Microsoft ha scelto la strada del confronto diretto per il marketing dei nuovi modelli MAI, ovvero Code 2, Code 2 Flash, Image 2.7 e Image 2.7 Flash, Cyber 2 Flash, Realtime 1 e Dragon Copilot Transcribe.
Su quattro prove, MAI Code 2 raggiunge in media il 98% della prestazione di GPT-6.1 Sol e il 96% di quella di Claude Opus 5.5. Con la promozione di lancio, Microsoft calcola una spesa pari al 40% di quella del modello OpenAI e al 5% di quella del modello Anthropic.
Quanto si risparmia davvero andrà verificato sul campo, con le tariffe standard applicate al termine della promozione.
I nuovi modelli sono distribuiti attraverso canali diversi. Gli sviluppatori possono già scegliere fra due nuovi MAI dentro GitHub Copilot. Il modello vocale deve al momento fare i conti con una disponibilità limitata. Il modello per la sicurezza arriva attraverso prodotti Microsoft e con un calendario dedicato.
Indice degli argomenti:
MAI, il confronto sul codice
La scheda di Code 2 e Flash descrive una rete di tipo Transformer che genera la risposta un frammento alla volta. Entrambi accettano anche immagini attraverso un componente che converte l’informazione visiva in una rappresentazione utilizzabile dalla rete. Si può quindi allegare lo screenshot di un difetto, insieme al codice della pagina.
Entrambi adottano l’architettura mixture of experts, nella quale alcune parti della rete vengono attivate selettivamente per elaborare ciascun token. Il numero dei parametri coinvolti nel singolo passaggio è quindi molto inferiore a quello complessivo del modello. Code 2 ha 2.800 miliardi di parametri complessivi con 80 miliardi attivi, mentre Flash ne ha circa 398 miliardi complessivi e 12 attivi.
Il 98% citato da Microsoft è il rapporto di prestazione rispetto a GPT-6.1 Sol, calcolato in media su quattro prove di sviluppo software.
I test sono DeepSWE 1.1, TerminalBench 2.1, SWE-Atlas e FrontierCode 1.1. Per i primi tre Microsoft ha usato la propria piattaforma di valutazione, con l’interfaccia da terminale di Copilot e senza agenti ausiliari. Per il quarto ha ripreso punteggi e costi da Artificial Analysis. I modelli hanno lavorato al massimo livello di ragionamento.
Nel confronto con Claude Opus 5.5, Code 2 raggiunge il 96% del punteggio medio al 5% della spesa. Il confronto con OpenAI porta il costo di Code 2 al 40% di quello di GPT-6.1 Sol.
Tutti questi confronti economici sono fatti tenendo conto del prezzo promozionale di lancio. A prezzo pieno le cose cambiano parecchio.
Prendendo come riferimento il confronto con GPT-6.1 Sol, i costi a tariffa intera passano da 40 a 80 euro, rendendo il risparmio reale di molto inferiore al 60% riportato nella campagna di lancio. Inoltre i benchmark possono essere utili in alcuni casi, ma i rapporti tra punteggi ottenuti in test sintetici non sempre sono specchio di quanti ticket reali sarà in grado di chiudere il modello.
Anche la scelta del concorrente è stata fatta senza tenere conto del tipo di lavoro per il quale il modello è stato pensato.
Anthropic presenta Opus 5.5 per attività di programmazione complesse e agenti che lavorano a lungo. La finestra di contesto dichiarata arriva a un milione di token.
Haiku 5.5 è rivolto a compiti frequenti e sensibili ai tempi di risposta, come classificazioni e interrogazioni di database. Sonnet 5.5 è un altro candidato per un’impresa che lo usa già.
La media pubblicata da Microsoft mette però a confronto Code 2 con Opus e Flash con Haiku, un paragone poco utile ai fini pratici di valutazione.
Un altro confronto a tre riguarda Power BI: Microsoft riferisce che, in una valutazione interna offline di Fabric IQ, MAI Work Flash ha superato GPT-5.6 Sol, GPT-6 Astra e Claude Opus 5.5 nella generazione di interrogazioni DAX, un linguaggio con cui si interrogano dati già organizzati secondo le definizioni aziendali.

