Wczytywanie...

Microsoft oficjalnie zmienił swoją strategię produktową, aby zastąpić zewnętrzne modele AI tańszymi rozwiązaniami własnymi, wydając siedem nowych modeli MAI na konferencji Ignite. Głównym motorem tej strategicznej zmiany jest rosnący koszt uruchamiania agentów AI działających non-stop, przy czym Microsoft wyraźnie pozycjonuje swoją nową ofertę w stosunku do OpenAI i Anthropic pod względem stosunku ceny do wydajności.
Zgodnie z informacjami z The Decoder, Microsoft zaprezentował zestaw wyspecjalizowanych modeli zaprojektowanych do konkretnych procesów biznesowych. MAI Code 2 jest przeznaczony do codziennych zadań programistycznych, oferując 98% wydajności GPT-6.1 Sol przy 40% kosztów oraz 96% wydajności Claude Opus 5.5 przy zaledwie 5% kosztów. W GitHub Copilot promocyjna cena MAI Code 2 wynosi 0,50 USD za milion tokenów wejściowych i 2,50 USD za milion tokenów wyjściowych, co wzrośnie do 1 USD i 5 USD po maju 2027 roku.
W zakresie operacji bezpieczeństwa, MAI Cyber 2 Flash rozwiązuje 92,3% zadań w benchmarku CyberGym-E2E, przewyższając GPT-6 Astra, które wymaga dwukrotnie większego budżetu rozumowania. Różnica w kosztach jest znacząca: Microsoft oblicza, że model MAI kosztuje mniej niż 2% na zadanie w porównaniu z GPT-6 Astra, a koszty za token są dziesięciokrotnie niższe. Ponadto Microsoft wprowadził MAI Realtime 1, swój pierwszy model speech-to-speech, kompatybilny z OpenAI Realtime API, kosztujący jeden cent USA za minutę audio. W zakresie routingu i klasyfikacji, Microsoft-Decision-1.1, zbudowany na podstawie Gemma 4 od Google, oferuje skalibrowane punkty wiarygodności i wstrzymuje się od odpowiedzi, gdy informacje są niekompletne, pobierając opłatę w wysokości zaledwie 0,042 USD za milion tokenów wejściowych, przy bezpłatnych tokenach wyjściowych.
Dla małych i średnich firm era płacenia cen premium za uniwersalnych agentów AI dobiega końca. Główną barierą w wdrażaniu agentów AI do operacji 24/7 – koszty tokenów – jest aktywnie eliminowana przez Microsoft. Oferując modele, które są o 95% tańsze dla skanów bezpieczeństwa lub o 95% tańsze dla rutynowych edycji kodu, Microsoft czyni ekonomicznie opłacalnym dla mniejszych zespołów uruchamianie procesów agentowych, które wcześniej były zarezerwowane dla dużych przedsiębiorstw z ogromnymi budżetami na AI. Implikacja strategiczna jest jasna: jeśli obecnie płacisz stawki OpenAI lub Anthropic za rutynowe, masowe zadania, takie jak wyjaśnianie kodu, pobieranie dokumentów lub podstawowe interakcje głosowe, przepłacasz. Ruch Microsoftu sygnalizuje, że rynek „towarowej” inferencji AI załamuje się cenowo, wymuszając ponowną ocenę Twojego stosu technologicznego AI. Nie potrzebujesz już najpotężniejszego modelu do każdego zadania; potrzebujesz odpowiedniego wyspecjalizowanego modelu w odpowiednim przedziale cenowym.
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.

Komentarze1
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.