Innodata ( INOD ) Trascrizione della chiamata sugli utili del quarto trimestre 2025

<p>Fonte dell'immagine: The Motley Fool.</p>
<h2>Data</h2>
<p>26 febbraio 2026 alle 17:00 ET</p>
<h2>Partecipanti alla chiamata</h2>
<ul>
<li>Presidente e Amministratore Delegato — Jack Abuhoff</li>
<li>Amministratore Finanziario ad interim — Marissa Espineli</li>
<li>Consigliere Generale — Amy Agress</li>
<li>Vice Presidente Senior, Finanza e Sviluppo Aziendale — Aneesh Pendharkar</li>
</ul>
<p>Hai bisogno di una citazione da un analista di Motley Fool? Invia un'email a <a href="/cdn-cgi/l/email-protection">[email protected]</a></p>
<h2>Punti chiave</h2>
<ul>
<li>Ricavi — 72,4 milioni di dollari per il trimestre, con un aumento del 22% anno su anno.</li>
<li>Ricavi per l'intero anno — 251,7 milioni di dollari, con un tasso di crescita del 48% anno su anno.</li>
<li>Margine lordo rettificato — 42% per il trimestre, superiore all'obiettivo comunicato esternamente del 40%.</li>
<li>EBITDA rettificato — 15,7 milioni di dollari, ovvero il 22% dei ricavi; ha superato il consenso degli analisti di 1,2 milioni di dollari.</li>
<li>Liquidità — 82,2 milioni di dollari alla fine del trimestre, in aumento di circa 8,4 milioni di dollari sequenzialmente e di 35,3 milioni di dollari anno su anno.</li>
<li>Utilizzo del debito — Nessun prelievo dalla linea di credito Wells Fargo da 30 milioni di dollari.</li>
<li>Innovazione e investimenti — Investimenti orientati alla crescita in COGS e SG&amp;A, in particolare in capacità, ingegneri, data scientist e leadership a contatto con i clienti.</li>
<li>Mix di clienti — Il management si aspetta un aumento della spesa da parte del cliente più grande, con una crescita aggregata per la restante base di clienti prevista a un ritmo più veloce e che includa i MAG-seven, i laboratori di innovazione AI domestici, le iniziative AI sovrane e le principali imprese.</li>
<li>Diversificazione dei clienti — Si prevede che la crescita dei ricavi diventi meno concentrata, guidata da un insieme in espansione e sempre più diversificato di grandi clienti.</li>
<li>Previsioni sui ricavi — Previsione di almeno il 35% di crescita anno su anno per il 2026 basata su programmi visibili e attivi e su vittorie recentemente aggiudicate; il management nota un potenziale significativo rialzo dovuto al ritmo delle iniziative LLM e AI-driven.</li>
<li>Transizione del flusso di lavoro — Nel primo trimestre, circa 20 milioni di dollari di ricavi run-rate per il flusso di lavoro post-training del cliente più grande sono stati deprecati e sostituiti con nuovi programmi post-training e pre-training su larga scala, con un impatto netto positivo sul run-rate dei ricavi.</li>
<li>Previsioni sul margine lordo rettificato — Il management si aspetta margini lordi rettificati all'inizio del 2026 nell'intervallo del 35%-40% con una normalizzazione verso l'obiettivo del 40% man mano che i nuovi programmi aumentano e le innovazioni dei flussi di lavoro si scalano.</li>
<li>Avanzamenti tecnologici — Introdotti ed espansi sistemi proprietari per la valutazione degli agenti, pipeline di ottimizzazione degli agenti, simulazione avversaria e ingegneria dei dati su larga scala per l'AI fisica, comprese le applicazioni a dataset egocentrici e di affordance.</li>
<li>Prestazioni di benchmark — Sviluppato un modello AI per il rilevamento di droni e piccoli oggetti, ottenendo un miglioramento del 6,45% rispetto ai precedenti benchmark all'avanguardia, enfatizzando le applicazioni commerciali e a duplice uso.</li>
<li>Interesse da parte di hyperscaler e cybersecurity — I servizi gestiti e le iniziative di addestramento avversario hanno attratto nuovi impegni e interesse tra gli hyperscaler, le società di cybersecurity e gli esperti governativi pertinenti.</li>
</ul>
<h2>Riassunto</h2>
