Microsoft troca OpenAI e Anthropic por IA própria

Introdução

Microsoft IA própria não é mais um experimento. Segundo a Bloomberg, a Microsoft começou a direcionar uma parte das solicitações do Copilot e de recursos em apps como Excel e Outlook para modelos internos da família MAI, em vez de usar sempre OpenAI e Anthropic. O objetivo é simples, reduzir custos operacionais de IA enquanto mantém qualidade suficiente para tarefas específicas.

A relevância é imediata para qualquer empresa que compra produtividade e automação na nuvem. Custos por token cresceram com o uso massivo de IA generativa, levando grandes players a reequilibrar a equação entre preço, desempenho e controle. O movimento da Microsoft ecoa uma tendência mais ampla, várias companhias estão pressionando seus gastos de IA e testando modelos mais baratos, inclusive da China.

O artigo aprofunda quatro frentes. Primeiro, por que a Microsoft está mudando. Segundo, o que os modelos MAI já entregam, incluindo especificações oficiais. Terceiro, impactos práticos para clientes do Copilot e do Microsoft 365. Por fim, um plano de ação para usar a mudança a seu favor, com métricas e governança.

Por que a Microsoft está mudando agora

Relatos atribuem a virada a custos. A Bloomberg reportou que a Microsoft vem substituindo parte do roteamento de prompts para modelos próprios MAI, movimento que reduz a dependência de modelos de terceiros mais caros em determinadas rotinas. Mesmo com descontos de parceria, a conta somada de milhões de prompts semanais pesa. A atualidade do tema foi detalhada pela SiliconANGLE em 7 de julho de 2026.

Há um contexto contratual e estratégico. Em abril de 2026, Bloomberg noticiou ajustes no acordo com a OpenAI que reduziram obrigações de repasse de receita quando a Microsoft revende produtos OpenAI no Azure, sinal de renegociação contínua do relacionamento e de liberdade para balancear o portfólio. Em paralelo, a Microsoft quer provar capacidade própria, menos exposta a decisões de roadmap de parceiros.

O efeito de mercado também pressiona. Alguns fornecedores vêm baixando preços ou forçando eficiência, e surgiram ofertas agressivas como a DeepSeek V4-Pro, com preços por milhão de tokens que derrubam a média do setor. Quando há modelos bons o suficiente por centavos, a elasticidade de demanda desloca o volume para opções mais econômicas, especialmente em cargas de trabalho previsíveis e repetitivas.

O que são os modelos MAI e o que já entregam

A Microsoft apresentou a família MAI no Build 2026, com sete modelos cobrindo texto, raciocínio, imagem, voz, transcrição e código. O destaque, MAI-Thinking-1, é um modelo de raciocínio de médio porte que foca custo e eficiência, não apenas performance bruta. Os materiais oficiais apontam 35 bilhões de parâmetros ativos em uma arquitetura MoE, treinada sem destilação de terceiros e com janela de contexto longa.

Cobertura independente reforça as especificações, 35 bilhões de parâmetros ativos, foco em custo eficiente e uso em cenários de raciocínio estruturado. A Axios destacou que a Microsoft usa o Build para mostrar que joga sério além da parceria com a OpenAI, e que MAI-Thinking-1 compete mais em preço do que em força bruta contra modelos de fronteira.

Segundo o Microsoft Community Hub e outras coberturas, a família inclui ainda variantes para imagem, voz e transcrição, além de modelos para codificação como MAI-Code-1-Flash já integrado a ferramentas de desenvolvedores. A proposta, um stack de IA de primeira parte que permita controle de custo, dados e latência.

![Campus da Microsoft em Redmond, vista aérea]

A reportagem da SiliconANGLE acrescenta que a Microsoft reconhece publicamente que alguns modelos próprios ainda não são os mais sofisticados, porém o ganho de eficiência e a adequação a tarefas específicas já compensam em partes do pipeline. Em testes internos citados por terceiros, a empresa avaliou paridade em tarefas de codificação com modelos de ponta da concorrência, sempre com o recorte de custo por token em mente.

Como a mudança chega ao Copilot e ao Microsoft 365

O relato indica que dezenas de milhares de prompts que antes iam para modelos de terceiros passaram a ser atendidos por MAI em recursos específicos do M365, mantendo a experiência do usuário, mas com motor diferente atrás do botão. Esse tipo de troca por trás da API é viável quando a métrica de sucesso é atingida com modelos mais baratos, por exemplo, classificações, sumarizações curtas, extrações estruturadas e checks básicos de qualidade.

Matérias de apoio citam planos de inserir um modelo próprio de transcrição em produtos como o Teams nos próximos meses, sinal de substituição gradual em funções onde o custo é determinante e a base de dados de treinamento da Microsoft, rica em áudio corporativo sob consentimento, dá vantagem prática. Em paralelo, seguem disponíveis modelos de parceiros para casos de uso que exigem o melhor desempenho possível.

Essa abordagem multi model, combinar primeira parte e parceiros, já vinha aparecendo em declarações públicas desde o primeiro trimestre de 2026. O futuro imediato para grandes provedores é orquestrar vários modelos por tarefa, custo e risco. A diferença agora é o aumento do share de modelos próprios no mix.

