Les 7 modèles MAI de Microsoft à Build 2026

Pourquoi Microsoft construit ses propres modèles : dépendance de 13 Md$ et liberté contractuelle fin 2025

En sept ans, Microsoft a investi plus de 13 milliards de dollars dans OpenAI. Les modèles GPT sur Azure sont devenus l'épine dorsale de sa stratégie IA. Cette dépendance profonde a créé trois risques structurels :

1. 01

   Coûts incontrôlables : Chaque appel API paie OpenAI. À l'échelle, les marges se réduisent.

2. 02

   Pas de souveraineté technique : Microsoft ne contrôle ni le rythme d'itération, ni les sources de données, ni la propriété des poids.

3. 03

   Contraintes contractuelles : L'accord initial interdisait explicitement à Microsoft d'entraîner des modèles à grande échelle de façon indépendante.

4. 04

   Fuite du flywheel de données : Les données de fine-tuning entreprise sur les API OpenAI peuvent, selon certaines conditions, alimenter les concurrents.

5. 05

   Retard d'itération : Anthropic est à Opus 4.8 et OpenAI à GPT-5.6 tandis que Microsoft attend les releases tierces.

Le tournant est venu fin 2025. Les deux parties ont renégocié. Le nouvel accord a levé les restrictions de taille de modèle et a explicitement autorisé Microsoft à poursuivre la superintelligence de son côté. Mustafa Suleyman, chef IA de Microsoft, l'a formulé ainsi :

La Build 2026 fut la première vitrine publique de ce cerveau interne — et une déclaration que le chemin indépendant d'OpenAI vient à peine de commencer.

Les cinq autres modèles MAI : image, voix, transcription et code

MAI-Image-2.5 / Flash — texte vers image et image vers image

Premier modèle image de Microsoft supportant texte-vers-image et image-vers-image. Rang #2 sur le leaderboard d'édition d'image Arena.ai et #3 en texte-vers-image. Capacités : Text-to-Image, transfert de style Image-to-Image, Control with Preservation (conserve la structure sémantique lors des edits). Intégré dans PowerPoint et OneDrive, listé dans le catalogue Azure Foundry.

MAI-Transcribe-1.5 — speech-to-text

Supporte 43 langues avec détection automatique. WER moyen FLEURS 4,9 %, WER Artificial Analysis 2,4 % (3e rang), vitesse de traitement 276× temps réel. Latence améliorée de 5,7× vs version 1.4. La fonction Contextual Biasing améliore la précision des termes métier. Tarif : 0,36 $ / heure audio. Bat Scribe V2, Whisper-large-V3, GPT-4o-Transcribe et Gemini 3.1 Flash en benchmarks. Cas d'usage : notes de réunion Teams, transcription service client, entrée vocale Copilot.

MAI-Voice-2 — TTS multilingue

• Clonage vocal zero-shot : Cloner une voix à partir de secondes d'audio de référence
• Contrôle du style émotionnel : Ton, rythme et couleur émotionnelle ajustables
• Couverture linguistique : 15+ langues nouvellement ajoutées
• Sortie : MP3 à 24 kHz ; tarif 22 $ / 1M caractères
• Variante Flash : Version ultra-faible latence pour agents vocaux temps réel, bientôt

Intégré dans Azure Foundry, VS Code, Dynamics 365 et Microsoft Copilot.

MAI-Code-1-Flash — assistant de codage (disponible maintenant)

Modèle de codage efficace en inférence, optimisé pour GitHub Copilot et VS Code — actif dans votre IDE aujourd'hui. Fenêtre de contexte 256K, intégré dans GitHub Copilot (CLI inclus), VS Code et GitHub Actions. Tarif : 0,75 $ / 1M tokens entrée, 4,5 $ / 1M tokens sortie. Score SWE-Bench 51 %, bat Claude Haiku 4.5 avec des avantages clairs en vitesse et coût. FrontierNews.ai l'a qualifié de modèle MAI ayant l'impact quotidien le plus direct sur les développeurs.

Les 7 modèles : vue d'ensemble de disponibilité

Guide d'accès développeur : runbook en six étapes et données techniques citables

Runbook d'accès en six étapes

1. 01

   Confirmer les modèles disponibles : MAI-Code-1-Flash, Image-2.5, Transcribe-1.5 et Voice-2 sont en disponibilité générale ; Thinking-1 nécessite une candidature en préversion privée.

2. 02

   Activer Azure Foundry : Visitez ai.azure.com et recherchez les modèles MAI dans le Model Catalog.

3. 03

   Demander la préversion MAI-Thinking-1 : Recherchez « MAI-Thinking-1 » dans le Model Catalog et cliquez Apply, ou visitez microsoft.ai/models/mai-thinking-1.

4. 04

   Utilisateurs GitHub Copilot : MAI-Code-1-Flash est déjà un modèle backend Copilot (CLI et suggestions inline VS Code) — aucun changement de configuration requis.

5. 05

   Appels API : Utilisez l'interface compatible Azure OpenAI avec api_version 2026-05-01 et model mai-code-1-flash.

6. 06

   Coexistence multi-modèles : Un workspace Foundry peut appeler MAI et GPT-5.6, routage par complexité de tâche.

import openai

client = openai.AzureOpenAI(
    azure_endpoint="https://<your-resource>.openai.azure.com/",
    api_key="<your-api-key>",
    api_version="2026-05-01"
)

response = client.chat.completions.create(
    model="mai-code-1-flash",
    messages=[
        {"role": "system", "content": "You are an expert software engineer."},
        {"role": "user", "content": "Refactor this Python function to use async/await: ..."}
    ],
    max_tokens=2048
)
print(response.choices[0].message.content)

Données techniques citables

• Paramètres actifs MAI-Thinking-1 : 35B (Sparse MoE, ~1T total) — coût d'inférence bien inférieur aux phares denses
• Vitesse MAI-Transcribe-1.5 : 276× temps réel, 0,36 $/heure audio, WER FLEURS 43 langues 4,9 %
• Compute Surface Dev Box : 1 PFLOPS, 128 Go mémoire unifiée, 100 W TDP, exécute 120B+ modèles localement
• Tarif MAI-Code-1-Flash : 0,75 $/M entrée + 4,5 $/M sortie, SWE-Bench 51 %
• Écart SWE-Bench Pro : MAI-Thinking-1 52,8 % vs Opus 4.8 69,2 % (~16 points)

Les API MAI cloud-only peuvent réduire les coûts d'inférence, mais les chaînes de signature iOS, les builds Xcode locaux, l'inférence Metal et les runs CI 24/7 nécessitent toujours des nœuds macOS physiques. La Surface Dev Box sort aux États-Unis cet automne sans prix annoncé, et les VM ajoutent overhead de performance plus risque EULA. Pour un environnement de production plus stable, adapté au CI/CD iOS et à l'automatisation d'agents IA, la location cloud Mac Mini VpsMesh est généralement le meilleur choix : Apple Silicon physique, accès root et tarification mensuelle prévisible — en complément de MAI-Code-1-Flash sur la couche d'inférence. Copilot gère le codegen ; un Mac cloud exécute builds et signature.

Sources : Microsoft AI : MAI-Thinking-1 · Azure AI Foundry Blog · Surface RTX Spark Dev Box · The Verge · VentureBeat