Microsofts hemmelige våpen: Små, interne AI-modeller som utkonkurrerer gigantene

Microsoft gjennomfører i stillhet et av de mest betydningsfulle skiftene i bedrifts-AI: systematisk å erstatte dyre, tredjeparts frontlinjemodeller med mindre, formålsbygde interne modeller som matcher eller slår dem i hverdagslige oppgaver. Satya Nadella kaller denne tilnærmingen "Frontier Diffusion and Control", og tidlige produksjonsresultater fra GitHub Copilot, Excel og Outlook er allerede offentlige.

Hva er Frontier Diffusion and Control?

I stedet for å sende hver brukerforespørsel til en enkelt dyr frontlinjemodell som GPT-5 eller Claude, bruker Microsoft et ruterlag som sender rutineoppgaver til mindre, oppgavespesifikke MAI-modeller, og kun eskalerer komplekse problemer til større frontlinjemodeller. Nadella offentliggjorde denne tilnærmingen i et blogginnlegg 23. juli 2026 .

• Små modeller for hverdagslige oppgaver: Strategien "diffuserer" frontlinjeintelligens ved å trene små, interne modeller på produktspesifikke data til de matcher frontlinjekvalitet på vanlige oppgaver, samtidig som de bruker en brøkdel av tokenene .
• 'Hill-climbing'-treningsmetode: Microsoft bruker en "hill-climbing"-metode: den starter fra et eksisterende modellsjekkpunkt (f.eks. MAI-Code-1-Flash, allerede post-trent i GitHub Copilot), og trener det videre på en spesifikk oppgave som Excel, og stiger iterativt mot frontlinjenivå på det smale domenet .
• Kostnadsfordel: Fordi MAI-modellene er mindre og formålsbygde, koster de langt mindre per inferens enn å leie OpenAI- eller Anthropic-modeller. Nadella sa at MAI-familien "utkonkurrerer generelle frontlinjemodeller i mange bruksområder samtidig som den bruker en brøkdel av tokenene" .

Reelle produksjonsresultater: GitHub Copilot og Excel

GitHub Copilot:

Microsoft lanserte MAI-Code-1-Flash i GitHub Copilot i juni 2026, og innen slutten av juli brukte millioner av utviklere den i det daglige arbeidet . Modellen ble integrert i Copilot-modellvelgeren i VS Code og ble en del av standard automatisk velger .

Excel (Microsoft 365 Copilot):

Microsoft uttalte direkte: "I vår live produktdistribusjon ser vi at vår MAI-modell utplassert i Excel er på nivå med GPT-5.6 for de vanligste oppgavene, samtidig som den er mer kostnadseffektiv."

Innen 7. juli 2026 hadde Microsoft begynt å rutte titusenvis av AI-forespørsler per uke fra Excel og Outlook gjennom sine egne MAI-modeller – det første avslørte produksjonsskiftet av Microsoft 365 Copilot-trafikk bort fra OpenAI og Anthropic .

Det større skiftet: Redusert avhengighet av tredjeparts AI

Microsoft avduket syv MAI-modeller på Build 2026 (2. juni), inkludert MAI-Thinking-1 (resonnering), MAI-Code-1-Flash (koding), MAI-Image-2.5, MAI-Voice-2 og MAI-Transcribe-1.5 .

Nadella sa eksplisitt at Microsoft nå ruter oppgaver i GitHub Copilot, Excel og Outlook til sine egne MAI-modeller når de matcher eller slår frontlinjealternativer fra OpenAI og Anthropic . Bloomberg rapporterte at skiftet er "retningsgivende og intensjonelt, ikke eksperimentelt" – Microsoft erstatter gradvis tredjepartsmodeller i Office-apper for å kutte kostnader og få bedre kontroll over dataplassering .

I PowerPoint bemerket Mustafa Suleyman at Microsofts bildemodell kuttet kostnadene med 84 prosent sammenlignet med GPT-Image-2. I OneDrive økte det lagringsrater med 26 prosent og reduserte ventetiden med omtrent 25 prosent .

Viktig forbehold: Ikke et brudd, men en strategisk sikring

Dette er ikke et fullstendig brudd med OpenAI. Microsoft forblir OpenAIs primære skypartner og endret avtalen i april 2026 for å opprettholde forholdet . Trekkene er bedre beskrevet som en strategisk sikring: bygg intern intelligens mens du fortsatt selger konkurrenters modeller på Azure .

OpenAI- og Anthropic-modeller håndterer fortsatt mesteparten av Copilot-trafikken. MAI-modellskiftet er så langt gradvis, fokusert på høyvolumsoppgaver med lavere kompleksitet der kostnadsbesparelsene er størst .

Hovedpoenget

Microsofts 'Frontier Diffusion and Control'-strategi representerer en grunnleggende omtenking av AI-distribusjon: i stedet for å satse alt på en enkelt frontlinjemodell, optimaliser "kostnad-til-resultat-fronten" ved å matche riktig modell til hver oppgave. Produksjonsresultatene i Excel, GitHub Copilot og Outlook antyder at denne tilnærmingen allerede leverer på løftet om frontlinjekvalitet til dramatisk lavere kostnad.