Olá pessoALL,
Há algumas semanas publiquei aqui no blog um artigo argumentando que os modelos MAI não eram "só mais um lançamento". A tese era que a Microsoft estava cobrindo as bordas da stack de IA com modelos próprios, especializados, baratos, para tarefas concretas: transcrever, gerar voz, gerar imagem. E eu escrevi uma frase com muita convicção.

Deixa eu citar exatamente o que eu disse: "A Microsoft não está tentando construir um GPT-6. Ela está construindo modelos especializados."

Pois é. O Build 2026 aconteceu, saiu o post oficial no blog do Microsoft Foundry, e a Microsoft anunciou o MAI-Thinking-1: o primeiro large language model próprio dela, desenhado para raciocínio, matemática e inteligência geral. Ou seja, exatamente a categoria que eu disse que ela não ia atacar.

Então neste artigo eu quero fazer duas coisas. Primeiro, assumir onde eu errei. Segundo, e mais importante, explicar por que esse erro muda a leitura estratégica que você deveria fazer da stack de IA da Microsoft.

O que a Microsoft anunciou no Build 2026

Antes de me crucificar, vamos ao fato. Na primavera de 2026 (a leva que cobri no post anterior), a Microsoft lançou MAI-Image-2-Efficient, MAI-Image-2, MAI-Voice-1 e MAI-Transcribe-1 no Foundry. Modelos especializados, exatamente como a minha leitura previa.

No Build 2026, ela subiu a régua e anunciou uma nova geração cobrindo quatro modalidades:

• Texto / Raciocínio: MAI-Thinking-1, o primeiro LLM da Microsoft AI, focado em raciocínio forte a uma fração do custo de outros modelos.
• Imagem: MAI-Image-2.5 (e a variante MAI-Image-2.5 Flash): geração de imagem com edição image-to-image e um conjunto de controles de "control with preservation".
• Voz: MAI-Voice-2 (com a variante Flash chegando): text-to-speech multilíngue com voice cloning e voice prompting em mais de 15 idiomas.
• Speech: MAI-Transcribe-1.5: speech-to-text com 43 idiomas, entity biasing e precisão melhorada.

Três desses quatro são exatamente o que eu previ: evolução incremental da aposta especializada em imagem, voz e transcrição. O quarto não. O quarto é a Microsoft entrando no ringue do raciocínio generalista, de cabeça.

E vale ressaltar um detalhe que a própria Microsoft faz questão de cravar: esses são os mesmos modelos que já rodam por trás do Copilot, do Bing, do PowerPoint e do Azure Speech. Agora eles estão no Foundry para você, desenvolvedor, construir em cima. Isso não é demo de laboratório. É produção.

MAI-Thinking-1: onde eu estava errado

Vamos encarar a parte desconfortável. No post anterior, minha lógica era que modelo generalista é caro e overkill para a maioria dos cenários de produção, e que a Microsoft era esperta o suficiente para deixar o raciocínio generalista com a OpenAI e focar nas bordas.

Eu estava metade certo e metade errado. Certo no diagnóstico (generalista é caro). Errado na conclusão (logo, a Microsoft não vai construir um).

Porque o MAI-Thinking-1 ataca justamente essa dor de custo. Ele usa uma arquitetura Mixture-of-Experts (MoE): em vez de ativar o modelo inteiro a cada request, ela ativa só as partes necessárias para aquela tarefa específica. O resultado prático? A capacidade escala sem que o custo de compute escale na mesma proporção. É a resposta direta à minha própria objeção: "generalista é caro demais". A Microsoft olhou para isso e disse "e se não fosse?".

E os números que eles colocam na mesa não são tímidos. A Microsoft afirma que o MAI-Thinking-1 empata com o Claude Opus 4.6 no SWE-Bench Pro a um custo substancialmente menor, e que testes iniciais mostram paridade de preferência com modelos como o Sonnet 4.6. Para quem não vive de benchmark: SWE-Bench Pro mede capacidade de resolver problemas reais de engenharia de software. Não é trivia, é trabalho de verdade.

Tem mais um detalhe que merece atenção, e esse eu não vi muita gente comentando. A Microsoft diz que treinou o MAI-Thinking-1 do zero, em dados limpos, sem distillation de modelos de terceiros. Por que isso importa? Porque significa independência real. Não é um modelo destilado a partir da OpenAI nem de ninguém. É soberania técnica sobre o próprio LLM.

