Innodata ( INOD ) Q4 2025 Ergebnis-Telefonkonferenz-Transkript

<p>Bildquelle: The Motley Fool.</p>
<h2>Datum</h2>
<p>26. Feb. 2026 um 17:00 Uhr ET</p>
<h2>Anruf-Teilnehmer</h2>
<ul>
<li>Chairman und Chief Executive Officer — Jack Abuhoff</li>
<li>Interim Chief Financial Officer — Marissa Espineli</li>
<li>General Counsel — Amy Agress</li>
<li>Senior Vice President, Finance and Corporate Development — Aneesh Pendharkar</li>
</ul>
<p>Benötigen Sie ein Zitat von einem Motley Fool-Analysten? E-Mail an <a href="/cdn-cgi/l/email-protection">[email protected]</a></p>
<h2>Wichtige Punkte</h2>
<ul>
<li>Umsatz -- 72,4 Mio. $ für das Quartal, ein Anstieg von 22 % gegenüber dem Vorjahr.</li>
<li>Jahresumsatz -- 251,7 Mio. $, was einem Wachstum von 48 % gegenüber dem Vorjahr entspricht.</li>
<li>Bereinigte Bruttogewinnmarge -- 42 % für das Quartal, über dem extern kommunizierten Ziel von 40 %.</li>
<li>Bereinigtes EBITDA -- 15,7 Mio. $, oder 22 % des Umsatzes; übertraf die Analystenprognose um 1,2 Mio. $.</li>
<li>Bargeld -- 82,2 Mio. $ am Quartalsende, eine Steigerung von ca. 8,4 Mio. $ sequenziell und 35,3 Mio. $ gegenüber dem Vorjahr.</li>
<li>Schuldenauslastung -- Keine Inanspruchnahme der Kreditfazilität von Wells Fargo in Höhe von 30 Mio. $.</li>
<li>Innovation und Investitionen -- Wachstumsgetriebene Investitionen in COGS und SG&amp;A, insbesondere in Kapazitäten, Ingenieure, Datenwissenschaftler und kundenorientierte Führungskräfte.</li>
<li>Kundenmix -- Das Management erwartet, dass die Ausgaben des größten Kunden steigen werden, wobei das Gesamtwachstum für die verbleibende Kundenbasis voraussichtlich schneller erfolgen und die MAG-Sieben, inländische KI-Innovationslabore, souveräne KI-Initiativen und führende Unternehmen umfassen wird.</li>
<li>Kundendiversifizierung -- Das Umsatzwachstum wird voraussichtlich weniger konzentriert werden, angetrieben durch eine wachsende und zunehmend vielfältige Gruppe von Großkunden.</li>
<li>Umsatzprognose -- Prognose von mindestens 35 % Wachstum gegenüber dem Vorjahr für 2026, basierend auf sichtbaren, aktiven Programmen und kürzlich gewonnenen Aufträgen; das Management weist auf ein potenziell erhebliches Upside aufgrund des Tempos von LLM- und KI-gesteuerten Initiativen hin.</li>
<li>Workflow-Übergang -- Im ersten Quartal wurden ca. 20 Mio. $ an Post-Training-Workflow-Umsätzen mit Jahresrate für den größten Kunden abgeschrieben und durch neue Post-Training- und skalierte Pre-Training-Programme ersetzt, was zu einer positiven Netto-Umsatz-Jahresraten-Auswirkung führte.</li>
<li>Prognose für bereinigte Bruttogewinnmarge -- Das Management erwartet für Anfang 2026 bereinigte Bruttogewinnmargen im Bereich von 35 % bis 40 %, mit einer Normalisierung hin zum Ziel von 40 %, wenn neue Programme hochgefahren und Workflow-Innovationen skaliert werden.</li>
<li>Technologische Fortschritte -- Einführung und Erweiterung proprietärer Systeme für die Agentenbewertung, Agentenoptimierungs-Pipelines, gegnerische Simulation und groß angelegte Daten-Engineering für physische KI, einschließlich Anwendungen auf egocentrische und Affordanz-Datensätze.</li>
