Microsoft déploie sa stratégie 'Frontier Diffusion and Control' : des modèles internes moins chers et aussi performants que ceux d'OpenAI et Anthropic

• Des petits modèles pour les tâches quotidiennes : La stratégie « diffuse » l'intelligence de pointe en entraînant de petits modèles internes sur des données spécifiques à un produit jusqu'à ce qu'ils atteignent la qualité des modèles de pointe sur les tâches courantes, tout en consommant une fraction des tokens .
• Pipeline d'entraînement « Hill-Climbing » : Microsoft utilise une méthode d'« escalade » : il part d'un point de contrôle de modèle existant (par exemple, MAI-Code-1-Flash déjà post-entraîné dans GitHub Copilot), puis l'entraîne davantage sur un ensemble de tâches spécifiques comme Excel, grimpant de manière itérative vers un niveau de performance de pointe dans ce domaine restreint .
• Avantage en termes de coût : Parce que les modèles MAI sont plus petits et conçus pour un usage précis, ils coûtent bien moins cher par inférence que la location de modèles OpenAI ou Anthropic. Nadella a déclaré que la famille MAI « surpasse les modèles de pointe généralistes dans de nombreux cas d'utilisation tout en consommant une fraction des tokens » .

Résultats concrets en production : GitHub Copilot et Excel

GitHub Copilot :

Microsoft a lancé MAI-Code-1-Flash dans GitHub Copilot en juin 2026, et fin juillet, des millions de développeurs l'utilisaient pour leur travail quotidien . Le modèle a été intégré dans le sélecteur de modèles Copilot de VS Code et est devenu une partie du sélecteur automatique par défaut .

Excel (Microsoft 365 Copilot) :

Microsoft a directement déclaré : « Dans notre déploiement de produit en direct, nous constatons que notre modèle MAI déployé dans Excel est à égalité avec GPT-5.6 pour les tâches les plus courantes, tout en étant plus rentable. »

Dès le 7 juillet 2026, Microsoft avait commencé à acheminer des dizaines de milliers de requêtes AI par semaine depuis Excel et Outlook via ses propres modèles MAI, marquant le premier transfert à grande échelle du trafic de Microsoft 365 Copilot loin d'OpenAI et Anthropic .

Le changement plus large : réduire la dépendance aux fournisseurs d'IA tiers

Microsoft a dévoilé sept modèles MAI à la Build 2026 (2 juin), dont MAI-Thinking-1 (raisonnement), MAI-Code-1-Flash (codage), MAI-Image-2.5, MAI-Voice-2 et MAI-Transcribe-1.5 .

Nadella a explicitement déclaré que Microsoft oriente désormais les tâches dans GitHub Copilot, Excel et Outlook vers ses propres modèles MAI chaque fois qu'ils égalent ou surpassent les alternatives de pointe d'OpenAI et Anthropic . Bloomberg a rapporté que ce changement est « directionnel et intentionnel, pas expérimental » — Microsoft remplace progressivement les modèles tiers dans les applications Office pour réduire les coûts et mieux contrôler les données .

Dans PowerPoint, Mustafa Suleyman a noté que le modèle d'image de Microsoft a réduit les coûts de 84 % par rapport à GPT-Image-2. Dans OneDrive, il a augmenté les taux de sauvegarde de 26 % et réduit la latence d'environ 25 % .

Mise en garde importante : pas un divorce, mais une couverture stratégique

Il ne s'agit pas d'une rupture complète avec OpenAI. Microsoft reste le principal partenaire cloud d'OpenAI et a modifié leur accord en avril 2026 pour maintenir cette relation . Ce mouvement est mieux décrit comme une couverture stratégique : développer une intelligence interne tout en continuant à vendre les modèles de ses concurrents sur Azure .

Les modèles OpenAI et Anthropic gèrent encore la majorité du trafic Copilot. Le changement vers les modèles MAI est pour l'instant progressif, axé sur les tâches à volume élevé et de faible complexité où les économies de coûts sont les plus importantes .

En résumé

La stratégie « Frontier Diffusion and Control » de Microsoft représente une refonte fondamentale du déploiement de l'IA : au lieu de tout miser sur un seul modèle de pointe, optimisez le « rapport coût-efficacité » en faisant correspondre le bon modèle à chaque tâche. Les résultats de production dans Excel, GitHub Copilot et Outlook suggèrent que cette approche tient déjà sa promesse d'une performance de qualité supérieure à un coût considérablement réduit.