Microsoft presenta tres modelos de IA propios para competir con OpenAI y Google

Una jugada decisiva de Microsoft en el panorama de la IA

El pasado jueves, Microsoft anunció el lanzamiento de tres modelos de inteligencia artificial desarrollados completamente en sus instalaciones: MAI‑Transcribe‑1, MAI‑Voice‑1 y MAI‑Image‑2. Esta iniciativa supone la primera evidencia tangible de la intención del gigante del software de competir directamente con OpenAI, Google y otros laboratorios de frontera, no solo como distribuidor de modelos externos, sino como creador de los propios.

Los tres sistemas cubren los canales de valor más rentables para la IA empresarial: la conversión de voz a texto, la síntesis de voz humana y la generación de imágenes. Se encuentran disponibles de inmediato a través de Microsoft Foundry y el nuevo MAI Playground, ofreciendo a desarrolladores y clientes corporativos acceso inmediato y precios agresivos.

Los modelos en detalle

MAI‑Transcribe‑1: la mejor transcripción multilingüe

Este modelo de reconocimiento de habla se autodenomina el “mejor del mundo” según los propios ingenieros de Microsoft. En el benchmark FLEURS, que evalúa precisión en 25 lenguas de gran uso, MAI‑Transcribe‑1 alcanzó una tasa de error de palabra (Word Error Rate, WER) promedio de 3.8 %. Superó al modelo Whisper‑large‑v3 de OpenAI en todas las lenguas, al Gemini 3.1 Flash de Google en 22 de 25 y a los productos de ElevenLabs y OpenAI en 15 de 25.

• Arquitectura: decodificador de texto basado en transformers y codificador de audio bidireccional.
• Entradas compatibles: archivos MP3, WAV y FLAC de hasta 200 MB.
• Velocidad: trascripciones por lotes 2.5× más rápidas que la oferta Azure Fast.
• Features próximas: diarización, sesgo contextual y streaming en tiempo real.

Microsoft ya está probando el modelo dentro del modo de voz de Copilot y en Microsoft Teams para transcribir conversaciones, subrayando la rapidez con la que pretende sustituir soluciones de terceros.

MAI‑Voice‑1: generación de voz natural y personalizable

El modelo de texto‑a‑voz puede producir 60 segundos de audio con calidad humana en solo un segundo, manteniendo la identidad del hablante en contenidos extensos. Una característica destacada es la capacidad de crear voces personalizadas a partir de tan solo unos segundos de audio, gracias a la integración con Foundry.

• Precio: $22 por cada millón de caracteres.
• Usos típicos: asistentes virtuales, narración de e‑learning y generación de contenido multilingüe.

MAI‑Image‑2: generación de imágenes a velocidad de producción

Clasificado entre los tres mejores en la tabla de clasificación de Arena.ai, MAI‑Image‑2 duplica la velocidad de generación respecto a su predecesor. Se ha incorporado en Bing y PowerPoint, facilitando la creación de imágenes desde texto en presentaciones y búsquedas.

• Precio: $5 por cada millón de tokens de texto de entrada y $33 por cada millón de tokens de salida de imagen.
• Primeros adoptantes: WPP, una de las mayores compañías publicitarias del mundo, está usando el modelo a gran escala.

El trasfondo contractual que habilitó los modelos

Hasta octubre de 2025, el acuerdo original firmado en 2019 entre Microsoft y OpenAI prohibía a Microsoft desarrollar de manera independiente una IA de tipo general (Artificial General Intelligence, AGI). La licencia concedía a Microsoft acceso a los modelos de OpenAI a cambio de proveer la infraestructura cloud que la startup necesitaba.

Cuando OpenAI buscó ampliar su capacidad de cómputo con socios como SoftBank, Microsoft renegoció el contrato. Desde entonces, la compañía está autorizada a crear sus propios modelos de frontera, manteniendo al mismo tiempo los derechos de uso sobre los productos de OpenAI hasta 2032. Esta liberación contractual fue el catalizador para que el equipo de Superintelligence, liderado por Mustafa Suleyman, pudiera lanzar los tres modelos presentados.