Immagini e visuals
MAI Image 2.7 e la versione Flash gestiscono sia la creazione da una descrizione sia la modifica di un’immagine di partenza. La scheda tecnica descrive un modello a diffusione: in termini semplici, la generazione procede attraverso passaggi successivi che trasformano una rappresentazione rumorosa in un’immagine coerente con le indicazioni ricevute. Nel ritocco, l’immagine originale fornisce un ulteriore vincolo.
Microsoft indica un costo di circa 35 dollari per mille immagini con 2.7 e circa 10 con Flash, entrambi in anteprima pubblica su Foundry. In MAI Labs si possono provare i modelli, e Canvas impiega Flash per lavorare su una selezione dell’immagine o partire da uno schizzo. È disponibile anche la generazione con sfondo trasparente.
Artificial Analysis mostra per MAI 1.215 punti su 5.478 confronti e un intervallo al 95% da 1.201 a 1.229. GPT Image 2.6 Sunburst in configurazione massima ha 1.211 punti su 6.554 confronti e un intervallo da 1.198 a 1.224. Questo punteggio riassume la frequenza con cui un risultato viene preferito a un altro, tenendo conto degli avversari. Quattro punti di scarto non bastano a stabilire una superiorità di un modello su un altro.
La questione economica invece è più complessa da valutare. Ipotizziamo di generare mille varianti con Flash e di pubblicarne 200. Ai prezzi indicativi dell’annuncio, il solo modello costa 5 centesimi di dollaro per immagine usata. Se un grafico impiega trenta secondi a controllare ogni variante, la selezione richiede otto ore e venti minuti. Per questo, scendere da cinque a due proposte di qualità per soggetto può valere più di uno sconto sul modello.
Voce artificiale
MAI Realtime 1 riceve parlato e restituisce parlato durante la conversazione, con un sistema reattivo per gli scambi rapidi e il ricorso, per le richieste complesse, a un motore di ragionamento più potente fatturato a parte. La tariffa base annunciata parte da un centesimo di dollaro per minuto audio. Al ragionamento si applicano un dollaro per milione di token in ingresso e cinque per milione in uscita. Al momento il modello è disponibile solo in anteprima limitata per pochi clienti ammessi e i costi non saranno fatturati fino all’inizio dell’anteprima pubblica.

Nel confronto con GPT-Realtime 2.1 Microsoft cita Big Bench Audio per il ragionamento su input vocali, τ-Voice per il completamento di compiti e prove proprie di Dynamics 365 Contact Center. Il produttore dichiara un vantaggio nelle configurazioni valutate, ma in questi casi la differenza tra uno scenario ideale e il contesto operativo reale può essere molto ampia.
La verifica più informativa consiste nel far eseguire lo stesso copione realistico, con gli stessi strumenti, ai due sistemi. Tra le prove vanno inclusi i casi limite, come date pronunciate rapidamente, cognomi scanditi lettera per lettera e correzioni a metà frase.
Dal punto di vista dell’integrazione, Microsoft dichiara compatibilità con l’API OpenAI Realtime, il protocollo con cui un’applicazione scambia eventi e audio con il servizio. Per chi ha già un flusso di lavoro preesistente, è possibile provare MAI con un effort minimo.
MAI per trascrivere il parlato
Dragon Copilot Transcribe usa MAI Transcribe 2, un modello già presentato a settembre, per trasformare le conversazioni in testo. Questa tecnologia offre l’attribuzione dei turni ai parlanti e riferimenti temporali a livello di parola.
Microsoft riporta sul benchmark FLEURS un tasso medio di errore sulle parole del 5,2% su 60 lingue. La metrica somma sostituzioni, omissioni e aggiunte e divide per il numero di parole del testo di riferimento.
