Innodata ( INOD ) Transcrição da Chamada de Resultados do 4º Trimestre de 2025

<p>Fonte da imagem: The Motley Fool.</p>
<h2>Data</h2>
<p>26 de fevereiro de 2026, às 17h ET</p>
<h2>Participantes da chamada</h2>
<ul>
<li>Presidente e Diretor Executivo — Jack Abuhoff</li>
<li>Diretor Financeiro Interino — Marissa Espineli</li>
<li>Procurador Geral — Amy Agress</li>
<li>Vice-Presidente Sênior de Finanças e Desenvolvimento Corporativo — Aneesh Pendharkar</li>
</ul>
<p>Precisa de uma cotação de um analista do Motley Fool? Envie um e-mail para <a href="/cdn-cgi/l/email-protection">[email protected]</a></p>
<h2>Principais pontos</h2>
<ul>
<li>Receita — US$ 72,4 milhões no trimestre, um aumento de 22% em relação ao ano anterior.</li>
<li>Receita anual — US$ 251,7 milhões, representando uma taxa de crescimento de 48% em relação ao ano anterior.</li>
<li>Margem bruta ajustada — 42% no trimestre, acima da meta comunicada externamente de 40%.</li>
<li>EBITDA ajustado — US$ 15,7 milhões, ou 22% da receita; superou o consenso dos analistas em US$ 1,2 milhão.</li>
<li>Caixa — US$ 82,2 milhões no final do trimestre, um aumento de aproximadamente US$ 8,4 milhões sequencialmente e US$ 35,3 milhões em relação ao ano anterior.</li>
<li>Utilização da dívida — Nenhum saque da linha de crédito de US$ 30 milhões da Wells Fargo.</li>
<li>Inovação e investimentos — Investimentos impulsionados pelo crescimento em COGS e SG&A, especificamente em capacidade, engenheiros, cientistas de dados e liderança voltada para o cliente.</li>
<li>Mix de clientes — A administração espera que os gastos do maior cliente aumentem, com crescimento agregado para a base de clientes restante previsto para ocorrer a uma taxa mais rápida e para incluir os MAG-seven, laboratórios de inovação doméstica de IA, iniciativas soberanas de IA e empresas líderes.</li>
<li>Diversificação de clientes — Espera-se que o crescimento da receita se torne menos concentrado, impulsionado por um conjunto crescente e cada vez mais diversificado de grandes clientes.</li>
<li>Orientação de receita — Previsão de pelo menos 35% de crescimento ano a ano para 2026 com base em programas visíveis e ativos e vitórias recentemente concedidas; a administração observa um potencial de alta significativo devido ao ritmo das iniciativas impulsionadas por LLM e IA.</li>
<li>Transição de fluxo de trabalho — No primeiro trimestre, aproximadamente US$ 20 milhões em receita de fluxo de trabalho pós-treinamento em taxa de execução para o maior cliente foram depreciados e substituídos por novos programas de fluxo de trabalho pós-treinamento e pré-treinamento em escala, resultando em um impacto líquido positivo na taxa de execução da receita.</li>
<li>Orientação de margem bruta ajustada — A administração espera margens brutas ajustadas no início de 2026 na faixa de 35%-40%, com normalização em direção à meta de 40% à medida que novos programas aumentam e as inovações de fluxo de trabalho escalam.</li>
<li>Avanços tecnológicos — Introduziu e expandiu sistemas proprietários para avaliação de agentes, pipelines de otimização de agentes, simulação adversarial e engenharia de dados em larga escala para IA física, incluindo aplicações para conjuntos de dados egocêntricos e de affordance.</li>
<li>Desempenho de benchmark — Desenvolveu um modelo de IA para detecção de drones e objetos pequenos, alcançando uma melhoria de 6,45% em relação aos benchmarks anteriores de ponta, enfatizando aplicações comerciais e de uso duplo.</li>
<li>Interesse de hiperscalers e cibersegurança — Serviços gerenciados e iniciativas de treinamento adversarial atraíram novos engajamentos e interesse entre hiperscalers, empresas de cibersegurança e especialistas governamentais relevantes.</li>
</ul>
<h2>Resumo</h2>
