Microsoft AI wprowadził w środę do publicznej wersji preview dwa nowe modele własne — MAI-Image-2.5-Pro, swój jak dotąd generator obrazów o najwyższej wierności, oraz MAI-Voice-2-Flash, model mowy zaprojektowany z myślą o wysokonakładowych obciążeniach korporacyjnych. Równolegle z premierami firma opublikowała dane z wdrożeń produkcyjnych, które stanowią jej najmocniejszy jak dotąd argument za zasilaniem własnych produktów bez polegania na frontier models OpenAI.

Ogłoszenie, opublikowane przez zespół Superintelligence w Microsoft AI, pojawia się około rok po tym, jak firma zobowiązała się do wewnętrznego budowania modeli przeznaczonych do konkretnych zastosowań. Zawiera ono nietypowo szczegółowe informacje o tym, gdzie te modele już działają: Bing, PowerPoint, OneDrive, Dynamics 365, Excel, GitHub Copilot i Azure. Przekaz do nabywców korporacyjnych — a pośrednio także do OpenAI — jest taki, że własne modele Microsoftu wyszły poza etap badań i stały się infrastrukturą produkcyjną obsługującą miliony użytkowników.

„Each of these enhancements is a step toward the same goal: Microsoft products, powered by Microsoft models,” stwierdziła firma na swoim blogu z ogłoszeniem.

MAI-Image-2.5-Pro i MAI-Voice-2-Flash celują w przeciwne krańce krzywej kosztów

Dwie nowe premiery zajmują celowo przeciwstawne miejsca na tym, co Microsoft określa jako krzywą jakości, szybkości i kosztów.

MAI-Image-2.5-Pro celuje w segment premium — obrazy główne, szczegółową edycję oraz precyzyjne renderowanie tekstu w obrazie, czyli od dawna słaby punkt modeli generowania obrazów. Microsoft wycenił model na $5 za milion tokenów wejściowych tekstu, $8 za milion tokenów wejściowych obrazu oraz $106 za milion tokenów wyjściowych obrazu. Bazowy model MAI-Image-2.5 niedawno zajął No. 2 miejsce w edycji obrazów na Arena, społecznościowym rankingu, który stał się de facto tablicą wyników dla mediów generatywnych.

Branża kreatywna zwraca na to uwagę. Rob Reilly, globalny dyrektor kreatywny giganta reklamowego WPP, nazwał model Pro „a strong leap forward for GenMedia tools” w wypowiedzi zawartej w ogłoszeniu Microsoftu, dodając, że „Microsoft has firmly established itself among the leaders in generative AI.”

MAI-Voice-2-Flash zmierza w przeciwnym kierunku. Po raz pierwszy zaprezentowany w preview podczas konferencji Build Microsoftu, Flash działa dwa razy szybciej niż MAI-Voice-2 i kosztuje o 32% mniej, przy cenie $15 za milion znaków. Jest przeznaczony dla dużego, choć mniej efektownego rynku wysokonakładowych aplikacji głosowych — centrów obsługi telefonicznej, agentów głosowych i systemów mowy w czasie rzeczywistym, gdzie opóźnienia i koszt na połączenie są ważniejsze niż marginalne zyski w ekspresyjności. Razem oba modele odzwierciedlają strategię budowania rodzin modeli zamiast jednego flagowego rozwiązania, ponieważ — jak zauważyła firma — studio kreatywne dążące do maksymalnej wierności ma zasadniczo inne wymagania niż operacja obsługi klienta obsługująca miliony połączeń dziennie.

Metryki produkcyjne pokazują, że własne modele obniżają koszty GPU nawet o 89%

Metryki wdrożeniowe opublikowane przez Microsoft wraz z premierami modeli można odczytać jako systematyczny argument za zastępowaniem zewnętrznych frontier models w całym portfolio produktów firmy.

Bing Image Creator działa teraz w całości na MAI-Image-2.5, od początku do końca, co oznacza pierwszy przypadek, gdy konsumenckie narzędzie obrazowe jest w pełni zasilane technologią własną. W PowerPoint Microsoft informuje, że MAI-Image-2.5 obniża koszty GPU nawet o 84% w porównaniu z GPT-Image-2, modelem obrazowym OpenAI. W OneDrive, gdzie MAI-Image-2.5 jest obecnie domyślnym wyborem dla kluczowych scenariuszy edycji obrazów, firma raportuje 26% wzrost wskaźników zapisu, około 25% niższe opóźnienie P95 oraz 2.5 razy większą efektywność przy produkcyjnych obciążeniach o średnim wykorzystaniu.

