Microsoft AI hat am Mittwoch zwei neue hauseigene Modelle in der öffentlichen Vorschau vorgestellt — MAI-Image-2.5-Pro, seinen bisher hochwertigsten Bildgenerator, und MAI-Voice-2-Flash, ein Sprachmodell für hochvolumige Enterprise-Workloads. Zugleich mit den Veröffentlichungen publizierte das Unternehmen Produktions- und Einsatzdaten, die seine bisher aggressivste Argumentation dafür darstellen, die eigenen Produkte ohne Rückgriff auf die Frontier-Modelle von OpenAI zu betreiben.

Die Ankündigung, die vom Superintelligence-Team von Microsoft AI veröffentlicht wurde, kommt rund ein Jahr, nachdem das Unternehmen zugesagt hatte, eigens entwickelte Modelle intern zu bauen. Sie enthält ein ungewöhnlich hohes Maß an Konkretheit darüber, wo diese Modelle mittlerweile zum Einsatz kommen: Bing, PowerPoint, OneDrive, Dynamics 365, Excel, GitHub Copilot und Azure. Die Botschaft an Enterprise-Kunden — und implizit an OpenAI — lautet, dass Microsofts hausentwickelte Modelle keine Forschungsprojekte mehr sind. Sie sind Produktionsinfrastruktur, die Millionen von Nutzern bedient.

„Jede dieser Verbesserungen ist ein Schritt auf dasselbe Ziel hin: Microsoft-Produkte, angetrieben von Microsoft-Modellen", schrieb das Unternehmen in seinem Ankündigungsblog.

MAI-Image-2.5-Pro und MAI-Voice-2-Flash zielen auf entgegengesetzte Enden der Kostenkurve

Die beiden neuen Veröffentlichungen besetzen bewusst entgegengesetzte Positionen auf dem, was Microsoft die Qualität-Geschwindigkeit-Kosten-Kurve nennt.

MAI-Image-2.5-Pro richtet sich an das Premium-Segment — Hero-Images, detaillierte Bildbearbeitung und präzise Textdarstellung innerhalb von Bildern, ein lange Zeit notorischer Schwachpunkt von Bildgenerierungsmodellen. Microsoft hat das Modell mit 5 $ pro Million Text-Input-Token, 8 $ pro Million Bild-Input-Token und 106 $ pro Million Bild-Output-Token bepreist. Das Basis-Modell MAI-Image-2.5 belegte kürzlich Rang 2 für Bildbearbeitung auf Arena, dem Community-Leaderboard, das sich als De-facto-Rangliste für generative Medien etabliert hat.

Die Kreativbranche nimmt Notiz. Rob Reilly, Global Chief Creative Officer beim Werberiesen WPP, nannte das Pro-Modell in einer Erklärung, die in Microsofts Ankündigung enthalten war, „einen starken Sprung nach vorn für GenMedia-Werkzeuge" und fügte hinzu: „Microsoft hat sich fest unter den führenden Unternehmen im Bereich generativer KI etabliert."

MAI-Voice-2-Flash geht in die andere Richtung. Erstmals auf Microsofts Build-Konferenz vorgestellt, ist Flash doppelt so schnell wie MAI-Voice-2 und 32 % günstiger, bei einem Preis von 15 $ pro Million Zeichen. Es wurde für den großen, aber weniger glamourösen Markt hochvolumiger Sprachanwendungen konzipiert — Callcenter, Voice Agents und Echtzeit-Sprachsysteme, bei denen Latenz und Kosten pro Anruf mehr zählen als marginale Gewinne an Ausdrucksfähigkeit. Gemeinsam spiegeln die beiden Veröffentlichungen eine Strategie wider, Modellfamilien statt eines einzigen Flaggschiffs zu bauen, denn — so das Unternehmen — ein Kreativstudio, das maximale Wiedergabetreue anstrebt, hat grundlegend andere Anforderungen als ein Kundenservice, der täglich Millionen von Anrufen abwickelt.

