Cargando...

Microsoft ha cambiado oficialmente su estrategia de producto para sustituir los modelos de IA externos por alternativas internas más económicas, lanzando siete nuevos modelos MAI en su conferencia Ignite. Este cambio estratégico fundamental está impulsado por el creciente coste de ejecutar agentes de IA permanentes, con Microsoft posicionando explícitamente su nueva línea frente a OpenAI y Anthropic en métricas de precio-rendimiento.
Según The Decoder, Microsoft presentó un conjunto de modelos especializados diseñados para flujos de trabajo empresariales específicos. MAI Code 2 se dirige a tareas de programación cotidianas, afirmando alcanzar el 98% del rendimiento de GPT-6.1 Sol al 40% del coste, y el 96% del rendimiento de Claude Opus 5.5 a solo el 5% del coste. En GitHub Copilot, el precio promocional de MAI Code 2 es de 0,50 dólares por millón de tokens de entrada y 2,50 dólares por millón de tokens de salida, aumentando a 1 y 5 dólares después de mayo de 2027.
Para operaciones de seguridad, MAI Cyber 2 Flash resuelve el 92,3% de las tareas en el benchmark CyberGym-E2E, superando a GPT-6 Astra, que requiere el doble de presupuesto de razonamiento. La diferencia de costes es notable: Microsoft calcula que el modelo MAI cuesta menos del 2% por tarea en comparación con GPT-6 Astra, con costes por token cien veces menores. Además, Microsoft introdujo MAI Realtime 1, su primer modelo de voz a voz, que es compatible con la API de OpenAI Realtime y cuesta un centavo de dólar por minuto de audio. Para enrutamiento y clasificación, Microsoft-Decision-1.1, construido sobre la base Gemma 4 de Google, ofrece puntuaciones de confianza calibradas y se abstiene cuando la información es incompleta, cobrando solo 0,042 dólares por millón de tokens de entrada con tokens de salida gratuitos.
Para las pequeñas y medianas empresas, la era de pagar precios premium por agentes de IA de propósito general está llegando a su fin. La principal barrera para implementar agentes de IA para operaciones 24/7 —los costes de los tokens— está siendo eliminada agresivamente por Microsoft. Al ofrecer modelos que son un 95% más baratos para escaneos de seguridad o un 95% más económicos para ediciones de código rutinarias, Microsoft hace que sea económicamente viable para equipos más pequeños ejecutar flujos de trabajo de agentes que antes estaban reservados para grandes empresas con presupuestos masivos de IA. La implicación estratégica es clara: si actualmente paga las tarifas de OpenAI o Anthropic por tareas rutinarias de alto volumen como explicaciones de código, recuperación de documentos o interacciones de voz básicas, está pagando de más. El movimiento de Microsoft señala que el mercado de inferencia de IA "básica" está colapsando en precio, lo que obliga a una reevaluación de su stack de IA. Ya no necesita el modelo más potente para cada tarea; necesita el modelo especializado adecuado al precio correcto.
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.

Comentarios1
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.