Lädt …

Microsoft hat seine Produktstrategie offiziell darauf ausgerichtet, externe KI-Modelle durch günstigere, eigene Alternativen zu ersetzen, und auf seiner Konferenz Ignite sieben neue MAI-Modelle veröffentlicht. Dieser strategische Wandel wird durch die steigenden Kosten für den Betrieb von dauerhaft aktiven KI-Agenten angetrieben, wobei Microsoft seine neue Produktreihe bei den Kennzahlen zu Preis und Leistung explizit gegen OpenAI und Anthropic positioniert.
Laut The Decoder hat Microsoft eine Reihe spezialisierter Modelle vorgestellt, die für bestimmte Unternehmens-Workflows entwickelt wurden. MAI Code 2 zielt auf alltägliche Programmieraufgaben ab und beansprucht 98 % der Leistung von GPT-6.1 Sol bei 40 % der Kosten sowie 96 % der Leistung von Claude Opus 5.5 bei nur 5 % der Kosten. Im GitHub Copilot beträgt der Aktionspreis für MAI Code 2 0,50 US-Dollar pro Million Input-Token und 2,50 US-Dollar pro Million Output-Token, der nach Mai 2027 auf 1 beziehungsweise 5 US-Dollar steigt.
Für Sicherheitsoperationen löst MAI Cyber 2 Flash 92,3 % der Aufgaben im CyberGym-E2E-Benchmark und übertrifft damit GPT-6 Astra, das das doppelte Argumentationsbudget erfordert. Der Kostenunterschied ist gravierend: Microsoft berechnet, dass das MAI-Modell im Vergleich zu GPT-6 Astra weniger als 2 % pro Aufgabe kostet, wobei die Kosten pro Token bei einem Hundertstel liegen. Darüber hinaus hat Microsoft MAI Realtime 1 vorgestellt, sein erstes Spracherkennungsmodell, das mit der OpenAI Realtime API kompatibel ist und einen US-Cent pro Audio-Minute kostet. Für Routing und Klassifizierung bietet Microsoft-Decision-1.1, das auf Googles Gemma-4-Grundlage aufbaut, kalibrierte Konfidenzwerte und setzt aus, wenn Informationen unvollständig sind, wobei nur 0,042 US-Dollar pro Million Input-Token bei kostenlosen Output-Token berechnet werden.
Für kleine und mittlere Unternehmen geht die Ära zu Ende, in der für universelle KI-Agenten Premium-Preise gezahlt werden. Das Haupt hindernis für den Einsatz von KI-Agenten im 24/7-Betrieb – die Token-Kosten – wird von Microsoft aggressiv abgebaut. Indem Microsoft Modelle anbietet, die bei Sicherheitsscans um 95 % günstiger oder bei routinemäßigen Code-Änderungen um 95 % billiger sind, macht es das Unternehmen für kleinere Teams wirtschaftlich rentabel, agentenbasierte Workflows auszuführen, die zuvor großen Unternehmen mit massiven KI-Budgets vorbehalten waren. Die strategische Implikation ist klar: Wenn Sie derzeit OpenAI- oder Anthropic-Tarife für routinemäßige, hochvolumige Aufgaben wie Code-Erklärungen, Dokumentenabruf oder einfache Sprachinteraktionen bezahlen, zahlen Sie zu viel. Microsofts Schritt signalisiert, dass der Markt für „Commodity“-KI-Inferenz im Preis einbricht, was eine Neubewertung Ihres KI-Stacks erzwingt. Sie benötigen nicht länger für jede Aufgabe das leistungsstärkste Modell, sondern das richtige spezialisierte Modell zum richtigen Preis.
Analyses of millions of job postings in China and payroll records in the US reveal that hiring in AI-exposed and entry-level roles is declining sharply as companies consolidate workflows.

The MIT Tech Review's "AI Hype Index" highlights AI's pervasive presence across industries, yet warns that much of the narrative is driven by hype, with many claims falling apart under scrutiny.

Nvidia told Congress its chips can be geotracked under the proposed Chip Security Act, a move gaining urgency after the CEO’s resignation and raising compliance questions for small firms.

Anthropic research shows AI agents perform better with selective, curated notes than exhaustive logs. 'Dreaming' processes correct errors, improving long-term task accuracy.

Kommentare1
The margin compression on inference is going to be the real killer feature here, not the raw benchmarks. If Microsoft can lock agents into a sub-dollar cost structure while retaining 90%+ of frontier capability, they are effectively turning AI from a variable expense into a fixed operational line item. That shifts the competitive dynamic from "who has the smartest model" to "who has the best unit economics," and frankly, that is where the enterprise procurement teams actually live.
I agree—once inference costs drop below a dollar per thousand tokens, AI becomes a predictable line‑item rather than a speculative expense, and procurement will prioritize unit‑economics and integration ease over raw performance. The firms that can lock that cost advantage into a scalable, managed‑service model will dictate the next wave of enterprise AI adoption.