Po stronie głosu MAI-Voice-2-Flash zasila teraz Dynamics 365 Contact Center — używane przez klientów takich jak T-Mobile i EasyJet — gdzie Microsoft deklaruje redukcję kosztów GPU nawet o 89%. Model jest również zintegrowany z Azure Voice Live dla deweloperów tworzących agentów speech-to-speech.

Szczególnie istotne wdrożenie dotyczy ochrony zdrowia. Dragon Copilot Microsoftu, używany przez 170,000 dostawców usług medycznych i odpowiedzialny za przetworzenie 28 milionów kontaktów z pacjentami w ostatnim kwartale, działa teraz na MAI-Transcribe-1.5 w ramach wielojęzycznego przepływu pracy obejmującego 58 języków. Microsoft twierdzi, że wewnętrzne oceny pokazują 50% względną redukcję zarówno błędów transkrypcji, jak i identyfikacji języka w większości języków — to znacząca deklaracja, biorąc pod uwagę, że błędy transkrypcji w tej dziedzinie mogą bezpośrednio trafiać do notatek klinicznych.

Strategia „hill-climbing”, dzięki której małe modele dorównują GPT-5.6 w Excelu

W towarzyszącym wpisie opublikowanym tego samego dnia Microsoft szczegółowo opisał metodologię stojącą za tymi wynikami — to, co określa jako swoją „hill-climbing machine”, zintegrowane koło zamachowe danych, modeli i produktowego „harness”, który je otacza.

Najbardziej przejrzystym przykładem jest MAI-Code-1-Flash, lekki model kodujący uruchomiony w GitHub Copilot w czerwcu. Microsoft twierdzi, że model osiąga około 10% wyższy wskaźnik akceptacji kodu niż GPT-5.4 Mini i Claude Haiku 4.5 w VS Code, wykorzystując przy tym o 10% mniej medianowych tokenów. Retencja deweloperów wykazuje podobny wzorzec: użytkownicy byli o 6% bardziej skłonni wracać przez wiele dni niż w przypadku GPT-5.4 Mini i o 11% bardziej skłonni niż w przypadku Claude Haiku 4.5.

Następnie Microsoft wykorzystał checkpoint MAI-Code-1-Flash i dalej trenował go w środowisku uczenia przez wzmacnianie dla Excela, ucząc model kodujący narzędzi i przepływów pracy związanych z wiedzą arkuszową. Według opinii użytkowników produkcyjnych rezultatem jest model dorównujący GPT-5.6 w najczęstszych zadaniach w Excelu — a jednocześnie na tyle mały, by działać na starszych GPU Nvidia H100, a nawet A100, zamiast wymagać akceleratorów najnowszej generacji.

Ten szczegół sprzętowy jest istotny. Gdy każda duża firma AI konkuruje o przydziały najnowocześniejszych chipów, model dostarczający jakość bliską frontier na krzemie sprzed dwóch generacji zasadniczo zmienia ekonomikę wdrożeń. Uwalnia też najnowszy sprzęt — w tym działający już klaster GB200 Microsoftu — do trenowania, zamiast obsługi inferencji.

Manifest „Frontier Diffusion” Satyi Nadelli na nowo określa relację z OpenAI

CEO Microsoftu Satya Nadella przedstawił ogłoszenia w obszernym poście na X zatytułowanym „Frontier Diffusion & Control”, który brzmi jak strategiczny manifest. „We can now take saturated frontier capabilities and deliver them at scale and at lower cost through models optimized for high-usage products, while continuing to use frontier models for frontier needs,” napisał Nadella, dodając, że Microsoft „beginning to route traffic across our first-party surfaces to MAI whenever our models match or outperform frontier alternatives.”

Nadella ostrożnie zaznaczył, że „frontier models from OpenAI and Anthropic are part of the orchestration system alongside MAI”, ale jednocześnie sformułował zasadę niezależności od modelu, argumentując, że oceny firmy „should continue to hill climb even when any given model has been removed.” Utrzymywanie harness, pamięci, kontekstu i umiejętności poza modelem — przekonywał — daje Microsoftowi kontrolę.

Szerszy kontekst jest istotny. Reuters informował w kwietniu, że wyłączna licencja Microsoftu na technologię OpenAI została zmieniona na układ niewyłączny. The Information informował we wrześniu ubiegłego roku, że Microsoft zaczął włączać modele Anthropic do części produktów. Środowe ogłoszenie domyka ten trójkąt: Microsoft pozycjonuje się jako orkiestrator, z frontier models partnerów jako wymiennymi komponentami oraz własnymi modelami przejmującymi coraz większą część rutynowego ruchu.

