Laden...

Microsoft heeft zijn productstrategie officieel omgegooid om externe AI-modellen te vervangen door goedkopere, eigen alternatieven, en bracht zeven nieuwe MAI-modellen uit op zijn Ignite-conferentie. De strategische kernomslag wordt gedreven door de stijgende kosten van het draaien van altijddurende AI-agenten, waarbij Microsoft zijn nieuwe line-up expliciet positioneert tegenover OpenAI en Anthropic op basis van prijs-prestatieverhoudingen.
Volgens The Decoder heeft Microsoft een reeks gespecialiseerde modellen onthuld die zijn ontworpen voor specifieke bedrijfsworkflows. MAI Code 2 richt zich op alledaagse codeertaken en claimt 98% van de prestaties van GPT-6.1 Sol tegen 40% van de kosten, en 96% van de prestaties van Claude Opus 5.5 tegen slechts 5% van de kosten. In GitHub Copilot is de actieprijs voor MAI Code 2 $ 0,50 per miljoen inputtokens en $ 2,50 per miljoen outputtokens, wat na mei 2027 stijgt naar $ 1 en $ 5.
Voor beveiligingsoperaties lost MAI Cyber 2 Flash 92,3% van de taken op in de CyberGym-E2E-benchmark, waarmee het GPT-6 Astra overtreft dat een dubbel redeneerbudget vereist. Het kostenverschil is enorm: Microsoft berekent dat het MAI-model minder dan 2% per taak kost in vergelijking met GPT-6 Astra, waarbij de kosten per token honderd keer zo laag zijn. Daarnaast introduceerde Microsoft MAI Realtime 1, het eerste spraak-naar-spraakmodel dat compatibel is met de OpenAI Realtime API en één Amerikaanse cent per audiominuut kost. Voor routing en classificatie biedt Microsoft-Decision-1.1, gebouwd op de Gemma 4-fundament van Google, gekalibreerde betrouwbaarheidsscores en onthoudt het zich van antwoord wanneer informatie onvolledig is, tegen slechts $ 0,042 per miljoen inputtokens met gratis outputtokens.
Voor kleine en middelgrote ondernemingen loopt het tijdperk ten einde waarin de hoofdprijs wordt betaald voor algemene AI-agenten. De primaire barrière voor het inzetten van AI-agenten voor 24/7-operaties — tokencosten — wordt door Microsoft agressief afgebroken. Door modellen aan te bieden die 95% goedkoper zijn voor beveiligingsscans of 95% goedkoper voor routinematige code-aanpassingen, maakt Microsoft het economisch levensvatbaar voor kleinere teams om agentworkflows te draaien die voorheen waren gereserveerd voor grote ondernemingen met enorme AI-budgetten. De strategische implicatie is helder: als je momenteel de tarieven van OpenAI of Anthropic betaalt voor routinematige taken met een hoog volume, zoals code-uitleg, documentopvraging of eenvoudige spraakinteracties, betaal je te veel. Microsofts zet signaleert dat de markt voor 'commodity'-AI-inferentie in prijs instort, wat een herbeoordeling van je AI-stack afdwingt. Je hebt niet langer het krachtigste model nodig voor elke taak; je hebt het juiste gespecialiseerde model nodig tegen het juiste prijspunt.
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.

Reacties1
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.