<p>A administração revelou novas iniciativas de inovação em IA generativa, IA agentiva e IA física, destacando métodos orientados por dados como essenciais para a evolução do produto. Plataformas proprietárias para avaliação de agentes e simulação adversarial estão facilitando nova atração de clientes, especialmente entre hiperscalers e clientes focados em segurança. Com reinvestimento contínuo em pessoas e tecnologia, a liderança da Innodata (<a href="/quote/nasdaq/inod/">INOD</a> 7,88%) projeta melhoria de margens e expansão de receita recorrente vinculada a ofertas híbridas de software-humano, ao mesmo tempo em que sublinha a confiança na conversão de engajamentos em estágio inicial e na ampliação da relevância empresarial.</p>
<ul>
<li>A administração da empresa declarou: "acreditamos que estamos entrando em uma era de ouro de inovação na Innodata Inc. como resultado dos investimentos que fizemos e pretendemos fazer no futuro."</li>
<li>A liderança enfatizou que a expansão futura da margem bruta é esperada, impulsionada pela automação, sistemas sintéticos e plataformas de avaliação que aumentam estruturalmente nossa alavancagem operacional.</li>
<li>A administração esclareceu que a orientação de crescimento é intencionalmente conservadora, com potencial de alta à medida que as iniciativas de LLM se intensificam rapidamente.</li>
<li>Ao discutir a diversificação de clientes, a administração compartilhou que novas vitórias e demanda acelerada estão permitindo que a Innodata migre de fornecedora para uma camada fundamental dentro dos ecossistemas de IA.</li>
</ul>
<h2>Glossário da indústria</h2>
<ul>
<li>LLM: Large Language Model; um modelo de IA treinado em grandes conjuntos de dados para entender e gerar texto em linguagem natural.</li>
<li>MAG-seven: Referência da administração às sete maiores empresas de tecnologia dos EUA, tipicamente Microsoft, Apple, Google (Alphabet), Amazon, Meta, Nvidia e Tesla.</li>
<li>Dados egocêntricos: Dados capturados da perspectiva em primeira pessoa de um robô ou dispositivo equipado com sensores, refletindo a experiência ambiental direta.</li>
<li>Dados de affordance: Dados estruturados que ensinam sistemas de IA sobre ações ou interações possíveis com objetos físicos em contexto.</li>
<li>Simulação adversarial: Dados complexos gerados sistematicamente, usados para testar a robustez da IA contra ataques sofisticados ou ameaças do mundo real.</li>
</ul>
<h2>Transcrição Completa da Conferência Telefônica</h2>
<p>Operador: Boa tarde, senhoras e senhores, e bem-vindos à Chamada de Conferência de Resultados do Quarto Trimestre e Ano Fiscal de 2025 da Innodata Inc. Neste momento, todas as linhas estão em modo de apenas escuta. Após a apresentação, realizaremos uma sessão de perguntas e respostas. Se a qualquer momento durante esta chamada você precisar de assistência imediata, pressione 0 para falar com o operador. Esta chamada está sendo gravada na quinta-feira, 26/02/2026. Agora, passarei a palavra para Amy Agress, Procuradora Geral. Por favor, prossiga.</p>
<p>Amy Agress: Obrigada, operadora. Boa tarde a todos. Obrigado por se juntarem a nós hoje. Nossos palestrantes hoje são Jack Abuhoff, Presidente e CEO da Innodata Inc., e Marissa Espineli, CFO Interina. Também na chamada hoje está Aneesh Pendharkar, Vice-Presidente Sênior de Finanças e Desenvolvimento Corporativo. Rahul Singhal, Presidente e Diretor de Receitas, não poderá estar aqui hoje, mas espera se juntar a nós em nossa próxima chamada. Ouviremos primeiro Jack, que fornecerá perspectiva sobre o negócio, e depois Marissa fará uma revisão de nossos resultados para o quarto trimestre e ano fiscal de 2025. Em seguida, responderemos a perguntas de analistas.</p>
<p>Antes de começarmos, gostaria de lembrar a todos que, durante esta chamada, faremos declarações prospectivas, que são previsões, projeções e outras declarações sobre eventos futuros. Essas declarações são baseadas em expectativas, suposições e estimativas atuais e estão sujeitas a riscos e incertezas. Os resultados reais podem diferir materialmente daqueles contemplados por essas declarações prospectivas. Os fatores que podem fazer com que esses resultados difiram materialmente estão definidos no comunicado de imprensa de hoje, na seção de Fatores de Risco de nossos Formulários 10-K, Formulários 10-Q e outros relatórios e arquivamentos junto à Securities and Exchange Commission. Não assumimos nenhuma obrigação de atualizar informações prospectivas. Além disso, durante esta chamada, podemos discutir certas medidas financeiras não-GAAP.</p>