<p>Il management ha rivelato nuove iniziative di innovazione in materia di AI generativa, AI agentica e AI fisica, sottolineando i metodi basati sui dati come nucleo dell'evoluzione del prodotto. Piattaforme proprietarie per la valutazione degli agenti e la simulazione avversaria stanno facilitando una nuova trazione con i clienti, in particolare tra gli hyperscaler e i clienti focalizzati sulla sicurezza. Con un reinvestimento continuo in persone e tecnologia, la leadership di Innodata (<a href="/quote/nasdaq/inod/">INOD</a> 7,88%) proietta sia un miglioramento dei margini che un'espansione dei ricavi ricorrenti legati a offerte ibride software-umano, sottolineando al contempo la fiducia nella conversione degli impegni in fase iniziale e nell'ampliamento della rilevanza aziendale.</p>
<ul>
<li>Il management dell'azienda ha dichiarato: "crediamo di entrare in un'era d'oro dell'innovazione in Innodata Inc. come risultato degli investimenti che abbiamo fatto e che intendiamo fare in futuro".</li>
<li>La leadership ha sottolineato che si prevede un'espansione futura del margine lordo, guidata dall'automazione, dai sistemi sintetici e dalle piattaforme di valutazione che aumentano strutturalmente la nostra leva operativa.</li>
<li>Il management ha chiarito che le previsioni di crescita sono intenzionalmente conservative, con un potenziale rialzo man mano che le iniziative LLM si sviluppano rapidamente.</li>
<li>Discutendo della diversificazione dei clienti, il management ha condiviso che le nuove vittorie e la domanda accelerata consentono a Innodata di passare da fornitore a livello fondamentale all'interno degli ecosistemi AI.</li>
</ul>
<h2>Glossario del settore</h2>
<ul>
<li>LLM: Large Language Model; un modello AI addestrato su grandi set di dati per comprendere e generare testo in linguaggio naturale.</li>
<li>MAG-seven: Riferimento del management alle sette maggiori società tecnologiche statunitensi, tipicamente Microsoft, Apple, Google (Alphabet), Amazon, Meta, Nvidia e Tesla.</li>
<li>Dati egocentrici: Dati catturati dalla prospettiva in prima persona di un robot o di un dispositivo dotato di sensori, che riflettono l'esperienza ambientale diretta.</li>
<li>Dati di affordance: Dati strutturati che insegnano ai sistemi AI le possibili azioni o interazioni con oggetti fisici nel contesto.</li>
<li>Simulazione avversaria: Dati complessi generati sistematicamente, utilizzati per testare la robustezza dell'AI contro attacchi sofisticati o minacce del mondo reale.</li>
</ul>
<h2>Trascrizione completa della teleconferenza</h2>
<p>Operatore: Buon pomeriggio, signore e signori, e benvenuti alla teleconferenza sui risultati del quarto trimestre e dell'anno fiscale 2025 di Innodata Inc. Al momento, tutte le linee sono in modalità di ascolto. Dopo la presentazione, condurremo una sessione di domande e risposte. Se in qualsiasi momento durante questa chiamata aveste bisogno di assistenza immediata, premete 0 per l'operatore. Questa chiamata viene registrata giovedì 26/02/2026. Ora cedo la parola ad Amy Agress, General Counsel. Prego.</p>
<p>Amy Agress: Grazie, operatore. Buon pomeriggio a tutti. Grazie per esservi uniti a noi oggi. I nostri relatori oggi sono Jack Abuhoff, Presidente e CEO di Innodata Inc., e Marissa Espineli, Interim CFO. Sono inoltre presenti alla chiamata Aneesh Pendharkar, Vice Presidente Senior, Finanza e Sviluppo Aziendale. Rahul Singhal, Presidente e Chief Revenue Officer, non potrà essere presente oggi ma non vede l'ora di unirsi a noi nella nostra prossima chiamata. Sentiremo prima Jack, che fornirà una prospettiva sull'attività, e poi Marissa fornirà una revisione dei nostri risultati per il quarto trimestre e l'anno fiscale 2025. Successivamente, risponderemo alle domande degli analisti.</p>
<p>Prima di iniziare, vorrei ricordare a tutti che durante questa chiamata faremo dichiarazioni previsionali che sono previsioni, proiezioni e altre dichiarazioni su eventi futuri. Queste dichiarazioni si basano sulle aspettative, ipotesi e stime attuali e sono soggette a rischi e incertezze. I risultati effettivi potrebbero differire materialmente da quelli contemplati da queste dichiarazioni previsionali. I fattori che potrebbero causare tali differenze sono esposti nel comunicato stampa sugli utili di oggi, nella sezione Fattori di Rischio dei nostri Moduli 10-K, Moduli 10-Q e altri rapporti e depositi presso la Securities and Exchange Commission. Non ci assumiamo alcun obbligo di aggiornare le informazioni previsionali. Inoltre, durante questa chiamata, potremmo discutere di determinati parametri finanziari non-GAAP.</p>