<li>Benchmark-Leistung -- Entwicklung eines KI-Modells zur Erkennung von Drohnen und kleinen Objekten mit einer Verbesserung von 6,45 % gegenüber früheren State-of-the-Art-Benchmarks, wobei kommerzielle und dual-use-Anwendungen hervorgehoben werden.</li>
<li>Interesse von Hyperscalern und Cybersicherheit -- Managed Services und gegnerische Trainingsinitiativen haben neue Engagements und Interesse bei Hyperscalern, Cybersicherheitsunternehmen und relevanten Regierungsexperten geweckt.</li>
</ul>
<h2>Zusammenfassung</h2>
<p>Das Management stellte neue Innovationsinitiativen in den Bereichen generative KI, agentische KI und physische KI vor und hob datengesteuerte Methoden als Kern der Produktentwicklung hervor. Proprietäre Plattformen für die Agentenbewertung und gegnerische Simulationen erleichtern neue Kundengewinnung, insbesondere bei Hyperscalern und sicherheitsorientierten Kunden. Mit kontinuierlichen Reinvestitionen in Personal und Technologie prognostiziert die Führung von Innodata (<a href="/quote/nasdaq/inod/">INOD</a> 7,88 %) sowohl Margenverbesserungen als auch eine Ausweitung der wiederkehrenden Umsätze im Zusammenhang mit hybriden Software-Mensch-Angeboten, während sie gleichzeitig das Vertrauen in die Konvertierung von Frühphasen-Engagements und die breitere Relevanz für Unternehmen unterstreicht.</p>
<ul>
<li>Das Management des Unternehmens erklärte: „Wir glauben, dass wir dank der Investitionen, die wir getätigt haben und in Zukunft tätigen werden, in ein goldenes Zeitalter der Innovation bei Innodata Inc. eintreten.“</li>
<li>Die Führung betonte, dass zukünftige Bruttogewinnmargensteigerungen erwartet werden, angetrieben durch Automatisierung, synthetische Systeme und Bewertungsplattformen, die unseren operativen Hebel strukturell erhöhen.</li>
<li>Das Management klärte, dass die Wachstumsprognose bewusst konservativ ist, mit möglichem Upside, wenn LLM-Initiativen schnell hochgefahren werden.</li>
<li>Im Gespräch über die Kundendiversifizierung teilte das Management mit, dass neue Gewinne und beschleunigte Nachfrage es Innodata ermöglichen, von einem Anbieter zu einer grundlegenden Schicht innerhalb von KI-Ökosystemen zu werden.</li>
</ul>
<h2>Branchenglossar</h2>
<ul>
<li>LLM: Large Language Model; ein KI-Modell, das auf großen Datensätzen trainiert wurde, um natürliche Sprache zu verstehen und zu generieren.</li>
<li>MAG-sieben: Die Bezeichnung des Managements für die sieben größten US-Technologieunternehmen, typischerweise Microsoft, Apple, Google (Alphabet), Amazon, Meta, Nvidia und Tesla.</li>
<li>Egocentrische Daten: Daten, die aus der Ich-Perspektive eines Roboters oder eines sensorbestückten Geräts erfasst werden und direkte Umwelterfahrungen widerspiegeln.</li>
<li>Affordanz-Daten: Strukturierte Daten, die KI-Systeme über mögliche Aktionen oder Interaktionen mit physischen Objekten im Kontext lehren.</li>
<li>Gegnerische Simulation: Systematisch generierte, komplexe Daten, die verwendet werden, um die Robustheit von KI gegen ausgeklügelte Angriffe oder reale Bedrohungen zu testen.</li>
</ul>
<h2>Vollständiges Transkript der Telefonkonferenz</h2>
