Microsoft sta accelerando la trasformazione della propria strategia nell’intelligenza artificiale generativa spostandosi sempre più verso modelli proprietari sviluppati internamente. La società ha presentato due nuove varianti, MAI-Image-2.5-Pro e MAI-Voice-2-Flash, progettate per coprire due esigenze molto diverse del mercato: qualità elevata nella generazione e modifica delle immagini da una parte, velocità e sostenibilità economica nei sistemi vocali dall’altra. Entrambi i modelli sono disponibili in anteprima pubblica attraverso Microsoft Foundry, la piattaforma cloud destinata agli sviluppatori che vogliono integrare modelli di intelligenza artificiale nei propri prodotti.

La scelta di Microsoft è strategicamente rilevante perché segna un progressivo riequilibrio rispetto alla forte dipendenza iniziale dai modelli di partner esterni, in particolare OpenAI. La partnership con OpenAI rimane centrale per l’ecosistema Microsoft, ma il gigante di Redmond sta costruendo un portafoglio parallelo di modelli proprietari per ridurre i vincoli economici, aumentare il controllo sull’infrastruttura e offrire soluzioni specializzate per differenti casi d’uso aziendali. Nel mercato dell’AI, dove il costo computazionale rappresenta il nuovo costo industriale, possedere la tecnologia significa controllare anche i margini.

MAI-Image-2.5-Pro rappresenta il modello di punta per la generazione e modifica delle immagini. Il sistema supporta sia la creazione di immagini attraverso descrizioni testuali sia l’editing di file JPEG e PNG esistenti tramite istruzioni in linguaggio naturale. L’obiettivo dichiarato è migliorare fedeltà visiva, precisione nelle modifiche e capacità di interpretare richieste complesse, elementi che stanno diventando fondamentali in ambiti professionali come marketing, progettazione, presentazioni aziendali e produzione di contenuti digitali.

Durante la fase di anteprima pubblica Microsoft propone un modello di pricing basato sull’utilizzo dei token, con un costo indicativo di 5 dollari per milione di token di input testuale, 8 dollari per milione di token di input immagine e 106 dollari per milione di token di output immagine. La struttura dei prezzi riflette una dinamica ormai evidente nel settore: generare immagini ad alta qualità rimane un processo molto più costoso rispetto alla semplice elaborazione del testo, perché richiede una quantità superiore di calcolo GPU e cicli di inferenza più complessi.

MAI-Voice-2-Flash segue una logica differente. Non punta alla massima qualità possibile, ma all’efficienza operativa. Il modello è una versione ottimizzata del sistema vocale MAI-Voice-2 ed è pensato per applicazioni dove la latenza è un parametro critico: assistenti vocali, customer service automatizzati, operatori digitali e sistemi enterprise che devono gestire migliaia o milioni di interazioni contemporaneamente. Nel mondo reale delle aziende, infatti, un modello leggermente meno sofisticato ma dieci volte più economico può risultare molto più utile di una soluzione teoricamente superiore ma troppo costosa da scalare.

La strategia di Microsoft emerge anche dall’integrazione dei propri modelli nei prodotti consumer e business. Bing Image Creator utilizza ora completamente un modello proprietario di generazione immagini, mentre PowerPoint sfrutta la stessa tecnologia per creare e modificare contenuti visivi all’interno delle presentazioni. Secondo Microsoft, l’ottimizzazione del modello ha consentito a PowerPoint di ridurre i costi GPU fino all’84% rispetto all’utilizzo precedente di modelli basati su GPT-Image-2.

Questo elemento è particolarmente significativo perché sposta la competizione sull’efficienza infrastrutturale. La corsa all’intelligenza artificiale non si gioca soltanto sulla qualità del modello, ma sulla capacità di trasformare l’AI in un servizio economicamente sostenibile. Le aziende stanno scoprendo che il problema non è dimostrare che un modello può creare un’immagine spettacolare o una voce realistica; il problema è farlo milioni di volte al giorno senza trasformare la bolletta dei data center in un esperimento finanziario.

Microsoft sta quindi costruendo un ecosistema multimodale interno che comprende immagini, voce, testo e agenti AI distribuiti attraverso Bing, PowerPoint, OneDrive, Dynamics 365 e Azure. La differenziazione dei modelli diventa una leva commerciale: MAI-Image-2.5-Pro è rivolto agli utenti che privilegiano precisione e qualità creativa, mentre MAI-Voice-2-Flash risponde alle esigenze di aziende che cercano velocità, affidabilità e costi contenuti.