Produktionskennzahlen zeigen, dass hauseigene Modelle GPU-Kosten um bis zu 89 % senken

Die Einsatzkennzahlen, die Microsoft zusammen mit den Modellveröffentlichungen publizierte, lesen sich wie ein systematisches Plädoyer dafür, Drittpartei-Frontier-Modelle im gesamten Produktportfolio zu ersetzen.

Der Bing Image Creator läuft nun vollständig auf MAI-Image-2.5 — durchgängig —, was das erste Mal ist, dass das Consumer-Bildwerkzeug komplett hauseigen betrieben wird. In PowerPoint meldet Microsoft, dass MAI-Image-2.5 die GPU-Kosten im Vergleich zu GPT-Image-2, dem Bildmodell von OpenAI, um bis zu 84 % senkt. In OneDrive, wo MAI-Image-2.5 nun die Standardeinstellung für zentrale Bildbearbeitungsszenarien ist, berichtet das Unternehmen von einer 26%igen Steigerung der Speicherraten, einer etwa 25 % niedrigeren P95-Latenz und einer 2,5-fach höheren Effizienz unter mittel ausgelasteten Produktions-Workloads.

Auf der Sprachseite treibt MAI-Voice-2-Flash nun das Dynamics 365 Contact Center an — die Plattform, die von Kunden wie T-Mobile und EasyJet genutzt wird —, wo Microsoft GPU-Kostensenkungen von bis zu 89 % beansprucht. Das Modell ist zudem in Azure Voice Live für Entwickler integriert, die Speech-to-Speech-Agenten entwickeln.

Ein besonders folgenreicher Einsatzbereich ist das Gesundheitswesen. Microsofts Dragon Copilot, der von 170.000 medizinischen Anbietern genutzt wird und im vergangenen Quartal für die Verarbeitung von 28 Millionen Patientenkontakten verantwortlich war, läuft nun für seinen mehrsprachigen Workflow in 58 Sprachen auf MAI-Transcribe-1.5. Microsoft gibt an, dass interne Auswertungen eine 50%ige relative Reduktion der Fehlerraten sowohl bei der Transkription als auch bei der Sprachidentifikation in den meisten Sprachen zeigen — eine bedeutende Behauptung in einem Bereich, in dem Transkriptionsfehler direkt in klinische Notizen einfließen können.

Die „Hill-Climbing"-Strategie hinter kleinen Modellen, die GPT-5.6 in Excel erreichen

In einem begleitenden Beitrag, der am selben Tag veröffentlicht wurde, beschrieb Microsoft die Methodik hinter diesen Ergebnissen — die sogenannte „Hill-Climbing-Maschine", ein integriertes Schwungrad aus Daten, Modellen und dem Produkt-„Harness", der sie umgibt.

Das deutlichste Beispiel ist MAI-Code-1-Flash, das im Juni in GitHub Copilot gestartete leichtgewichtige Codierungsmodell. Microsoft gibt an, dass das Modell in VS Code eine etwa 10 % höhere Code-Akzeptanzrate als GPT-5.4 Mini und Claude Haiku 4.5 erreicht, während es 10 % weniger Median-Token verbraucht. Die Entwicklerbindung zeigt ein ähnliches Bild: Nutzer kehrten über mehrere Tage hinweg mit 6 % höherer Wahrscheinlichkeit zurück als bei GPT-5.4 Mini und mit 11 % höherer Wahrscheinlichkeit als bei Claude Haiku 4.5.

Microsoft nahm anschließend den MAI-Code-1-Flash-Checkpoint und trainierte ihn in einer Excel-Reinforcement-Learning-Umgebung weiter, wodurch ein Codierungsmodell die Werkzeuge und Workflows der Tabellenkalkulation erlernte. Das Ergebnis ist laut Produktions-Feedback ein Modell, das bei den häufigsten Excel-Aufgaben mit GPT-5.6 vergleichbar ist — und dabei klein genug, um auf Nvidias älteren H100- und sogar A100-GPUs zu laufen, anstatt der neuesten Generation von Beschleunigern zu bedürfen.

dieses Hardwaredetail ist bemerkenswert. Da jedes große KI-Unternehmen um Zuteilungen modernster Chips konkurriert, verändert ein Modell, das grenzwertnahe Qualität auf zwei Generationen altem Silizium liefert, die Einsatzökonomik grundlegend. Es gibt zudem die neueste Hardware — einschließlich Microsofts mittlerweile betriebsbereitem GB200-Cluster — für das Training statt für das Inferenz-Serving frei.