Equipos diminutos, resultados de talla gigante

Una de las revelaciones más sorprendentes del anuncio es el tamaño de los equipos detrás de los modelos. Según Suleyman, solo 10 ingenieros trabajaron en el audio y el mismo número en el equipo de imágenes. La mayor parte de las mejoras proviene de la arquitectura innovadora y del uso de datos de alta calidad, no de la cantidad de personal.

Esta filosofía contrasta con la estrategia de empresas como Meta, que invierten cientos de millones de dólares y grandes plantillas de investigadores para alcanzar similares niveles de desempeño. La eficiencia de equipos tan pequeños transforma la economía de la IA: menos gastos en personal y menos consumo de GPU se traducen en márgenes más amplios para Microsoft.

Humanist AI: una propuesta centrada en la empresa

Suleyman ha bautizado la visión de Microsoft como Humanist AI. En su propio blog, define la “superinteligencia humanista” como una tecnología al servicio de la humanidad, con la premisa de que “los humanos seguirán en la cima de la cadena alimentaria y siempre estarán alineados con los intereses humanos”.

Este posicionamiento sirve varios propósitos:

• Distanciar a Microsoft de la narrativa de “carrera armamentista” que promueven OpenAI y Meta.
• Generar confianza en clientes corporativos que necesitan garantías de gobernanza, cumplimiento y seguridad antes de adoptar IA en sectores regulados.
• Crear una defensa narrativa: si la industria se topa con problemas de control, Microsoft puede señalar su compromiso con la alineación humana.

Además, Suleyman enfatizó la “proveniencia de datos” como ventaja competitiva: los modelos de Microsoft se entrenan con datos adquiridos bajo licencias claras, reduciendo riesgos legales y de derechos de autor que aquejan a muchas soluciones de código abierto.

Estrategia de precios agresiva y su impacto en la competencia

La política de precios de los nuevos modelos está diseñada para presionar a los demás hyperscalers. Con $22 por millón de caracteres para la voz y $5 por millón de tokens de entrada (más $33 por salida) para imágenes, Microsoft se coloca como la opción más económica frente a Amazon, Google y los startups emergentes.

Este enfoque tiene sentido porque Microsoft puede amortizar los costos de desarrollo sobre su enorme base de clientes empresariales (Azure, Office 365, Dynamics, etc.). Al mismo tiempo, la estrategia responde a la presión de los inversionistas, que exigen que el gasto masivo en IA se convierta en ingresos.

Los modelos también se benefician de la integración nativa con los servicios de Microsoft, lo que crea un “efecto de plataforma”: un desarrollador que ya usa la API de GPT‑4 o Claude en Foundry podrá acceder a la transcripción, generación de voz e imágenes sin cambiar de ecosistema.

Conclusiones y aprendizajes clave

• Microsoft ha demostrado que puede crear modelos de frontera con equipos de menos de 10 personas, desafiando la idea de que la IA de última generación necesita recursos masivos.
• Los tres modelos —MAI‑Transcribe‑1, MAI‑Voice‑1 y MAI‑Image‑2— lideran en precisión, velocidad y costo en sus respectivas áreas, posicionándose como alternativas directas a OpenAI, Google y startups especializadas.
• La renegociación del contrato con OpenAI abrió la puerta a la independencia de Microsoft en el desarrollo de superinteligencia, manteniendo simultáneamente una alianza estratégica hasta 2032.
• El concepto de Humanist AI y la cuidadosa selección de datos entrenados buscan generar confianza en el mercado empresarial, un factor crítico para la adopción en industrias reguladas.
• Los precios agresivos buscan crear un moat de costo que obligue a la competencia a replantear sus propias tarifas, mientras Microsoft reduce su propio gasto en infraestructura al usar la mitad de GPUs que sus rivales.

En resumen, el lanzamiento de estos modelos marca un punto de inflexión para Microsoft: ya no es solo un consumidor de la IA de otros, sino un creador de sus propios cimientos, listo para competir en el mercado de IA empresarial con una propuesta de valor basada en rendimiento, eficiencia y alineación humana.

📰 Fuente original: VentureBeat