<p>Em nosso comunicado de imprensa arquivado na SEC hoje, bem como em nossos outros arquivamentos na SEC, que estão publicados em nosso site, você encontrará divulgações adicionais relativas a essas medidas financeiras não-GAAP, incluindo reconciliações dessas medidas com medidas GAAP comparáveis. Obrigado. Agora passarei a palavra para Jack.</p>
<p>Jack Abuhoff: Obrigado, Amy, e boa tarde a todos. O Q4 foi mais um trimestre forte para a Innodata Inc. Geramos US$ 72.400.000 em receita, refletindo um crescimento de 22% em relação ao ano anterior. Isso elevou nossa receita anual para US$ 251.700.000, representando um crescimento de 48% em relação ao ano anterior para 2025. Nossa margem bruta consolidada ajustada do Q4 foi de 42%, superando nossa meta comunicada externamente de 40%. Nosso EBITDA ajustado totalizou US$ 15.700.000, ou 22% da receita, também superando o consenso dos analistas em US$ 1.200.000. De fato, nossos resultados superaram o consenso dos analistas em toda a gama de métricas chave, incluindo receita, EBITDA ajustado, lucro líquido e EPS. Terminamos o ano com US$ 82.200.000 em caixa, um aumento sequencial de aproximadamente US$ 8.400.000. Alcançamos esses resultados enquanto fazíamos investimentos significativos orientados para o crescimento tanto em COGS quanto em SG&A.</p>
<p>Em COGS, mantivemos capacidade antes do aumento da receita, o que consistentemente se provou ser a decisão certa. E em SG&A, investimos em engenheiros, cientistas de dados e liderança de contas voltada para o cliente, investimentos que também se provaram prudentes. Construindo inovação que expandiu nossas oportunidades. Acreditamos que o momentum de nosso negócio está em seu ponto mais alto. Estamos vendo uma demanda robusta em todo o ciclo de vida da IA, abrangendo desenvolvimento, avaliação e otimização contínua de modelos. E acreditamos que estamos ganhando tração com um número amplo e diversificado de grandes clientes. Como resultado da demanda do mercado e do crescente interesse, antecipamos outro ano de crescimento potencialmente extraordinário em 2026. Atualmente estimamos que nosso crescimento ano a ano em 2026 possa ser de aproximadamente 35% ou mais.</p>
<p>Essa estimativa reflete programas ativos, vitórias recentemente concedidas, avaliações em estágio avançado e oportunidades onde temos visibilidade clara. Como estamos no início do ano e como as iniciativas de LLM se intensificam rapidamente, acreditamos que pode haver um potencial de alta significativo para essa faixa. No entanto, preferimos orientar de forma conservadora e ajustar para cima à medida que a visibilidade aumenta. Ao mesmo tempo, dada a escala e complexidade dos programas que apoiamos, a variabilidade de tempo e os cronogramas de P&D dos clientes, aprovações de orçamento ou mudanças nas prioridades de pesquisa podem influenciar o ritmo com que a receita se materializa.</p>
<p>Embutida em nossa perspectiva está a expectativa de que os gastos de nosso maior cliente aumentarão um pouco no ano, e que a base de clientes restante, em agregado, crescerá a uma taxa mais rápida. Esperamos que esse crescimento de outros clientes venha de uma mistura dos MAG-seven, laboratórios de inovação doméstica de IA, iniciativas soberanas de IA e empresas líderes. Acreditamos que isso contribuirá significativamente para a diversificação de clientes. Nossos clientes estão se movendo rapidamente, impulsionando ciclos de desenvolvimento mais curtos e respondendo mais rapidamente a avanços em pesquisa. Em 2025, tivemos sucesso nesse ambiente em grande parte porque seguimos a pesquisa, antecipamos as necessidades dos clientes e pivotamos quando necessário.</p>
