Microsoft lanciert sieben MAI-Modelle im Zuge seiner OpenAI-Unabhängigkeitsstrategie
Microsoft AI hat am 6. Juni eine vollständige hauseigene Modellpalette vorgestellt — sieben von Grund auf trainierte Modelle, die unter dem Label MAI zusammengefasst werden. Die Veröffentlichung wird explizit als langfristiger Schritt zur Unabhängigkeit von OpenAI gerahmt. Das Flaggschiff-Reasoning-Modell MAI-Thinking-1 erzielt 97 % AIME und 53 % SWE-Bench Pro bei 35 Milliarden aktiven Parametern; frühe Tester bevorzugen es bereits gegenüber Claude Sonnet 4.6. Drei unabhängige Observer-Batches meldeten dies als die Leitgeschichte der Woche.
Was die Quellen belegen
Das Hauptmodell, MAI-Thinking-1, basiert auf einer Mixture-of-Experts-Architektur mit insgesamt 1 Billion Parametern und 35 Milliarden aktiven Parametern. Ein 109-seitiger technischer Bericht liegt bei; das Modell befindet sich derzeit in der geschlossenen Vorschau über Microsoft Foundry. Der NLP Newsletter (Elvis Saravia) berichtet, frühe Tester hätten es „im direkten Vergleich mit Claude Sonnet 4.6 bei der Gesamtqualität bevorzugt" — eine pointierte Wettbewerbsaussage gegen ein Modell, das als aktueller Maßstab für Coding- und Reasoning-Aufgaben gilt. Der 53-%-SWE-Bench-Pro-Score zog so viel Aufmerksamkeit auf sich, dass paperswithcode.co als direkte Reaktion auf MAIs ungewöhnlich transparente technische Offenlegung einen neuen „Closed"-Tag für Closed-Source-Evaluierungen einführte — unabhängig bestätigt durch das wöchentliche AI-Search-Roundup.
Der unterstützende Stack deckt den gesamten Enterprise-Bedarf ab: MAI-Image-2.5 und Flash (Bildgenerierung), MAI-Transcribe-1.5 (Spracherkennung), MAI-Voice-2 und Flash (Sprachsynthese) sowie MAI-Code-1-Flash (Code-Generierung). Microsoft-AI-Chef Mustafa Suleyman positionierte die Familie als „Hill-Climbing-Maschine" — eine gemeinsame Trainingsinfrastruktur, die Microsoft mit zunehmender Compute-Skalierung wettbewerbsfähig halten soll — und nicht als diskretes Produktrelease.
Das schärfste Differenzierungsmerkmal ist die Datenherkunft. Alle MAI-Modelle wurden ausschließlich auf kommerziell lizenzierten Daten trainiert, ohne Destillation aus Drittlabors — ein Versprechen, das Microsoft explizit an Enterprise-Käufer als Schutz vor IP- und Urheberrechtsrisiken kommuniziert. In einem Markt, in dem Klagen zu Trainingsdaten noch ungeklärt sind, entwickelt sich die Garantie sauberer Trainingsherkunft vom technischen Fußnotenpunkt zum Beschaffungskriterium.
Strategische Einordnung
Die MAI-Familie ist ein struktureller Schritt zur Lieferantendiversifizierung — keine bloße Modellankündigung. Ein frontier-wettbewerbsfähiges Reasoning-Modell, das ohne Drittlabor-Destillation trainiert wurde und nun in Microsofts Enterprise-Pipeline via Foundry verfügbar ist, setzt OpenAIs Enterprise-Burggraben unter direkten Druck. Teams, die Enterprise-KI-Verträge evaluieren, sollten die Reinheit der Trainingsdaten gleichwertig mit Benchmark-Scores als Auswahlkriterium behandeln.