<p>Nel nostro comunicato stampa sugli utili depositato oggi presso la SEC, così come nei nostri altri depositi SEC, che sono pubblicati sul nostro sito web, troverete ulteriori divulgazioni relative a questi parametri finanziari non-GAAP, comprese le riconciliazioni di questi parametri con i parametri GAAP comparabili. Grazie. Ora cedo la parola a Jack.</p>
<p>Jack Abuhoff: Grazie, Amy, e buon pomeriggio a tutti. Il Q4 è stato un altro trimestre solido per Innodata Inc. Abbiamo generato 72.400.000 dollari di ricavi, con una crescita del 22% anno su anno. Questo ha portato i nostri ricavi per l'intero anno a 251.700.000 dollari, rappresentando una crescita del 48% anno su anno per il 2025. Il nostro margine lordo consolidato rettificato del Q4 è stato del 42%, superando il nostro obiettivo comunicato esternamente del 40%. Il nostro EBITDA rettificato è stato di 15.700.000 dollari, ovvero il 22% dei ricavi, superando anche il consenso degli analisti di 1.200.000 dollari. Infatti, i nostri risultati hanno superato il consenso degli analisti in tutta la gamma di metriche chiave, tra cui ricavi, EBITDA rettificato, utile netto e EPS. Abbiamo chiuso l'anno con 82.200.000 dollari di liquidità, in aumento sequenziale di circa 8.400.000 dollari. Abbiamo raggiunto questi risultati mentre effettuavamo significativi investimenti orientati alla crescita sia in COGS che in SG&amp;A.</p>
<p>In COGS, abbiamo mantenuto la capacità in anticipo rispetto all'aumento dei ricavi, il che si è costantemente dimostrato la mossa giusta. E in SG&amp;A, abbiamo investito in ingegneri, data scientist e leadership account a contatto con i clienti, investimenti che si sono anch'essi dimostrati prudenti. Costruendo innovazione che ha ampliato le nostre opportunità. Crediamo che il nostro slancio aziendale sia al massimo storico. Stiamo vedendo una forte domanda in tutto il ciclo di vita dell'AI, che spazia dallo sviluppo, alla valutazione e all'ottimizzazione continua dei modelli. E crediamo di ottenere trazione con un numero ampio e diversificato di grandi clienti. Come risultato della domanda di mercato e della crescente trazione, prevediamo un altro anno di crescita potenzialmente straordinaria nel 2026. Attualmente stimiamo che la nostra crescita anno su anno per il 2026 possa essere di circa il 35% o più.</p>
<p>Questa stima riflette programmi attivi, vittorie recentemente aggiudicate, valutazioni in fase avanzata e opportunità per le quali abbiamo una chiara visibilità. Poiché siamo all'inizio dell'anno e poiché le iniziative LLM si sviluppano rapidamente, riteniamo che possa esserci un potenziale significativo rialzo rispetto a questo intervallo. Tuttavia, preferiamo guidare in modo conservativo e aggiustare verso l'alto man mano che la visibilità aumenta. Allo stesso tempo, data la scala e la complessità dei programmi che supportiamo, la variabilità dei tempi e i programmi di R&amp;S dei clienti, le approvazioni di budget o i cambiamenti nelle priorità di ricerca potrebbero influenzare il ritmo con cui i ricavi si materializzano.</p>
<p>Integrata nella nostra prospettiva c'è l'aspettativa che la spesa del nostro cliente più grande aumenterà leggermente nell'anno, e che la restante base di clienti nell'aggregato crescerà a un ritmo più veloce. Ci aspettiamo che questa crescita degli altri clienti provenga da un mix di MAG-seven, laboratori di innovazione AI domestici, iniziative AI sovrane e imprese leader. Crediamo che ciò contribuirà in modo significativo alla diversificazione dei clienti. I nostri clienti si muovono velocemente, guidando cicli di sviluppo più brevi e rispondendo più rapidamente alle scoperte della ricerca. Nel 2025, abbiamo avuto successo in questo ambiente in gran parte perché abbiamo seguito la ricerca, anticipato le esigenze dei clienti e ci siamo adattati dove necessario.</p>