Satya Nadellas „Frontier Diffusion"-Manifest zeichnet die Beziehung zu OpenAI neu

Microsoft-CEO Satya Nadella ordnete die Ankündigungen in einem ausführlichen Beitrag auf X mit dem Titel „Frontier Diffusion & Control" ein, der als strategisches Manifest gelesen werden kann. „Wir können nun gesättigte Frontier-Fähigkeiten nehmen und sie über skalierbare, auf hochfrequentierte Produkte optimierte Modelle zu geringeren Kosten bereitstellen, während wir Frontier-Modelle für Frontier-Bedürfnisse weiterhin einsetzen", schrieb Nadella und fügte hinzu, dass Microsoft „beginnt, Traffic auf unseren First-Party-Oberflächen zu MAI zu leiten, sobald unsere Modelle den Frontier-Alternativen entsprechen oder diese übertreffen."

Nadella wies darauf hin, dass „Frontier-Modelle von OpenAI und Anthropic neben MAI Teil des Orchestrierungssystems sind," formulierte aber auch ein Prinzip der Modellunabhängigkeit und argumentierte, dass die Auswertungen eines Unternehmens „weiterhin bergauf klettern sollten, auch wenn ein bestimmtes Modell entfernt wurde." Das Harness, den Speicher, den Kontext und die Fähigkeiten außerhalb des Modells zu behalten, so sein Argument, sei es, was Microsoft Kontrolle verleihe.

Der breitere Kontext ist bedeutsam. Reuters berichtete im April, dass Microsofts exklusive Lizenz für OpenAIs Technologie in ein nicht-exklusives Abkommen umgewandelt worden sei. The Information berichtete im vergangenen September, dass Microsoft begonnen habe, Anthropic-Modelle in einige Produkte zu integrieren. Die Ankündigung vom Mittwoch vervollständigt das Dreieck: Microsoft positioniert sich als Orchestrator, wobei die Frontier-Modelle der Partner als austauschbare Komponenten fungieren und die eigenen Modelle einen immer größeren Anteil des routinemäßigen Datenverkehrs übernehmen.

Microsofts Schritt spiegelt ein breiteres Muster unter Hyperscalern wider. Google ersetzt schrittweise Drittanbieter-KI durch seine eigene Gemini-Familie in Workspace und Search, während Amazon in seine Nova- und Titan-Modelllinien für AWS investiert hat. Diese Konvergenz spiegelt die Erkenntnis wider, dass Cloud-Anbieter, die einst darin konkurrierten, den Zugang zu den besten externen Modellen zu bieten, zunehmend darauf setzen, dass proprietäre, eng in die eigene Infrastruktur integrierte Modelle darüber entscheiden werden, wer den Enterprise-KI-Markt erobern wird.

Entwickler-Reaktionen: Begeisterung und Skepsis

Die Online-Reaktionen spiegelten sowohl den Reiz als auch die Zweifel an der Strategie wider.

„Ich liebe es, wenn Leute kleine Modelle für Nischenaufgaben verwenden", schrieb der X-Nutzer @mavihsk als Antwort auf Nadellas Beitrag. „Warum muss ich das allwissende Modell verwenden, nur um mein Feld in Excel zu ändern?" Ein anderer Nutzer, @nabu_lines, brachte das Argument auf den Punkt: „Kosten und Leistung verbessern sich beide, wenn man aufhört, das größte Modell zu übernutzen."