<p>Para ilustrar, no primeiro trimestre deste ano, para nosso maior cliente, depreciamos um número significativo de fluxos de trabalho pós-treinamento que representavam, em agregado, aproximadamente US$ 20.000.000 de receita anualizada em taxa de execução, mas os substituímos por uma combinação de novos fluxos de trabalho pós-treinamento e programas de pré-treinamento em escala, uma área de foco e investimento recente. Do ponto de vista da taxa de execução da receita, os efeitos líquidos foram positivos. De fato, acreditamos que a inovação contínua é crítica para alcançar nosso plano ambicioso para 2026 e além. A notícia verdadeiramente empolgante é que acreditamos que estamos entrando em uma era de ouro de inovação na Innodata Inc. como resultado dos investimentos que fizemos e pretendemos fazer no futuro.</p>
<p>Agora vou compartilhar algumas de nossas recentes iniciativas de inovação. Por razões competitivas, seremos apropriadamente circunspectos, mas o que compartilharmos lhes dará uma janela significativa para como estamos pensando, onde estamos investindo, os sucessos que estamos tendo e como pretendemos capitalizar a oportunidade à frente. Percorrerei brevemente nossa recente inovação em três áreas: treinamento de modelos de IA generativa, IA agentiva e IA física. Antes de fazê-lo, quero ressaltar um tema unificador. Toda inovação que estou prestes a discutir é fundamentalmente uma inovação de dados.</p>
<p>Seja o objetivo LLMs mais capazes, agentes autônomos mais confiáveis ou sistemas de IA física mais inteligentes, a qualidade dos dados, a composição dos dados, a validação dos dados e a engenharia de dados em escala estão no cerne da questão. Essas são nossas competências essenciais. Começaremos com o treinamento de IA generativa. Historicamente, os clientes nos diziam o tipo de dados de treinamento que queriam. Cada vez mais, no entanto, eles nos pedem para diagnosticar o desempenho do modelo, projetar os conjuntos de dados de treinamento corretos e demonstrar que esses conjuntos de dados melhorarão materialmente os resultados. Veja como isso funciona. Começamos identificando lacunas de desempenho usando nossas estruturas de avaliação. Em seguida, projetamos conjuntos de dados direcionados e validamos seu impacto ajustando o modelo do cliente ou um modelo proxy estruturalmente semelhante.</p>
<p>Somente depois de medir e demonstrar o impacto no desempenho é que escalamos. Isso muda a discussão de "quanto custa o dado" para "quão eficaz é o dado". Acreditamos que essa mudança está sendo impulsionada por duas forças: o ritmo acelerado da pesquisa em IA e o custo e o tempo incorridos para treinar modelos cada vez maiores. E as conversas sobre a eficácia dos dados jogam diretamente para nossos pontos fortes. Também estamos avançando métodos para criar conjuntos de dados que melhoram o raciocínio de longo contexto — a capacidade de um modelo de IA de observar e raciocinar sobre grandes quantidades de informação de uma só vez. Este continua sendo um dos desafios técnicos mais importantes da indústria.</p>
<p>Resolvê-lo requer não apenas melhorias arquitetônicas, mas avanços na criação em escala de tipos muito específicos de dados de treinamento estruturados. Criar dados de treinamento que melhoram o raciocínio de longo contexto é um problema não trivial, mas fizemos e continuamos a fazer progressos significativos nisso. Uma segunda área de inovação é em torno da avaliação de sistemas de agentes autônomos e sua melhoria por meio da criação de conjuntos de dados direcionados. Acreditamos que os agentes autônomos podem representar a oportunidade de inovação de negócios mais significativa desde o advento da eletricidade. Mas as empresas rapidamente descobrem que muitos agentes de IA que tiveram um desempenho impressionante em ambientes de laboratório controlados degradam na produção do mundo real. O mundo real é caótico.</p>
<p>Ele é moldado por casos extremos, restrições conflitantes, comportamento imprevisível do usuário e condições adversárias. Abordar isso é fundamentalmente um desafio de dados. Os agentes devem ser continuamente treinados e rigorosamente testados com conjuntos de dados que sejam realistas, diversos e complexos. Para isso, desenvolvemos um conjunto de três soluções híbridas altamente complementares. A primeira é uma plataforma de avaliação e observabilidade de agentes. Cientistas de dados podem usar nossa plataforma durante o desenvolvimento para visualizar e anotar agentes</p>