<p>Operator: Guten Tag, meine Damen und Herren, und willkommen zur Innodata Inc. Fourth Quarter and Fiscal Year 2025 Results Conference Call. Derzeit sind alle Leitungen im Nur-Zuhören-Modus. Nach der Präsentation werden wir eine Frage-und-Antwort-Runde durchführen. Wenn Sie zu irgendeinem Zeitpunkt während dieses Anrufs sofortige Hilfe benötigen, drücken Sie bitte die 0 für den Operator. Dieser Anruf wird am Donnerstag, den 26.02.2026, aufgezeichnet. Ich übergebe nun das Wort an Amy Agress, General Counsel. Bitte fahren Sie fort.</p>
<p>Amy Agress: Danke, Operator. Guten Tag, zusammen. Vielen Dank, dass Sie uns heute hier begrüßen dürfen. Unsere Sprecher heute sind Jack Abuhoff, Chairman und CEO von Innodata Inc., und Marissa Espineli, Interim CFO. Ebenfalls heute am Anruf teilnehmen wird Aneesh Pendharkar, Senior Vice President, Finance and Corporate Development. Rahul Singhal, President und Chief Revenue Officer, kann heute nicht teilnehmen, freut sich aber darauf, uns bei unserem nächsten Anruf zu begleiten. Wir werden zuerst von Jack hören, der Einblicke in das Geschäft geben wird, und dann wird Marissa einen Überblick über unsere Ergebnisse für das vierte Quartal und das Geschäftsjahr 2025 geben. Anschließend werden wir Fragen von Analysten beantworten.</p>
<p>Bevor wir beginnen, möchte ich alle daran erinnern, dass wir während dieses Anrufs zukunftsgerichtete Aussagen machen werden, die Vorhersagen, Projektionen und andere Aussagen über zukünftige Ereignisse sind. Diese Aussagen basieren auf aktuellen Erwartungen, Annahmen und Schätzungen und unterliegen Risiken und Unsicherheiten. Die tatsächlichen Ergebnisse könnten wesentlich von denen abweichen, die in diesen zukunftsgerichteten Aussagen enthalten sind. Faktoren, die dazu führen könnten, dass diese Ergebnisse wesentlich abweichen, sind in der heutigen Pressemitteilung zu den Ergebnissen, im Abschnitt „Risikofaktoren“ unserer Formulare 10-K, 10-Q und anderer Berichte und Einreichungen bei der Securities and Exchange Commission aufgeführt. Wir übernehmen keine Verpflichtung, zukunftsgerichtete Informationen zu aktualisieren. Darüber hinaus können wir während dieses Anrufs bestimmte Non-GAAP-Finanzkennzahlen erörtern.</p>
<p>In unserer heute bei der SEC eingereichten Pressemitteilung sowie in unseren anderen SEC-Einreichungen, die auf unserer Website veröffentlicht sind, finden Sie zusätzliche Angaben zu diesen Non-GAAP-Finanzkennzahlen, einschließlich der Überleitungen dieser Kennzahlen zu vergleichbaren GAAP-Kennzahlen. Vielen Dank. Ich übergebe nun das Wort an Jack.</p>
<p>Jack Abuhoff: Danke, Amy, und guten Tag, zusammen. Q4 war ein weiteres starkes Quartal für Innodata Inc. Wir haben 72.400.000 $ Umsatz erzielt, was einem Wachstum von 22 % gegenüber dem Vorjahr entspricht. Damit erreichte unser Jahresumsatz 251.700.000 $, was einem Wachstum von 48 % gegenüber dem Vorjahr für 2025 entspricht. Unsere konsolidierte bereinigte Bruttogewinnmarge im 4. Quartal betrug 42 %, womit unser extern kommuniziertes Ziel von 40 % übertroffen wurde. Unser bereinigtes EBITDA belief sich auf 15.700.000 $, oder 22 % des Umsatzes, und übertraf damit ebenfalls die Analystenprognose um 1.200.000 $. Tatsächlich übertrafen unsere Ergebnisse die Analystenprognose über das gesamte Spektrum der wichtigsten Kennzahlen, einschließlich Umsatz, bereinigtes EBITDA, Nettogewinn und EPS. Wir beendeten das Jahr mit 82.200.000 $ in bar, eine sequenzielle Steigerung von etwa 8.400.000 $. Wir erzielten diese Ergebnisse und tätigten gleichzeitig bedeutende wachstumsorientierte Investitionen sowohl in COGS als auch in SG&amp;A.</p>
