Innodata ( INOD ) Transcription de la conférence sur les résultats du T4 2025

<p>Source de l'image : The Motley Fool.</p>
<h2>Date</h2>
<p>26 fév. 2026 à 17 h ET</p>
<h2>Participants à l'appel</h2>
<ul>
<li>Président et chef de la direction — Jack Abuhoff</li>
<li>Chef des finances par intérim — Marissa Espineli</li>
<li>Conseiller juridique — Amy Agress</li>
<li>Vice-président principal, Finances et Développement des sociétés — Aneesh Pendharkar</li>
</ul>
<p>Besoin d'une citation d'un analyste de The Motley Fool ? Envoyez un courriel à <a href="/cdn-cgi/l/email-protection">[email protected]</a></p>
<h2>Points clés</h2>
<ul>
<li>Revenus — 72,4 millions de dollars pour le trimestre, soit une augmentation de 22 % d'une année sur l'autre.</li>
<li>Revenus annuels — 251,7 millions de dollars, représentant un taux de croissance de 48 % d'une année sur l'autre.</li>
<li>Marge brute ajustée — 42 % pour le trimestre, au-dessus de la cible communiquée extérieurement de 40 %.</li>
<li>EBITDA ajusté — 15,7 millions de dollars, soit 22 % des revenus ; a dépassé le consensus des analystes de 1,2 million de dollars.</li>
<li>Trésorerie — 82,2 millions de dollars à la fin du trimestre, en hausse d'environ 8,4 millions de dollars séquentiellement et de 35,3 millions de dollars d'une année sur l'autre.</li>
<li>Utilisation de la dette — Aucun tirage sur la facilité de crédit de 30 millions de dollars de Wells Fargo.</li>
<li>Innovation et investissements — Investissements axés sur la croissance dans les COGS et les SG&amp;A, spécifiquement dans la capacité, les ingénieurs, les scientifiques des données et la direction axée sur le client.</li>
<li>Mix client — La direction s'attend à une augmentation des dépenses du plus grand client, avec une croissance globale pour la base de clients restants prévue à un rythme plus rapide et incluant les MAG-seven, les laboratoires d'innovation IA domestiques, les initiatives IA souveraines et les entreprises leaders.</li>
<li>Diversification des clients — La croissance des revenus devrait devenir moins concentrée, entraînée par un ensemble croissant et de plus en plus diversifié de grands clients.</li>
<li>Prévisions de revenus — Prévision d'au moins 35 % de croissance d'une année sur l'autre pour 2026 basée sur des programmes visibles et actifs et des gains récemment remportés ; la direction note un potentiel de hausse significatif en raison du rythme des initiatives LLM et IA.</li>
<li>Transition des flux de travail — Au premier trimestre, environ 20 millions de dollars de revenus annualisés de flux de travail post-formation pour le plus grand client ont été dépréciés et remplacés par de nouveaux programmes post-formation et de pré-formation à grande échelle, ce qui a entraîné un impact net positif sur le taux de revenus.</li>
<li>Prévisions de marge brute ajustée — La direction s'attend à des marges brutes ajustées au début de 2026 dans la fourchette de 35 % à 40 %, avec une normalisation vers la cible de 40 % à mesure que les nouveaux programmes augmentent et que les innovations de flux de travail s'intensifient.</li>
<li>Avancées technologiques — Introduction et expansion de systèmes propriétaires pour l'évaluation des agents, les pipelines d'optimisation des agents, la simulation contradictoire et l'ingénierie de données à grande échelle pour l'IA physique, y compris les applications aux ensembles de données égocentriques et d'affordance.</li>
<li>Performance de référence — Développement d'un modèle d'IA pour la détection de drones et de petits objets, atteignant une amélioration de 6,45 % par rapport aux références de pointe antérieures, en mettant l'accent sur les applications commerciales et à double usage.</li>
<li>Intérêt des hyperscalers et de la cybersécurité — Les services gérés et les initiatives d'entraînement contradictoire ont suscité de nouveaux engagements et un intérêt parmi les hyperscalers, les entreprises de cybersécurité et les experts gouvernementaux pertinents.</li>
</ul>
<h2>Résumé</h2>
