعة أعمال جديدة تقودها سلسلة رئيسية تتمحور حول Token Hub. وفي الوقت نفسه، يدفع الجيل الجديد من Agents المعقدة، ممثلة بـ OpenClaw، استهلاك التوكن إلى مرحلة النمو الأُسّي، ما يشير إلى أن تسارع نموذج جديد لزيادة التوكن بشكل كبير بات وشيكًا.

مع التوسع السريع في حجم استهلاك التوكن، تحتاج الصناعة أيضًا بشكل عاجل إلى إطار جديد لقياس كيفية تحويل التوكن إلى قيمة فعلية بكفاءة أكبر. وفي هذا السياق، اقترحت Zhipu مفهوم “قوة معمارية التوكن” (TAC)، وعرّفته على أنه: TAC = كمية الذكاء المُستدعى × جودة الذكاء × كفاءة تحويله إلى قيمة اقتصادية.

بشكل محدد: “الكمية” تشير إلى عدد التوكنات التي يستدعيها كل من الشركات والأفراد يوميًا، وإلى حجم المهام التي تُسند إلى الذكاء الاصطناعي لمعالجتها. بينما “الجودة” تقيس ما إذا كان النموذج الذي يعتمد عليه التوكن ذكيًا وموثوقًا بما يكفي لإخراج نتائج يمكن تسليمها في السيناريوهات المعقدة. أما “الكفاءة” فتركز على ما إذا كان بإمكان العثور على السيناريو المناسب، بحيث يقوم الذكاء الاصطناعي بتحويل نفسه إلى مخرجات اقتصادية قابلة للقياس فعليًا.

على المدى الطويل، ستعتمد المنافسة الأساسية للمنظمات والأفراد بشكل متزايد على مستوى TAC لديهم. وبالمقارنة مع مجرد موردي النماذج الكبيرة، فإن هدف Zhipu أقرب إلى بناء بنية تحتية لـ TAC على مستوى المجتمع بأكمله، تساعد مختلف المنظمات والأفراد على جدولة واستخدام موارد الذكاء بكفاءة، وتحويلها المستمر إلى قيمة اقتصادية قابلة للتنفيذ والقياس.

وقد وجدت مسار التنمية هذا تأكيدًا أوليًا في التقرير المالي الذي كشفته Zhipu مؤخرًا. وإذا نظرنا إلى الوراء، فقد تكمن الأهمية الأساسية لهذا التقرير المالي في أن Zhipu تعرض منطق نمو واضحًا نسبيًا ومتسقًا: من خلال تحسين الحد الأعلى للذكاء بشكل مستمر، وتعزيز قدرات التسعير تدريجيًا، مما يؤدي إلى نمو إيرادات واجهة برمجة التطبيقات، وفي الوقت نفسه تحسين هيكل هامش الربح الإجمالي، وبذلك تم التحقق من استدامة نموذج العمل.

وإذا نظرنا من منظور “Anthropic النسخة الصينية”، فلا ينبغي أن يُثبت منطق تسعير Zhipu بعد الآن في إطار الشركات البرمجية التقليدية أو الشركات القائمة على المشاريع. بل يجب أن يتحول إلى نظام قياس يتمحور حول منصة MaaS، مع التركيز على معدل اختراق المنصة، وحجم استهلاك التوكن، والقوة التحكميّة التي يمثلها النظام البيئي خلف TAC. وفي هذا الإحداثي الجديد تمامًا، لا يزال مجال التخيل طويل الأجل لدى Zhipu قد تم فتحه للتو بشكل حقيقي.