E para que serve, na prática? Para os workloads chatos e caros que rodam em escala nas empresas: analisar documentos longos, raciocínio multi-step complexo, processar traces de agentes que se estendem por muito contexto. Tudo isso sem precisar ficar quebrando o input em pedaços (chunking) e costurando de volta. Se você já apanhou para fazer um agente entender um documento de 200 páginas sem perder o fio, sabe exatamente do que estou falando.

Lição aprendida: cuidado ao prever o que uma big tech "não vai fazer". Especialmente quando o motivo que você dá ("é caro demais") é exatamente o problema que ela tem capacidade de resolver com engenharia.

Os outros três: a aposta especializada amadurecendo

Agora a parte em que eu estava certo. Os outros três modelos são a continuação coerente da tese do post anterior: bordas especializadas ficando melhores e mais baratas.

O MAI-Image-2.5 vai além de "gerar imagem bonita". Ele introduz edição image-to-image com um conjunto de capacidades que a Microsoft chama de "control with preservation". Na prática isso significa três coisas: consistência de identidade (preserva rostos, cabelo, roupa, identidade de corpo inteiro através de mudanças de estilo e pose, ótimo para personagens de marca e porta-vozes), controle de estilo e cena (aplicar restyling completo, reposicionar objetos, ajustar pose), e controle de texto, gráficos e layout (gerar tipografia, logos e até infográficos prontos para PowerPoint com hierarquia coerente). Ele estreou em 2º lugar no Arena.ai entre as famílias de modelos de geração de imagem. E tem a variante Flash para quando você precisa de velocidade e escala em vez de fidelidade máxima.

O MAI-Voice-2 é text-to-speech multilíngue com dois truques novos: identity preservation (recriar a identidade vocal de uma pessoa específica, para que o modelo "fale como" aquele indivíduo em diferentes mercados) e voice prompting (usar uma amostra curta de áudio como referência de tom, emoção, sotaque e ritmo). E o pulo do gato: as duas capacidades funcionam em mais de 15 idiomas num sistema unificado. Ou seja, uma voz clonada carrega naturalmente entre mercados, sem você manter um sistema separado por idioma.

O MAI-Transcribe-1.5 é a evolução do speech-to-text que cobri antes. Agora são 43 idiomas e duas funcionalidades muito pedidas: entity biasing (você "avisa" o modelo sobre nomes, termos de marca e vocabulário de domínio, então ele transcreve a palavra certa em vez de chutar a grafia mais comum, e quem trabalha com transcrição médica, jurídica ou esportiva sabe o tamanho dessa dor) e precisão melhorada em condições reais como cross-talk, ruído de fundo e reuniões longas. No benchmark FLEURS, o Word Error Rate (WER) caiu de 3,9% para 3,7%, mantendo a posição de modelo mais preciso. E ele é até 5x mais eficiente que Gemini 3.1 Flash, ScribeV2 e gpt-4o-transcribe.

Repara no padrão: nenhum desses três tenta ser generalista. Cada um faz uma coisa, faz bem, e faz barato. Aqui minha leitura original se sustenta inteira.

Custo e o ângulo Brasil: o que muda no seu orçamento

No post anterior eu disse que custo previsível era boa parte da tese MAI. Continua sendo, e agora a Microsoft colocou os preços na mesa de forma bem concreta. Vamos olhar:

Agora pensa no contexto brasileiro, onde a maioria dos times paga IA em USD enquanto fatura em real. Aquele MAI-Transcribe-1.5 a US$ 0,36 por hora de áudio com pricing fixo é um sonho de FinOps comparado a modelo cobrado por token com preço variável por idioma. Você consegue projetar o custo de transcrever 10.000 horas de call center antes de assinar embaixo. Tente fazer isso com pricing por token e me conta como foi.

Mas o ponto mais interessante de custo é o MAI-Thinking-1. A aposta dele é explícita: entregar raciocínio forte a um preço-performance que torna viável economicamente rodar IA de alto volume, always-on. Pensa naquele agente que precisa rodar 24/7 processando milhares de requests. Com modelo top de linha tradicional, a conta de compute te assusta. Com um MoE otimizado para custo, o always-on deixa de ser um luxo de POC e vira algo que cabe no orçamento.

E aqui vai um "Mas" honesto: o MAI-Thinking-1 ainda está em private preview. Você precisa solicitar acesso. Então tudo que falei sobre custo dele é promessa da Microsoft, não fatura que eu já paguei. Vou testar quando o acesso liberar e volto aqui com números reais.

