La pila de IA de primera parte de Microsoft acaba de cruzar un umbral: cada capa está ahora en producción o en vista previa pública. La familia MAI — entrenada desde cero en el silicio propio Maia 200, sin destilación alguna de OpenAI, Anthropic ni de ningún laboratorio de terceros — ha pasado de los anuncios del Build 2026 a la realidad de producción en menos de tres meses. Para los CTO que mapean dependencias de proveedores, la pregunta ya no es “¿tiene Microsoft sus propios modelos?”, sino “¿qué tan buenos son y sobre qué estandarizo?”.
La edición de esta semana cubre la vista previa pública de MAI-Thinking-1, la economía de MAI-Code-1.1-Flash y MAI-Image-2.6, dos plazos de migración innegociables y la transición confirmada de Phi Silica a Aion.
MAI-Thinking-1: el primer modelo de razonamiento frontera totalmente propio
El 12 de agosto, MAI-Thinking-1 entró en vista previa pública en Microsoft Foundry: el primer modelo de razonamiento frontera de Microsoft entrenado completamente desde cero. Arquitectura: mezcla dispersa de expertos (MoE), aproximadamente 1 billón de parámetros totales con 35 mil millones activos y una ventana de contexto de 256K.
Las cifras autodeclaradas son sólidas: 97,0% en AIME 2025, 94,5% en AIME 2026 y 52,8% en SWE-Bench Pro, igualando a Claude Opus 4.6. Microsoft también cita una victoria en preferencia a ciegas sobre Claude Sonnet 4.6 en 1.276 tareas.
La advertencia honesta para los equipos de ingeniería: los benchmarks independientes siguen siendo escasos. El análisis temprano de terceros de Bloomberg y ByteIota sitúa a MAI-Thinking-1 aproximadamente al nivel de DeepSeek V3.2 en uso real. Eso no es un descarte, es contexto. El punto de la vista previa pública es que ya puedes ejecutar tu propio conjunto de evaluación contra él en Foundry, en lugar de confiar en las cifras del proveedor.
MAI-Code-1.1-Flash: la economía del código de primera parte
MAI-Code-1.1-Flash se lanzó en GA el 11 de agosto y ya es el modelo de codificación predeterminado en todos los niveles de GitHub Copilot. Lo destacado es el costo: $0,20 por millón de tokens de entrada y $1,20 por millón de salida — un recorte del 75% frente al MAI-Code-1-Flash original — con streaming de tokens 25% más rápido y 25% menos tokens por tarea.
Las mejoras de capacidad importan tanto como el precio. La entrada de imagen nativa llega por primera vez a la línea MAI-Code, habilitando flujos de trabajo de captura de pantalla a código. SWE-Bench Verified sube a 72,6%, Terminal-Bench 2.1 saltó un 22% hasta 62,9% y las tareas .NET mejoraron un 15%. El puntaje interno ScreenShot2WebApp de 42,1% muestra lo temprano que está aún el camino de la visión-código, pero la dirección es clara.
Ojo con la descontinuación: MAI-Code-1-Flash se retira el 10 de septiembre. Si fijaste prompts o evaluaciones a él, migra esta semana.
MAI-Image-2.6: #2 en el ranking de Arena
MAI-Image-2.6 se lanzó el 10 de agosto e inmediatamente alcanzó el #2 en el leaderboard de texto-a-imagen de Arena, por delante de Google, Meta y xAI — solo detrás de OpenAI. Es #3 en edición de imágenes. La ganancia de +79 Elo sobre 2.5 en general y +91 en renderizado de texto refleja saltos de calidad reales en tipografía, retratos y producción comercial fotorrealista.
El número que más debería importar a los CTO: Microsoft reporta una reducción del 84% en costo de GPU frente a GPT-Image-2 en producción. Esa es la historia del co-diseño de Maia 200 — silicio y modelos construidos juntos — y es el mismo patrón detrás del recorte de precio de MAI-Code. La economía de primera parte se está convirtiendo en una ventaja estructural, no en una afirmación de marketing.
Seguridad especializada: MAI-Cyber-1-Flash
MAI-Cyber-1-Flash, en vista previa pública desde el 3 de agosto vía Project Perception, es la entrada de Microsoft a la IA de seguridad especializada: detección de vulnerabilidades desde un modelo entrenado para la tarea, en lugar de apuntar un LLM general a ella. Para los equipos de seguridad, esta es la respuesta de primera parte al enfoque de “afinar todo”: un modelo dedicado con entrenamiento específico de seguridad, enrutado a través de la capa de orquestación de Copilot.
