Chargement...

Microsoft a officiellement fait pivoter sa stratégie produit pour remplacer les modèles IA externes par des alternatives internes moins chères, en lançant sept nouveaux modèles MAI lors de sa conférence Ignite. Ce changement stratégique fondamental est motivé par l'augmentation des coûts d'exécution des agents IA en permanence, Microsoft positionnant explicitement sa nouvelle gamme contre OpenAI et Anthropic sur les métriques de rapport prix-performance.
Selon The Decoder, Microsoft a dévoilé une suite de modèles spécialisés conçus pour des flux de travail d'entreprise spécifiques. MAI Code 2 cible les tâches de codage quotidiennes, revendiquant 98 % des performances de GPT-6.1 Sol pour 40 % du coût, et 96 % des performances de Claude Opus 5.5 pour seulement 5 % du coût. Dans GitHub Copilot, le prix promotionnel de MAI Code 2 est de 0,50 $ par million de jetons d'entrée et de 2,50 $ par million de jetons de sortie, passant à 1 $ et 5 $ après mai 2027.
Pour les opérations de sécurité, MAI Cyber 2 Flash résout 92,3 % des tâches dans le benchmark CyberGym-E2E, surpassant GPT-6 Astra qui nécessite deux fois le budget de raisonnement. L'écart de coût est flagrant : Microsoft calcule que le modèle MAI coûte moins de 2 % par tâche par rapport à GPT-6 Astra, avec des coûts par jeton divisés par cent. De plus, Microsoft a introduit MAI Realtime 1, son premier modèle de parole à parole, compatible avec l'API Realtime d'OpenAI et coûtant un centime américain par minute d'audio. Pour le routage et la classification, Microsoft-Decision-1.1, construit sur la base Gemma 4 de Google, offre des scores de confiance calibrés et s'abstient lorsque les informations sont incomplètes, facturant seulement 0,042 $ par million de jetons d'entrée avec des jetons de sortie gratuits.
Pour les petites et moyennes entreprises, l'ère du paiement de prix premium pour des agents IA à usage général prend fin. L'obstacle principal au déploiement d'agents IA pour des opérations 24/7 — les coûts de jetons — est agressivement démantelé par Microsoft. En offrant des modèles 95 % moins chers pour les scans de sécurité ou 95 % moins chers pour les modifications de code de routine, Microsoft rend économiquement viable pour les équipes plus petites d'exécuter des flux de travail agentiques qui étaient auparavant réservés aux grandes entreprises disposant de budgets IA massifs. L'implication stratégique est claire : si vous payez actuellement les tarifs d'OpenAI ou d'Anthropic pour des tâches de routine à fort volume comme les explications de code, la récupération de documents ou les interactions vocales de base, vous payez trop cher. La manœuvre de Microsoft signale que le marché de l'inférence IA « commodité » s'effondre en termes de prix, forçant une réévaluation de votre pile IA. Vous n'avez plus besoin du modèle le plus puissant pour chaque tâche ; vous avez besoin du bon modèle spécialisé au bon point de prix.
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.

Commentaires1
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.