<p>Bei COGS haben wir Kapazitäten vor dem Umsatzanstieg vorgehalten, was sich durchweg als richtige Entscheidung erwies. Und bei SG&amp;A haben wir in Ingenieure, Datenwissenschaftler und kundenorientierte Account-Manager investiert, was sich ebenfalls als klug erwiesen hat. Aufbau von Innovationen, die unsere Möglichkeiten erweitert haben. Wir glauben, dass unser Geschäftsmomentum auf einem Allzeithoch ist. Wir sehen eine robuste Nachfrage über den gesamten KI-Lebenszyklus hinweg, von der Entwicklung über die Bewertung bis hin zur laufenden Modelloptimierung. Und wir glauben, dass wir bei einer breiten und diversifizierten Anzahl von Großkunden an Bedeutung gewinnen. Aufgrund der Marktnachfrage und der wachsenden Dynamik erwarten wir für 2026 ein weiteres Jahr potenziell außergewöhnlichen Wachstums. Wir schätzen derzeit, dass unser Wachstum gegenüber dem Vorjahr 2026 potenziell etwa 35 % oder mehr betragen wird.</p>
<p>Diese Schätzung spiegelt aktive Programme, kürzlich gewonnene Aufträge, späte Bewertungen und Möglichkeiten wider, bei denen wir klare Sicht haben. Da wir uns noch am Anfang des Jahres befinden und LLM-Initiativen schnell hochgefahren werden, glauben wir, dass es potenziell ein erhebliches Upside in diesem Bereich geben könnte. Wir ziehen es jedoch vor, konservativ zu leiten und nach oben anzupassen, wenn die Sichtbarkeit zunimmt. Gleichzeitig könnten angesichts des Umfangs und der Komplexität der von uns unterstützten Programme, der zeitlichen Variabilität und der Forschungs- und Entwicklungspläne der Kunden, Budgetgenehmigungen oder Änderungen der Forschungsprioritäten den Zeitpunkt beeinflussen, zu dem der Umsatz realisiert wird.</p>
<p>In unserer Prognose ist die Erwartung enthalten, dass die Ausgaben unseres größten Kunden im Laufe des Jahres leicht steigen werden und dass die verbleibenden Kundenbasis in der Summe schneller wachsen wird. Wir erwarten, dass dieses Wachstum bei anderen Kunden aus einer Mischung von MAG-Sieben, heimischen KI-Innovationslaboren, souveränen KI-Initiativen und führenden Unternehmen stammen wird. Wir glauben, dass dies maßgeblich zur Kundendiversifizierung beitragen wird. Unsere Kunden bewegen sich schnell, treiben kürzere Entwicklungszyklen voran und reagieren schneller auf Forschungsdurchbrüche. Im Jahr 2025 waren wir in diesem Umfeld nicht zuletzt deshalb erfolgreich, weil wir der Forschung gefolgt sind, Kundenbedürfnisse antizipiert und bei Bedarf umgeschwenkt sind.</p>
<p>Zur Veranschaulichung: Im ersten Quartal dieses Jahres haben wir für unseren größten Kunden eine beträchtliche Anzahl von Post-Training-Workflows abgeschrieben, die in der Summe etwa 20.000.000 $ Jahresumsatz ausmachten, diese aber durch eine Kombination aus neuen Post-Training-Workflows und skalierten Pre-Training-Programmen ersetzt, einem Bereich jüngster Fokussierung und Investitionen. Aus Sicht der Umsatz-Jahresrate war der Nettoeffekt positiv. Tatsächlich glauben wir, dass kontinuierliche Innovation entscheidend für die Erreichung unseres ehrgeizigen Plans für 2026 und darüber hinaus ist. Die wirklich aufregende Nachricht ist, dass wir glauben, dass wir dank der Investitionen, die wir getätigt haben und in Zukunft tätigen werden, in ein goldenes Zeitalter der Innovation bei Innodata Inc. eintreten.</p>