Voz y transcripción
MAI-Voice-2 está en GA con 15 idiomas y clonación de voz desde muestras cortas; MAI-Voice-2-Flash ofrece 2× velocidad a 32% menos costo en vista previa pública. MAI-Transcribe-1.5 maneja 43 idiomas a una velocidad que afirman es 5× la de la competencia. Notablemente, se ha detectado un modelo de voz full-duplex MAI Realtime en el MAI Playground, aunque aún no está anunciado oficialmente — una señal de lo que viene.
Phi-4: el portafolio de borde de pesos abiertos
La familia Phi-4 sigue siendo el portafolio de SLM de pesos abiertos más completo de la industria: siete variantes con licencia MIT de 3.8B a 15B de parámetros. El miembro más nuevo, Phi-4-reasoning-vision-15B (marzo de 2026), combina un codificador de visión SigLIP-2 con el backbone de razonamiento, soporta anclaje de pantalla (screen grounding) y alterna el modo de razonamiento bajo demanda — el mejor candidato local de visión-razonamiento en su tamaño.
Dos cifras aparecen una y otra vez en conversaciones con clientes: Phi-4 (14B) iguala a la clase Llama 3.3 70B en MMLU con 84,8% usando 4–5× menos VRAM, y Phi-4-mini (3.8B) sostiene 1.955 tokens/seg en Intel Xeon 6 en modo solo CPU. Para despliegues con soberanía de datos o aislados, sigue sin haber una puerta de entrada más barata a IA capaz que los pesos Phi con licencia MIT.
Florence-2: 13 días para el corte definitivo
Florence-2 sigue siendo el motor de visión detrás de Azure AI Vision Image Analysis 4.0, manejando más de 12 tareas de visión desde un único conjunto de pesos, incluido OCR en 164 idiomas. Microsoft ha confirmado que no planea Florence-3 — estabilidad sobre velocidad de publicación.
El plazo que importa: las APIs legadas de Azure Vision (v1.0–3.1) se retiran definitivamente el 13 de septiembre — quedan 13 días. Si alguna carga de trabajo aún llama a las APIs antiguas, migrar al SDK de Image Analysis 4.0 basado en Florence-2 es el elemento de mayor prioridad en esta lista.
Turing: efectivamente retirado
Sin actualizaciones significativas en 2025–2026. MAI ha tomado todas las cargas de trabajo de producción que Turing servía. Si los modelos Turing siguen apareciendo en tus diagramas de arquitectura, esos diagramas son ahora documentos históricos — planifica el reemplazo.
Aion 1.0: la transición on-device está firme
La transición de Phi Silica a Aion ya tiene fechas firmes: pruebas independientes de Aion Instruct el 1 de octubre, despliegue a Windows Insiders el 23 de octubre y GA el 24 de noviembre — momento en que Phi Silica se elimina de los dispositivos comerciales.
Aion 1.0 Instruct corre en CPU, GPU o NPU — sin necesidad de hardware de IA dedicado — con pesos abiertos esperados y sin el requisito de token de Limited Access Feature. Aion 1.0 Plan (14B, contexto 32K) apunta a flujos de trabajo agénticos on-device: razonamiento, llamada de herramientas, gestión de archivos y orquestación de subagentes. Una trampa de migración: los LoRA existentes de Phi Silica necesitarán reentrenamiento para Aion.
Copilot: una capa de orquestación de primera parte
Copilot sigue siendo un orquestador multi-proveedor — una capa de categorización de tareas enruta cada interacción al mejor modelo. MAI maneja redacción de correos, resúmenes, hojas de cálculo, código, generación de imágenes, transcripción y escaneo de seguridad. GPT-5.6 y Claude permanecen en la mezcla para razonamiento complejo de múltiples pasos y trabajo creativo. La proyección de Microsoft: para finales de 2026, la mayoría de las tareas commodity de Copilot correrán íntegramente en MAI. Planifica tus modelos de costo y residencia de datos en torno a esa trayectoria.
Lista de acciones
- Migra de MAI-Code-1-Flash a 1.1-Flash antes del 10 de septiembre — 75% menos costo más entrada de imagen
- Migra las APIs legadas de Azure Vision a Image Analysis 4.0 antes del 13 de septiembre — retiro definitivo
- Evalúa MAI-Thinking-1 tú mismo en Foundry — los números independientes superan a las afirmaciones del proveedor
- Evalúa la economía de MAI-Image-2.6 si generas imágenes a escala — 84% menos costo de GPU frente a GPT-Image-2
- Audita dependencias de Turing y planifica el reentrenamiento de LoRA de Phi Silica antes del corte de Aion del 24 de noviembre
Kevin Kaminski es el fundador de Big Hat Group Inc., un partner de Microsoft enfocado en estrategia de adopción de IA. Síguelo en https://x.com/kkaminsk para análisis continuo del ecosistema de modelos de IA de Microsoft.