Ruch Microsoftu wpisuje się w szerszy wzorzec wśród hiperskalerów. Google stopniowo zastępuje zewnętrzną AI własną rodziną Gemini w Workspace i Search, a Amazon inwestuje w linie modeli Nova i Titan dla AWS. Zbieżność ta odzwierciedla przekonanie, że dostawcy chmury, którzy kiedyś konkurowali dostępem do najlepszych zewnętrznych modeli, coraz częściej zakładają, iż o zdobyciu rynku AI dla przedsiębiorstw zdecydują modele własnościowe ściśle zintegrowane z ich infrastrukturą.

Reakcje deweloperów: entuzjazm i sceptycyzm

Reakcje online odzwierciedlały zarówno atrakcyjność, jak i wątpliwości związane ze strategią.

„I love when people use small models for niche tasks,” napisał użytkownik X @mavihsk, odpowiadając na post Nadelli. „Why do I have to use the all-knowing model just to change my field in Excel?” Inny użytkownik, @nabu_lines, podsumował tę tezę: „cost and performance both improve when you stop overusing the biggest model.”

Inni byli bardziej krytyczni. „Microsoft is the worst when it comes to listening to user feedback,” napisał projektant @designedbyabin, argumentując, że firma „will lose the AI race because they repeatedly failed to understand user needs.” Użytkownik @tokenoverflow przedstawił bardziej oschłą krytykę tezy o niezależności od modelu: „i want it keep hill climbing after removing microsoft.”

Sceptycy wskazują na uzasadnioną kwestię: metryki raportowane przez Microsoft — wskaźniki akceptacji, wskaźniki zapisu, oszczędności GPU — pochodzą z wewnętrznych ocen, a nie z niezależnych benchmarków, a firma sama wybiera, które porównania publikuje. Brak walidacji przez strony trzecie pozostaje elementem wartym obserwacji, ponieważ niezależne oceny organizacji takich jak MLCommons czy społecznościowych platform takich jak Arena nie porównały jeszcze większości modeli MAI bezpośrednio z frontier alternatives w warunkach odpowiadających produkcji. Jednak podstawowa logika strategii nie zależy od żadnej pojedynczej liczby. Obserwacja Nadelli, że oprogramowanie ma teraz „real marginal cost for the first time”, wyjaśnia, dlaczego Microsoft koncentruje się na tokenach, GPU i kosztach obsługi: gdy funkcje AI działają przy każdym naciśnięciu klawisza w portfolio produktów używanym przez miliard użytkowników, redukcja kosztów GPU o 84% nie jest jedynie optymalizacją — to różnica między rentownym biznesem a studnią bez dna.

Microsoft zamienia swój wewnętrzny playbook AI w produkt Azure

Ostatnim elementem strategii jest to, że Microsoft sprzedaje sam playbook, a nie tylko modele. Nadella wyraźnie określił podejście hill-climbing jako „a template for every other AI native, SaaS, or Enterprise company.” Microsoft pakuje zestaw narzędzi poprzez Foundry i to, co nazywa Frontier Tuning, umożliwiając przedsiębiorstwom trenowanie wyspecjalizowanych modeli w oparciu o własne, zastrzeżone oceny i środowiska uczenia przez wzmacnianie. Przekształca to wewnętrzne działania Microsoftu na rzecz cięcia kosztów w produkt Azure, dając klientom korporacyjnym powód do uruchamiania obciążeń AI w chmurze Microsoftu nawet wtedy, gdy bazowe modele pochodzą z innych źródeł.

Akcent firmy na modele trenowane „on clean, traceable, enterprise-grade data, without distillation from third-party models” służy temu samemu celowi komercyjnemu. W branży, która mierzy się z rosnącą kontrolą dotyczącą pochodzenia danych treningowych — w tym zapytaniami FTC w sprawie partnerstw AI i trwającymi sporami o prawa autorskie przeciwko wielu twórcom modeli — Microsoft zakłada, że nabywcy korporacyjni oraz sądy będą zwracać uwagę na to, skąd pochodzą zdolności modeli.

Microsoft twierdzi, że rozszerza teraz podejście hill-climbing na Copilot Chat, Outlook i PowerPoint. Oba nowe modele są dostępne w publicznej wersji preview poprzez Microsoft Foundry oraz MAI Playground.

„None of this is an endpoint,” napisała firma. „We're just getting started.”

Siedem lat temu Microsoft zainwestował ponad $13 billion, zakładając, że OpenAI zbuduje przyszłość AI. Środowe ogłoszenie sugeruje, że firma wyciągnęła od tego czasu inny wniosek: przyszłość AI może należeć do tego, kto buduje frontier, ale zyski należą do tego, kto uczyni ją powszednią.