<p>Ich werde nun einige unserer jüngsten Innovationsinitiativen vorstellen. Aus Wettbewerbsgründen werden wir uns angemessen zurückhalten, aber was wir teilen, wird Ihnen ein aussagekräftiges Fenster dazu geben, wie wir denken, wo wir investieren, welche Erfolge wir haben und wie wir die vor uns liegende Chance nutzen wollen. Ich werde kurz auf unsere jüngsten Innovationen in drei Bereichen eingehen: Training von generativen KI-Modellen, agentische KI und physische KI. Bevor ich dies tue, möchte ich ein einheitliches Thema hervorheben. Jede Innovation, die ich gleich besprechen werde, ist im Grunde eine Dateninnovation.</p>
<p>Ob das Ziel nun leistungsfähigere LLMs, zuverlässigere autonome Agenten oder intelligentere physische KI-Systeme sind, Datenqualität, Datenzusammensetzung, Datenvalidierung und Daten-Engineering im großen Maßstab sind das Herzstück. Dies sind unsere Kernkompetenzen. Wir beginnen mit dem Training von generativen KI-Modellen. Historisch gesehen sagten uns Kunden, welche Art von Trainingsdaten sie wollten. Zunehmend bitten sie uns jedoch, die Modellleistung zu diagnostizieren, die richtigen Trainingsdatensätze zu entwerfen und zu demonstrieren, dass diese Datensätze die Ergebnisse materiell verbessern werden. Hier ist, wie das funktioniert. Wir beginnen mit der Identifizierung von Leistungslücken mithilfe unserer Bewertungsrahmen. Dann entwickeln wir gezielte Datensätze und validieren deren Auswirkungen, indem wir entweder das Modell des Kunden oder ein strukturell ähnliches Proxy-Modell feinabstimmen. Erst nachdem wir die Leistungsauswirkungen gemessen und demonstriert haben, skalieren wir. Dies verlagert die Diskussion von „Wie viel kosten die Daten?“ zu „Wie effektiv sind die Daten?“. Wir glauben, dass diese Verlagerung durch zwei Kräfte angetrieben wird: das beschleunigte Tempo der KI-Forschung und die Kosten und der Zeitaufwand für das Training immer größerer Modelle. Und Gespräche über Dateneffektivität spielen direkt in unsere Stärken. Wir entwickeln auch Methoden zur Erstellung von Datensätzen, die das Verständnis von Langzeitkontexten verbessern – die Fähigkeit eines KI-Modells, sehr große Informationsmengen auf einmal zu beobachten und zu verarbeiten. Dies bleibt eine der wichtigsten technischen Herausforderungen der Branche.</p>
<p>Die Lösung erfordert nicht nur architektonische Verbesserungen, sondern auch Fortschritte bei der Erstellung sehr spezifischer Arten von strukturierten Trainingsdaten im großen Maßstab. Die Erstellung von Trainingsdaten, die das Verständnis von Langzeitkontexten verbessern, ist ein nicht triviales Problem, aber wir haben bedeutende Fortschritte erzielt und machen diese weiterhin. Ein zweiter Innovationsbereich betrifft die Bewertung von Systemen autonomer Agenten und deren Verbesserung durch gezielte Datensatzerstellung. Wir glauben, dass autonome Agenten die bedeutendste Geschäftsinnovationsmöglichkeit seit