<p>Per illustrare, nel primo trimestre di quest'anno per il nostro cliente più grande, abbiamo deprecato un numero significativo di flussi di lavoro post-training che rappresentavano nell'aggregato circa 20.000.000 di dollari di ricavi annualizzati run-rate, ma li abbiamo sostituiti con una combinazione di nuovi flussi di lavoro post-training e programmi di pre-training su larga scala, un'area di recente attenzione e investimento. Dal punto di vista del run-rate dei ricavi, gli effetti netti si sono rivelati positivi. Infatti, crediamo che l'innovazione continua sia fondamentale per raggiungere il nostro ambizioso piano per il 2026 e oltre. La notizia veramente entusiasmante è che crediamo di entrare in un'era d'oro dell'innovazione in Innodata Inc. come risultato degli investimenti che abbiamo fatto e che intendiamo fare in futuro.</p>
<p>Ora condividerò alcune delle nostre recenti iniziative di innovazione. Per motivi di competitività, saremo appropriatamente circospetti, ma ciò che condivideremo vi darà una finestra significativa su come stiamo pensando, dove stiamo investendo, i successi che stiamo ottenendo e come intendiamo capitalizzare l'opportunità che ci attende. Descriverò brevemente la nostra recente innovazione in tre aree: addestramento di modelli AI generativi, AI agentica e AI fisica. Prima di farlo, voglio sottolineare un tema unificante. Ogni innovazione che sto per discutere è fondamentalmente un'innovazione dei dati.</p>
<p>Sia che l'obiettivo siano LLM più capaci, agenti autonomi più affidabili o sistemi AI fisici più intelligenti, la qualità dei dati, la composizione dei dati, la validazione dei dati e l'ingegneria dei dati su larga scala sono al centro della questione. Queste sono le nostre competenze principali. Inizieremo con l'addestramento di AI generativi. Storicamente, i clienti ci dicevano il tipo di dati di addestramento che volevano. Sempre più spesso, tuttavia, ci chiedono di diagnosticare le prestazioni del modello, progettare i set di dati di addestramento corretti e dimostrare che tali set di dati miglioreranno materialmente i risultati. Ecco come funziona. Iniziamo identificando le lacune di prestazioni utilizzando i nostri framework di valutazione. Quindi, ingegnerizziamo set di dati mirati e convalidiamo il loro impatto affinando il modello del cliente o un modello proxy strutturalmente simile.</p>
<p>Solo dopo aver misurato e dimostrato l'impatto sulle prestazioni, scaliamo. Questo sposta la discussione da "quanto costano i dati" a "quanto sono efficaci i dati". Crediamo che questo spostamento sia guidato da due forze: il ritmo accelerato della ricerca AI e il costo e il tempo necessari per addestrare modelli sempre più grandi. E le conversazioni sull'efficacia dei dati giocano direttamente a nostro favore. Stiamo anche avanzando metodi per creare set di dati che migliorano il ragionamento a lungo contesto, la capacità di un modello AI di osservare e ragionare su enormi quantità di informazioni contemporaneamente. Questa rimane una delle sfide tecniche più importanti del settore.</p>
<p>Risolvere questo problema richiede non solo miglioramenti architetturali, ma progressi nella creazione su larga scala di tipi molto specifici di dati di addestramento strutturati. Creare dati di addestramento che migliorano il ragionamento a lungo contesto è un problema non banale, ma abbiamo fatto e stiamo continuando a fare progressi significativi in questo senso. Una seconda area di innovazione riguarda la valutazione dei sistemi di agenti autonomi e il loro miglioramento attraverso la creazione di set di dati mirati. Crediamo che gli agenti autonomi possano rappresentare l'opportunità di innovazione aziendale più significativa dall'avvento dell'elettricità. Ma le aziende scoprono rapidamente che molti agenti AI che hanno mostrato prestazioni impressionanti in contesti di laboratorio controllati degradano nella produzione del mondo reale. Il mondo reale è caotico.</p>
<p>È plasmato da casi limite, vincoli contrastanti, comportamento imprevedibile dell'utente e condizioni avversarie. Affrontare questo è fondamentalmente una sfida legata ai dati. Gli agenti devono essere addestrati continuamente e testati rigorosamente con set