Como decidir agora: a tabela que eu preciso reescrever

No post anterior eu fechei com uma tabela de decisão e uma frase: "a Microsoft está cobrindo as bordas da stack com modelos próprios, e mantendo OpenAI no centro para capacidades generalistas".

Essa frase envelheceu em semanas. O centro não é mais exclusividade da OpenAI. Então deixa eu reescrever a recomendação à luz do Build 2026:

Repara que eu não estou dizendo para jogar a OpenAI no lixo. Para raciocínio de fronteira e multimodalidade mais madura, ela ainda é a aposta mais segura, e a Microsoft segue oferecendo dentro do Foundry. Mas a categoria "raciocínio generalista" deixou de ser monopólio de um único fornecedor dentro do Azure. E isso, do ponto de vista de quem decide arquitetura, é uma mudança grande.

Por quê? Porque opção é poder de barganha. Quando o cliente final tem alternativa first-party para raciocínio, a dependência de um único parceiro externo cai. E como eu disse no post anterior, para quem paga em USD e fatura em real, ter o provedor de cloud com modelo próprio em domínios de alto volume é uma camada de previsibilidade que você não tinha antes.

Tem o trade-off de sempre, claro: adotar a stack MAI te coloca mais fundo no ecossistema Microsoft e o lock-in aumenta. Não dá para fingir que isso não existe. Mas agora esse lock-in inclui o raciocínio generalista, não só as bordas. A aposta ficou maior dos dois lados.

Conclusão: o que eu acertei, o que eu errei, e o que isso te ensina

Vamos ser honestos sobre o placar. Eu acertei a leitura das bordas: MAI-Image-2.5, MAI-Voice-2 e MAI-Transcribe-1.5 são exatamente a continuação especializada e barata que eu previ. E eu errei feio na previsão central: o MAI-Thinking-1 prova que a Microsoft está, sim, disposta a competir no raciocínio generalista com modelo próprio, treinado do zero, sem distillation.

A lição que eu tiro disso, e que passo para você, é menos sobre modelo e mais sobre estratégia: quando a Microsoft monta uma stack first-party, não assuma que ela vai parar nas bordas confortáveis. O movimento de cobrir as quatro modalidades de uma vez (texto, imagem, voz e speech) com a marca MAI, no mesmo evento, não me parece coincidência. Parece um plano que estava na mesa desde o começo, e eu só enxerguei metade dele.

Então minha sugestão prática continua valendo, agora com mais peso: trate lançamento com a marca MAI como aposta de longo prazo da Microsoft, não como "mais um item no catálogo". E se você está construindo agentes que dependem de raciocínio em escala, coloca o MAI-Thinking-1 no seu radar de testes assim que o private preview liberar. Eu vou fazer isso.

E você, em qual dos quatro modelos você bateu o olho e pensou "isso resolve um problema meu"? Comenta aqui embaixo qual workload seu se encaixa. Aqui na AzureBrasil.cloud nós vamos continuar testando esses modelos na prática e, quando eu conseguir acesso ao MAI-Thinking-1, prometo voltar com números reais, inclusive para admitir, de novo, se eu estiver errado.

[]s e até a próxima

Referências

Anúncio Oficial

• New MAI models in Microsoft Foundry across text, image, voice, and speech — Post oficial do Build 2026 anunciando MAI-Thinking-1, MAI-Image-2.5, MAI-Voice-2 e MAI-Transcribe-1.5
• Introducing MAI-Image-2.5 — Detalhes do modelo de imagem e o ranking no Arena.ai

Acesso e Pricing dos Modelos

• MAI-Thinking-1 — solicitar acesso ao private preview
• MAI-Image-2.5 — Foundry Model Catalog
• MAI-Image-2.5 Flash — Foundry Model Catalog
• MAI-Voice-2 — Azure Speech
• MAI-Transcribe-1.5 — Azure Speech

Benchmarks Citados

• FLEURS benchmark — Benchmark multilíngue de Word Error Rate usado para o MAI-Transcribe-1.5
• Artificial Analysis — Speech-to-Text leaderboard — Comparativo de eficiência de modelos de transcrição

Conteúdo Relacionado na AzureBrasil.cloud

• Microsoft apostando em modelos próprios: por que os MAI não são "só mais um lançamento" — O post anterior onde eu fiz a previsão que o Build 2026 derrubou
• Foundry Labs abril 2026 — o que realmente importa nesse tsunami de modelos de IA — Cobertura do catálogo de novidades anterior

Ferramentas

• Microsoft Foundry — Catálogo de modelos prontos para deploy
• MAI Playground — Teste os modelos MAI no browser