Usare in produzione questa tecnologia richiede alcuni accorgimenti pratici, perché separare una voce dall’altra non equivale a identificare con certezza il cliente o il tecnico. Ad esempio, in un collaudo di assistenza postvendita il sistema può trascrivere alla perfezione «il pezzo è in garanzia» ma attribuire la frase alla persona sbagliata. Se la trascrizione alimenta un riepilogo automatico, quell’errore diventa veramente difficile da scoprire.
Cybersecurity e difesa con i modelli MAI
MAI Cyber 2 Flash è il modello specialistico per la difesa del software. Il dato comparativo di Microsoft su CyberGym-E2E è 92,3% di compiti completati contro il 91,5% di GPT-6 Astra, con metà del budget di ragionamento. Per valutare questa differenza bisogna chiarire un dettaglio metodologico importante. Microsoft ha identificato 92 compiti, sui 905 originali, basati su progetti e segnalazioni presenti anche nei propri dati di addestramento e li ha esclusi dai test per tutti i modelli.
Il vantaggio economico dichiarato è molto più ampio del divario di punteggio. Microsoft calcola un costo per compito inferiore al 2% di quello di GPT-6 Astra combinando token in ingresso, token riutilizzati dalla cache e token in uscita con i rispettivi listini. La cache consente di riutilizzare parti dell’input già elaborate e può avere una tariffa diversa. La finestra di contesto di Cyber 2 Flash arriva a un milione di token. Per chi verifica software aziendale questo amplia la quantità di codice e documentazione esaminabile insieme.
Microsoft riserva Cyber 2 Flash ai propri prodotti di sicurezza e lo distribuirà ai clienti idonei a partire da metà dicembre.
Decision 1.1 assegna una richiesta alla procedura giusta
Microsoft-Decision-1.1 è la versione aggiornata del primo modello decisionale di Microsoft, presentato un mese fa. Il modello accetta anche immagini e assegna una probabilità di scelta fra possibilità definite nella pipeline di lavoro. Sarà disponibile in Foundry e distribuito anche attraverso OpenRouter e Vercel.
La proprietà tecnica da verificare sul campo è la calibrazione. Se un sistema assegna una confidenza vicina al 90% a cento casi simili, ci si aspetta che la sua scelta sia corretta circa novanta volte nel lungo periodo. La percentuale va verificata sui dati di impiego in un contesto reale.
Un’azienda può ordinare le pratiche per fascia di confidenza, confrontarle con la destinazione confermata dai propri addetti e scegliere quante revisioni manuali finanziare.
Microsoft indica 68 punti nell’Artificial Analysis Decision Index v2.1. Nel riepilogo di Ignite attribuisce a Decision 1.1 una velocità 50 volte maggiore e un costo 79 volte inferiore rispetto a GPT-6.1 Sol sui compiti di decisione considerati. Questi numeri però lasciano il tempo che trovano, perché confrontano due cose totalmente differenti: Sol è un LLM per la generazione di testo e non un modello decisionale.
Dal prezzo del modello al costo del lavoro concluso
Comparare sul campo i modelli significa andare oltre il costo del modello in sé, valutando l’efficienza economica dell’intera automazione. Per prendere la decisione giusta gli errori vanno considerati e valorizzati adeguatamente secondo le conseguenze. Se ad esempio una pratica assegnata al reparto sbagliato richiede dieci minuti per tornare in coda, cinquanta errori equivalgono a 8 ore e 20 minuti di lavoro. Un errore che produce una promessa commerciale errata può richiedere una nota di credito e una chiamata al cliente.
Per confrontare due servizi basta spesso separare gli errori reversibili dalla minoranza che genera un impegno verso l’esterno. Il responsabile può così fissare il passaggio umano dove serve e lasciare automatiche le operazioni a basso impatto. La stessa percentuale di accuratezza può portare a due decisioni di acquisto opposte.
Il prezzo scontato di un modello, la posizione in una classifica e la compatibilità di un’interfaccia sono metriche circoscritte, che non dicono tutto quello che serve sapere per una decisione informata. Una scelta operativa deve basarsi sugli esiti di analisi specifiche e di A/B test effettuati con dati vicini al contesto reale dei problemi da risolvere con l’intelligenza artificiale.







Partecipa alla community