<p>La direction a révélé de nouvelles initiatives d'innovation dans les domaines de l'IA générative, de l'IA agentique et de l'IA physique, soulignant les méthodes basées sur les données comme étant au cœur de l'évolution des produits. Les plateformes propriétaires d'évaluation des agents et de simulation contradictoire facilitent une nouvelle traction client, en particulier auprès des hyperscalers et des clients axés sur la sécurité. Avec un réinvestissement continu dans les personnes et la technologie, la direction d'Innodata (<a href="/quote/nasdaq/inod/">INOD</a> 7,88 %) projette une amélioration des marges et une expansion des revenus récurrents liées aux offres hybrides logiciel-humain, tout en soulignant la confiance dans la conversion des engagements précoces et l'élargissement de la pertinence pour les entreprises.</p>
<ul>
<li>La direction de l'entreprise a déclaré : « nous pensons entrer dans un âge d'or de l'innovation chez Innodata Inc. grâce aux investissements que nous avons réalisés et que nous avons l'intention de réaliser à l'avenir. »</li>
<li>La direction a souligné que l'expansion future de la marge brute est attendue, grâce à l'automatisation, aux systèmes synthétiques et aux plateformes d'évaluation qui augmentent structurellement notre effet de levier opérationnel.</li>
<li>La direction a précisé que les prévisions de croissance sont intentionnellement conservatrices, avec un potentiel de hausse à mesure que les initiatives LLM se développent rapidement.</li>
<li>En discutant de la diversification des clients, la direction a partagé que les nouveaux contrats et la demande accélérée permettent à Innodata de passer d'un fournisseur à une couche fondamentale au sein des écosystèmes d'IA.</li>
</ul>
<h2>Glossaire de l'industrie</h2>
<ul>
<li>LLM : Large Language Model ; un modèle d'IA entraîné sur de grands ensembles de données pour comprendre et générer du texte en langage naturel.</li>
<li>MAG-seven : Référence de la direction aux sept plus grandes entreprises technologiques américaines, généralement Microsoft, Apple, Google (Alphabet), Amazon, Meta, Nvidia et Tesla.</li>
<li>Données égocentriques : Données capturées du point de vue à la première personne d'un robot ou d'un appareil équipé de capteurs, reflétant l'expérience environnementale directe.</li>
<li>Données d'affordance : Données structurées enseignant aux systèmes d'IA les actions ou interactions possibles avec des objets physiques dans leur contexte.</li>
<li>Simulation contradictoire : Données complexes générées systématiquement, utilisées pour tester la robustesse de l'IA contre des attaques sophistiquées ou des menaces du monde réel.</li>
</ul>
<h2>Transcription complète de la conférence téléphonique</h2>
<p>Opérateur : Bon après-midi, mesdames et messieurs, et bienvenue à la conférence téléphonique sur les résultats du quatrième trimestre et de l'exercice 2025 d'Innodata Inc. À ce stade, toutes les lignes sont en mode écoute seule. Après la présentation, nous organiserons une séance de questions-réponses. Si à tout moment au cours de cet appel vous avez besoin d'une assistance immédiate, veuillez appuyer sur 0 pour parler à l'opérateur. Cet appel est enregistré le jeudi 26/02/2026. Je vais maintenant passer la parole à Amy Agress, conseillère juridique. Allez-y.</p>
<p>Amy Agress : Merci, opérateur. Bon après-midi à tous. Merci de vous joindre à nous aujourd'hui. Nos intervenants aujourd'hui sont Jack Abuhoff, président et chef de la direction d'Innodata Inc., et Marissa Espineli, chef des finances par intérim. Aneesh Pendharkar, vice-président principal, Finances et Développement des sociétés, est également présent à l'appel aujourd'hui. Rahul Singhal, président et chef des revenus, ne peut pas être présent aujourd'hui mais se réjouit de se joindre à nous lors de notre prochain appel. Nous entendrons d'abord Jack, qui nous donnera une perspective sur l'entreprise, puis Marissa nous présentera un aperçu de nos résultats pour le quatrième trimestre et l'exercice 2025. Nous prendrons ensuite des questions d'analystes.</p>
