MiniMax cambia rotta: le entrate B2B crescono del 700%, l'azienda si trasforma in venditrice di "picconi"

MiniMax ha impiegato un anno per compiere una migrazione strutturale, trasformandosi oggi in una società di infrastruttura di calcolo guidata da un ecosistema globale di sviluppatori, MaaS multimodale e infrastrutture per Agent.

In base ai dati diffusi, le dimensioni complessive dei ricavi di MiniMax hanno registrato un enorme aumento: nel primo semestre del 2026 il fatturato totale ha raggiunto circa 120 milioni di dollari, con una crescita del 283,1% su base annua; i ricavi di soli sei mesi hanno raggiunto 1,5 volte quelli dell'intero anno 2025.

Di questi, i ricavi del business B2B, incentrato sulla piattaforma aperta e altri servizi aziendali, hanno raggiunto 73,9 milioni di dollari, con un'impennata di oltre il 700% su base annua; la quota sul fatturato totale è schizzata dal 30,3% dell'anno precedente al 63,4%, diventando il pilastro portante delle entrate della società.

La folle crescita del mercato enterprise ha portato un aumento significativo all'ARR (Annual Recurring Revenue) di MiniMax, che ad agosto ha raggiunto gli 800 milioni di dollari, di cui il business To B rappresenta già circa l'80%, mentre il To C solo il 20%.

(Va notato che l'ARR non è una cifra auditata secondo i principi contabili generalmente accettati e contiene naturalmente un certo margine di approssimazione, ma rimane comunque un indicatore di valutazione prezioso per le società di modelli AI e SaaS).

Inoltre, nel primo semestre dell'anno il mercato estero ha contribuito per circa il 60% ai ricavi di MiniMax, evidenziando ancora una volta la sua vocazione globale.

Contestualmente all'esplosione dei ricavi, le spese di vendita e distribuzione sono calate del 17,9% su base annua a 27 milioni di dollari, mentre il margine lordo è cresciuto del 464,8% a 20,81 milioni di dollari.

Per quanto riguarda le perdite, la perdita netta del periodo si è ridotta dai circa 400 milioni di dollari dell'anno precedente a circa 360 milioni di dollari.

Ciò significa che MiniMax ha definitivamente abbandonato la fase iniziale in cui si affidava all'acquisizione di utenti tramite campagne marketing per le app consumer di intrattenimento generale; dopo aver puntato decisamente sui modelli di base e sulle capacità multimodali, si è ora orientata verso una crescita organica di rete guidata dall'ecosistema di sviluppatori e aziende.

Ecco un rapido confronto orizzontale:

• Secondo The Information, DeepSeek ha realizzato 70,7 milioni di dollari di ricavi nei primi sette mesi di quest'anno; escludendo il mese di luglio, si può stimare che i ricavi del primo semestre di MiniMax siano circa il doppio di quelli di DeepSeek;

• Sebbene i ricavi netti di DeepSeek siano inferiori a quelli di MiniMax, nei primi sette mesi ha raggiunto un fatturato pari a 10 volte quello dell'intero 2025, con un tasso di crescita di gran lunga superiore a quello di MiniMax;

• La perdita netta di DeepSeek nei primi sette mesi è stata di 106 milioni di dollari; la perdita netta di MiniMax in questo periodo è pari a circa 3,4 volte quella di DeepSeek.

Nuovi e vecchi consensi

MiniMax ha rivelato che l'incremento esponenziale nel consumo di Token è un fattore cruciale per l'impennata dei ricavi di questo periodo.

Solo a luglio di quest'anno, il consumo di Token su tutte le piattaforme MiniMax ha raggiunto ben 20 volte quello di gennaio. Ad oggi, il numero di clienti aziendali e sviluppatori globali ha superato i 2 milioni, dieci volte rispetto alla fine del 2025.

Il motivo di un balzo non lineare così esagerato nel consumo di Token risiede nel cambiamento del paradigma di consumo dei modelli.

Il CEO Yan Junjie ha rivelato che il paradigma di consumo dei modelli è passato dal "dialogo diretto tra uomo e AI" a un'interazione multi-turno a cascata tra "Agent e AI".

La crescita della domanda di inferenza guidata dagli Agent è significativamente più rapida rispetto alla crescita del numero di utenti umani e di messaggi. Questo ha causato un'esplosione esponenziale del consumo di Token per singolo utente.

Questa dinamica, nell'industria dei modelli in rapida evoluzione, rappresenta già un "vecchio consenso".

Il nuovo consenso, ancora più importante, è che il post-training sia diventato il nuovo limite superiore per lo Scaling.

Dai dati pubblici recenti su Zhipu GLM 5.3, DeepSeek V4 Flash (versione 0731) e Gemini 3.x Flash, emerge che un numero sempre maggiore di sviluppatori di modelli si affida pesantemente agli aggiornamenti delle versioni minori, o addirittura esclusivamente al post-training, riuscendo a migliorare significativamente le prestazioni dei modelli in specifiche attività principali.

Anche Yan Junjie, durante la presentazione dei risultati, ha richiamato questo mutamento nel nuovo consenso del settore: lo Scaling degli attuali grandi modelli sta rapidamente espandendosi dal solo pre-training ad abbracciare mid-training, post-training e apprendimento per rinforzo.

Nella fase di post-training, la generazione massiva di dati sintetici, il rollout ambientale nell'apprendimento per rinforzo (inferenza/generazione) e la verifica per tentativi ed errori dei compiti generati, sono di natura essenzialmente calcolo di inferenza. Più basso è il costo di inferenza per unità di potenza di calcolo e maggiore è il throughput, maggiori saranno le traiettorie e la scala degli esperimenti che il modello può elaborare durante il post-training. Ecco perché un gruppo di sviluppatori di modelli, inclusa MiniMax, sta investendo una quota sempre più alta di potenza di calcolo nelle fasi di mid-training e post-training.

Yan Junjie ha sottolineato che, a parità di scala di calcolo, il moltiplicatore del miglioramento dell'efficienza del calcolo di inferenza mostra una correlazione sostanzialmente lineare con il fattore di crescita della scala del post-training. In parole povere: maggiore è lo sforzo investito nel post-training, maggiore sarà il miglioramento dell'efficienza di inferenza e migliori saranno i risultati finali espressi dal modello.

In altre parole, a prescindere dal fatto che le persone ritengano che lo Scaling Law abbia colpito un muro o che il numero di parametri del modello abbia raggiunto il limite massimo — il post...