Andere zeigten sich kritischer. „Microsoft ist das Schlechteste, wenn es um das Zuhören auf Nutzer-Feedback geht", schrieb der Designer @designedbyabin und argumentierte, das Unternehmen werde „das KI-Rennen verlieren, weil es wiederholt die Bedürfnisse der Nutzer nicht verstanden hat." Der Nutzer @tokenoverflow formulierte eine trockenere Kritik an der Modellunabhängigkeits-Rhetorik: „i want it keep hill climbing after removing microsoft."

Die Skeptiker erheben einen berechtigten Einwand: Microsofts selbstberichtete Kennzahlen — Akzeptanzraten, Speicherraten, GPU-Einsparungen — stammen aus internen Auswertungen und nicht aus unabhängigen Benchmarks, und das Unternehmen wählt aus, welche Vergleiche es veröffentlicht. Das Fehlen unabhängiger Validierung ist eine zu beobachtende Lücke, da unabhängige Auswertungen von Organisationen wie MLCommons oder Community-getriebenen Plattformen wie Arena die meisten MAI-Modelle noch nicht direkt mit Frontier-Alternativen unter produktionsäquivalenten Bedingungen verglichen haben. Die zugrunde liegende Logik der Strategie hängt jedoch nicht von einer einzelnen Zahl ab. Nadellas Feststellung, dass Software nun zum ersten Mal „echte Grenzkosten" hat, erklärt, warum Microsoft so besessen von Token, GPUs und Serving-Kosten ist: Wenn KI-Funktionen bei jedem Tastendruck über ein Produktportfolio mit einer Milliarde Nutzern laufen, ist eine 84%ige GPU-Kostensenkung keine bloße Optimierung — sie ist der Unterschied zwischen einem tragfähigen Geschäft und einem Geldgrab.

Microsoft macht sein internes KI-Playbook zu einem Azure-Produkt

Das letzte Element der Strategie besteht darin, dass Microsoft das Playbook selbst verkauft, nicht nur die Modelle. Nadella positionierte den Hill-Climbing-Ansatz ausdrücklich als „eine Vorlage für jedes andere KI-native-, SaaS- oder Enterprise-Unternehmen." Microsoft verpackt die Toolchain über Foundry und das sogenannte Frontier Tuning, womit Unternehmen spezialisierte Modelle auf Basis ihrer eigenen proprietären Auswertungen und Reinforcement-Learning-Umgebungen trainieren können. Dies verwandelt Microsofts interne Kostensenkungsmaßnahme in ein Azure-Produkt und gibt Enterprise-Kunden einen Grund, ihre KI-Workloads in Microsofts Cloud auszuführen, selbst wenn die zugrunde liegenden Modelle von anderen Anbietern stammen.

Die Betonung des Unternehmens auf Modellen, die „auf sauberen, rückverfolgbaren, Enterprise-grade-Daten ohne Destillation aus Drittpartei-Modellen" trainiert wurden, dient demselben kommerziellen Ziel. In einer Branche, die zunehmend unter Beobachtung hinsichtlich der Herkunft von Trainingsdaten steht — einschließlich FTC-Nachfragen zu KI-Partnerschaften und laufender Urheberrechtsklagen gegen mehrere Modellentwickler — setzt Microsoft darauf, dass Enterprise-Kunden und Gerichte darum kümmern werden, woher die Fähigkeiten der Modelle stammen.

Microsoft sagt, dass es den Hill-Climbing-Ansatz nun auf Copilot Chat, Outlook und PowerPoint ausweitet. Beide neuen Modelle sind in der öffentlichen Vorschau über Microsoft Foundry und den MAI Playground verfügbar.

„Nichts davon ist ein Endpunkt", schrieb das Unternehmen. „Wir fangen gerade erst an."

Vor sieben Jahren investierte Microsoft mehr als 13 Milliarden Dollar in der Wette, dass OpenAI die Zukunft der KI bauen würde. Die Ankündigung vom Mittwoch deutet darauf hin, dass das Unternehmen inzwischen eine andere Schlussfolgerung gezogen hat: Die Zukunft der KI mag dem gehören, der die Grenze des Möglichen vorgibt — aber die Gewinne gehören dem, der sie alltäglich macht.