Microsoft lança modelos próprios de IA para reduzir dependência da OpenAI

A Microsoft não está só lançando dois novos modelos de IA: está redesenhando sua arquitetura estratégica de dependência. O MAI-Code-1-Flash (137 bilhões de parâmetros, 5 bilhões ativos) e o MAI-Thinking-1 (35 bilhões ativos, ~1 trilhão totais) são os primeiros modelos de linguagem treinados do zero pela equipe interna MAI, sem destilação de modelos da OpenAI ou Anthropic. Eles usam arquitetura MoE esparsa e janela de contexto de 256 mil tokens, um salto em capacidade operacional frente ao GPT-4 Turbo (128k) e ao Claude Opus (200k). O MAI-Code-1-Flash já roda no GitHub Copilot no VS Code com latência reduzida e custo 40% menor que versões anteriores baseadas em modelos terceirizados, segundo dados divulgados na Build.

O MAI-Thinking-1, por sua vez, foi testado em ambientes reais de engenharia de agentes: suporta chamadas de função nativas, execução multi-etapa com memória estendida e integração direta com APIs do Azure AI Studio. Sua disponibilidade em 'private preview' no Foundry, ao lado de modelos da OpenAI e Anthropic, mostra que a Microsoft agora oferece concorrência *dentro* de seu próprio ecossistema, não apenas como alternativa externa.

Em maio, a CEVIU reportou que a Microsoft 'estava desenvolvendo um novo modelo para codificação', um rumor ainda sem nome, data ou detalhes técnicos. Em 2 de junho, esse modelo virou realidade como MAI-Code-1-Flash, com benchmarks públicos, integração concreta no Copilot e métricas de desempenho comparáveis ao Claude Haiku 4.5. Também mudou o escopo: o anúncio inicial falava em 'um modelo'; o evento revelou uma família de sete modelos MAI, incluindo versões para imagem, voz e transcrição, e, crucialmente, o MAI-Thinking-1, primeiro modelo interno focado em raciocínio, algo inédito na cobertura anterior. A transição do 'esforço de consolidação' (cancelamento do Claude Code em 25/05) para a entrega de substitutos próprios (02, 04/06) confirma que a redução de dependência não era retórica, mas operacional.

Desenvolvedores deixam de ser consumidores passivos de APIs fechadas: agora podem ajustar modelos MAI com 'Frontier Tuning', usando seus próprios dados dentro dos limites de conformidade da empresa, sem sair do Azure. Isso muda a economia de IA para empresas reguladas (saúde, finanças, governo), onde o uso de modelos externos gera riscos contratuais e de governança. Além disso, o hardware Maia 200/300, integrado à infraestrutura do Azure, permite rodar esses modelos com até 60% menos custo por token que soluções baseadas em GPUs de terceiros, um fator decisivo para times que operam em escala.