<p>Avant de commencer, je voudrais rappeler à tous que, au cours de cet appel, nous ferons des déclarations prospectives qui sont des prédictions, des projections et d'autres déclarations sur des événements futurs. Ces déclarations sont basées sur les attentes, hypothèses et estimations actuelles et sont soumises à des risques et incertitudes. Les résultats réels pourraient différer matériellement de ceux envisagés par ces déclarations prospectives. Les facteurs qui pourraient entraîner une différence matérielle entre les résultats sont énoncés dans le communiqué de presse d'aujourd'hui, dans la section Facteurs de risque de nos formulaires 10-K, 10-Q et autres rapports et dépôts auprès de la Securities and Exchange Commission. Nous n'assumons aucune obligation de mettre à jour les informations prospectives. De plus, au cours de cet appel, nous pourrons discuter de certaines mesures financières non conformes aux GAAP.</p>
<p>Dans notre communiqué de presse déposé auprès de la SEC aujourd'hui, ainsi que dans nos autres dépôts auprès de la SEC, qui sont publiés sur notre site Web, vous trouverez des divulgations supplémentaires concernant ces mesures financières non conformes aux GAAP, y compris des rapprochements de ces mesures avec les mesures GAAP comparables. Merci. Je vais maintenant passer la parole à Jack.</p>
<p>Jack Abuhoff : Merci, Amy, et bon après-midi à tous. Le quatrième trimestre a été un autre trimestre solide pour Innodata Inc. Nous avons généré 72 400 000 $ de revenus, soit une croissance de 22 % d'une année sur l'autre. Cela a porté nos revenus annuels à 251 700 000 $, représentant une croissance de 48 % d'une année sur l'autre pour 2025. Notre marge brute consolidée ajustée au quatrième trimestre était de 42 %, dépassant notre objectif communiqué extérieurement de 40 %. Notre EBITDA ajusté s'est élevé à 15 700 000 $, soit 22 % des revenus, dépassant également le consensus des analystes de 1 200 000 $. En fait, nos résultats ont dépassé le consensus des analystes sur l'ensemble des indicateurs clés, y compris les revenus, l'EBITDA ajusté, le bénéfice net et le BPA. Nous avons terminé l'année avec 82 200 000 $ de trésorerie, en hausse séquentielle d'environ 8 400 000 $. Nous avons obtenu ces résultats tout en réalisant des investissements significatifs axés sur la croissance dans les COGS et les SG&amp;A.</p>
<p>Dans les COGS, nous avons maintenu une capacité en avance sur la montée en puissance des revenus, ce qui s'est toujours avéré être la bonne décision. Et dans les SG&amp;A, nous avons investi dans des ingénieurs, des scientifiques des données et des responsables de comptes axés sur le client, des investissements qui se sont également avérés judicieux. La construction d'innovations qui ont élargi nos opportunités. Nous pensons que notre élan commercial est à son plus haut niveau historique. Nous constatons une demande robuste sur l'ensemble du cycle de vie de l'IA, couvrant le développement, l'évaluation et l'optimisation continue des modèles. Et nous pensons que nous gagnons du terrain auprès d'un nombre large et diversifié de grands clients. En raison de la demande du marché et de la traction croissante, nous anticipons une autre année de croissance potentiellement extraordinaire en 2026. Nous estimons actuellement que notre croissance d'une année sur l'autre en 2026 pourrait être d'environ 35 % ou plus.</p>
<p>Cette estimation reflète les programmes actifs, les gains récemment remportés, les évaluations à un stade avancé et les opportunités où nous avons une visibilité claire. Parce que nous sommes au début de l'année et que les initiatives LLM se développent rapidement, nous pensons qu'il pourrait y avoir un potentiel de hausse significatif par rapport à cette fourchette. Cependant, nous préférons guider de manière conservatrice et ajuster à la hausse à mesure que la visibilité augmente. Dans le même temps, compte tenu de l'échelle et de la complexité des programmes que nous soutenons, la variabilité du calendrier et les calendriers de R&amp;D des clients, les approbations budgétaires ou les changements de priorités de recherche pourraient influencer le rythme auquel les revenus se matérialisent.</p>
<p>Dans nos perspectives, nous intégrons l'attente que les dépenses de notre plus grand client augmenteront quelque peu au cours de l'année, et que la base de clients restante dans son ensemble croîtra à un rythme plus rapide. Nous nous attendons à ce que cette croissance des autres clients provienne d'un mélange des MAG-seven, des laboratoires d'innovation IA domestiques, des initiatives IA souveraines et des entreprises leaders. Nous pensons que cela contribuera de manière significative à la diversification des clients. Nos clients évoluent rapidement, entraînant des cycles de développement plus courts et répondant plus rapidement aux avancées de la recherche. En 2025, nous avons réussi dans cet environnement en grande partie parce que nous avons suivi la recherche, anticipé les besoins des clients et pivoté lorsque cela était nécessaire.</p>
