Microsofts 'Frontier Diffusion and Control'-strategi

• Små modeller til daglige opgaver: Strategien 'diffuserer' topmodel-intelligens ved at træne små interne modeller på produktspecifikke data, indtil de matcher topmodel-kvaliteten på almindelige opgaver – samtidig med at de bruger en brøkdel af tokens .
• Hill-climbing træningsmetode: Microsoft anvender en 'hill-climbing'-metode: Den starter fra et eksisterende modelcheckpoint (f.eks. MAI-Code-1-Flash, som allerede er post-trænet i GitHub Copilot), og træner det videre på en specifik opgave som Excel-opgaver, idet den iterativt nærmer sig topmodel-ydeevne på netop det område .
• Omkostningsfordel: Fordi MAI-modellerne er mindre og specialbyggede, koster de langt mindre pr. inferens end at leje OpenAI- eller Anthropic-modeller. Nadella udtalte, at MAI-familien 'overgår generelle topmodeller i mange anvendelsestilfælde, samtidig med at de bruger en brøkdel af tokens' .

Reelle produktionsresultater: GitHub Copilot og Excel

GitHub Copilot:
Microsoft lancerede MAI-Code-1-Flash i GitHub Copilot i juni 2026, og i slutningen af juli brugte millioner af udviklere den til dagligt arbejde . Modellen blev integreret i Copilot-vælgeren i VS Code og blev en del af standard-auto-vælgeren .

Excel (Microsoft 365 Copilot):
Microsoft udtalte direkte: 'I vores live-produktdeployment ser vi, at vores MAI-model i Excel er på niveau med GPT-5.6 til de mest almindelige opgaver, samtidig med at den er mere omkostningseffektiv.'

Den 7. juli 2026 begyndte Microsoft at route titusindvis af AI-forespørgsler om ugen fra Excel og Outlook gennem sine egne MAI-modeller, hvilket markerer det første kendte skift af Microsoft 365 Copilot-trafik i produktionsskala væk fra OpenAI og Anthropic .

Det større skifte: Reduceret afhængighed af tredjeparts-AI

Microsoft præsenterede syv MAI-modeller ved Build 2026 (2. juni), herunder MAI-Thinking-1 (ræsonnering), MAI-Code-1-Flash (kodning), MAI-Image-2.5, MAI-Voice-2 og MAI-Transcribe-1.5 .

Nadella sagde eksplicit, at Microsoft nu ruter opgaver i GitHub Copilot, Excel og Outlook til sine egne MAI-modeller, når de matcher eller overgår topmodeller fra OpenAI og Anthropic . Bloomberg beskrev skiftet som 'retningsgivende og bevidst, ikke eksperimentelt' – Microsoft udskifter gradvist tredjepartsmodeller i Office-apps for at reducere omkostninger og få bedre kontrol med data .

I PowerPoint bemærkede Mustafa Suleyman, at Microsofts billedmodel reducerede omkostningerne med 84 % sammenlignet med GPT-Image-2. I OneDrive øgede den gemmefrekvensen med 26 % og reducerede latenstiden med cirka 25 % .

Vigtig forbehold: Ikke en skilsmisse, men en strategisk hedging

Dette er ikke et fuldstændigt brud med OpenAI. Microsoft er fortsat OpenAIs primære cloud-partner og ændrede deres aftale i april 2026 for at bevare forholdet . Skiftet beskrives bedre som en strategisk hedging: Opbyg intern intelligens, mens man stadig sælger konkurrenternes modeller på Azure .

OpenAI- og Anthropic-modeller håndterer stadig størstedelen af Copilot-trafikken. MAI-model-skiftet er indtil videre gradvist og fokuseret på opgaver med høj volumen og lav kompleksitet, hvor omkostningsbesparelserne er størst .

Konklusion

Microsofts 'Frontier Diffusion and Control'-strategi repræsenterer en grundlæggende nytænkning af AI-implementering: I stedet for at satse alt på én enkelt topmodel, optimeres 'omkostnings-til-output-grænsen' ved at matche den rette model til hver opgave. Produktionsresultaterne i Excel, GitHub Copilot og Outlook tyder på, at denne tilgang allerede lever op til sit løfte om topmodel-kvalitet til en markant lavere pris.