<p>Pour illustrer, au premier trimestre de cette année pour notre plus grand client, nous avons déprécié un nombre significatif de flux de travail post-formation qui représentaient globalement environ 20 000 000 $ de revenus annualisés, mais nous les avons remplacés par une combinaison de nouveaux flux de travail post-formation et de programmes de pré-formation à grande échelle, un domaine d'intérêt et d'investissement récent. Du point de vue du taux de revenus, les effets nets se sont avérés positifs. En effet, nous pensons que l'innovation continue est essentielle pour atteindre notre plan ambitieux pour 2026 et au-delà. La nouvelle vraiment passionnante est que nous pensons entrer dans un âge d'or de l'innovation chez Innodata Inc. grâce aux investissements que nous avons réalisés et que nous avons l'intention de réaliser à l'avenir.</p>
<p>Je vais maintenant partager certaines de nos récentes initiatives d'innovation. Pour des raisons de concurrence, nous serons de manière appropriée discrets, mais ce que nous partagerons vous donnera une fenêtre significative sur notre façon de penser, où nous investissons, les succès que nous rencontrons et comment nous avons l'intention de capitaliser sur l'opportunité qui se présente. Je vais brièvement passer en revue notre récente innovation dans trois domaines : la formation de modèles d'IA générative, l'IA agentique et l'IA physique. Avant de le faire, je tiens à souligner un thème unificateur. Chaque innovation que je suis sur le point de discuter est fondamentalement une innovation de données.</p>
<p>Que l'objectif soit des LLM plus performants, des agents autonomes plus fiables ou des systèmes d'IA physiques plus intelligents, la qualité des données, la composition des données, la validation des données et l'ingénierie des données à grande échelle sont au cœur de la question. Ce sont nos compétences de base. Nous commencerons par la formation de modèles d'IA générative. Historiquement, les clients nous disaient le type de données d'entraînement qu'ils souhaitaient. De plus en plus, cependant, ils nous demandent de diagnostiquer les performances du modèle, de concevoir les bons ensembles de données d'entraînement et de démontrer que ces ensembles de données amélioreront matériellement les résultats. Voici comment cela fonctionne. Nous commençons par identifier les lacunes de performance à l'aide de nos cadres d'évaluation. Nous concevons ensuite des ensembles de données ciblés et validons leur impact en affinant soit le modèle du client, soit un modèle proxy structurellement similaire.</p>
<p>Ce n'est qu'après avoir mesuré et démontré l'impact sur les performances que nous passons à l'échelle. Cela déplace la discussion de « combien coûtent les données » à « quelle est l'efficacité des données ». Nous pensons que ce changement est motivé par deux forces : le rythme accéléré de la recherche en IA et le coût et le temps nécessaires pour entraîner des modèles toujours plus grands. Et les conversations sur l'efficacité des données jouent directement en notre faveur. Nous faisons également progresser les méthodes de création d'ensembles de données qui améliorent le raisonnement à long contexte, c'est-à-dire la capacité d'un modèle d'IA à observer et à raisonner sur de très grandes quantités d'informations à la fois. Cela reste l'un des défis techniques les plus importants de l'industrie.</p>
<p>Le résoudre nécessite non seulement des améliorations architecturales, mais aussi des avancées dans la création à grande échelle de types très spécifiques de données d'entraînement structurées. La création de données d'entraînement qui améliorent le raisonnement à long contexte est un problème non trivial, mais nous avons réalisé et continuons de réaliser des progrès significatifs à cet égard. Un deuxième domaine d'innovation concerne