O que muda nos preços e por que isso importa

A dinâmica de preço por token é o motor invisível dessa história. SiliconANGLE comparou valores divulgados para modelos de ponta, atribuindo à Anthropic uma faixa de 10 dólares por milhão de tokens de entrada e 50 dólares por milhão de saída no Fable 5, enquanto a OpenAI cobraria menos que isso em modelos equivalentes. No outro extremo, a DeepSeek V4-Pro apareceu com tabela pública na casa de 0,435 dólar por milhão de entrada e 0,87 dólar por milhão de saída. A diferença de ordem de grandeza move decisões.

Esses preços variam por fornecedor, contrato e cache, porém a tendência é clara. Quando a tarefa é estruturada e mensurável, um modelo de custo menor com qualidade suficiente muitas vezes gera ROI melhor que um frontier mais caro. Isso não torna obsoletos os modelos de topo, ainda são imbatíveis para raciocínio aberto, multi passo complexo e composição multimodal rica, mas abre espaço para uma malha de modelos dirigida por preço e SLA.

Riscos, trade offs e como mitigar

Trocar modelo altera distribuição de respostas, latência e consumo de tokens. Há risco de regressão de qualidade em prompts long tail, instruções ambiguas e tarefas que exigem raciocínio profundo ou domínio vertical. Mitigação envolve avaliação A B controlada, testes cegos por tarefa, e telemetria contínua de métricas como taxa de edição humana, satisfação do usuário final, ocorrências de alucinação e custo efetivo por tarefa concluída. Relatos sobre a própria estratégia da Microsoft ressaltam que os modelos MAI miram eficiência e que a companhia não afirma superar os frontier em tudo, o que pede seleção criteriosa por caso de uso.

Para workloads sensíveis, como jurídico, saúde e financeiro, é prudente manter uma rota premium opcional, por exemplo, fallback automático para um modelo de ponta quando a confiança de classificação cai abaixo de um limiar ou quando o tipo de tarefa é detectado como de alto risco. Orquestradores com roteamento semântico e políticas de conformidade ajudam a automatizar essa decisão.

Exemplos práticos de onde usar MAI e onde manter frontier

• Sumarização curta de e mails e notas de reunião, MAI tende a entregar qualidade suficiente por uma fração do custo. A telemetria deve acompanhar taxa de edição e tempo economizado por colaborador.
• Extração de campos e classificação de tickets, bom candidato para modelos eficientes, porque é estruturado e mensurável. Avaliar F1 por classe e custo por lote processado.
• Conversão de áudio para texto em escala, adotar transcrição própria com tuning por domínio pode trazer queda grande de custo, sem perda relevante de acurácia percebida pelo negócio. Relatos sugerem essa direção para o Teams.
• Geração de código complexo e raciocínio com múltiplos passos, manter acesso a frontier de parceiros, com fallback ou escolha dinâmica por confiança e criticidade, dado que a diferença de qualidade ainda pesa nessas tarefas.

O movimento no tabuleiro, concorrentes e a pressão chinesa

A SiliconANGLE menciona que outras empresas grandes, incluindo Amazon, Accenture, Meta e Uber, estão buscando reduzir suas contas de IA, ora via otimização, ora trocando modelos. No mesmo período, fornecedores chineses subiram a barra no quesito preço, com a DeepSeek empurrando o mercado para baixo em tokens por dólar. Isso reforça o incentivo para desenvolver IA própria e negociar melhor com parceiros.

As referências públicas de preço da DeepSeek se repetem em diversos trackers de mercado, convergindo para 0,435 dólar por milhão de tokens de entrada e 0,87 dólar por milhão de saída nos anúncios mais recentes. Mesmo com variações e promoções, a âncora de preço pressiona todo o ecossistema. Para quem compra IA, a resposta correta é medir custo por tarefa, não apenas por token, e simular cenários com datasets reais da sua operação.

![Ilustração de IA corporativa]

Checklist de adoção, como capturar eficiência sem perder qualidade

1. Mapear tarefas e métricas. Liste tarefas de alto volume, sumarização, classificação, extração e transcrição. Defina métricas por tarefa, F1, tempo por tarefa, taxa de edição, satisfação e custo por tarefa. Registre baseline com seu modelo atual.
2. Criar grupos de teste. Separe amostras com representatividade do seu negócio. Construa testes cegos com rótulos de qualidade por avaliadores humanos. Garanta cobertura de casos fáceis e difíceis.
3. Orquestrar por política. Use um orquestrador que permita roteamento por custo, risco e confiança do modelo. Defina limiares, por exemplo, fallback para frontier quando a incerteza do classificador sobe.
4. Negociar contratos por uso real. Traga logs e métricas para a mesa. A prova de eficiência muda preço e condições de SLA. Considere reservas de capacidade quando fizer sentido financeiro.
5. Governança e segurança. Valide conformidade, privacidade e localização de dados ao trocar modelo. Preferir provedores que ofereçam isolamento e auditoria. Com modelos próprios dentro do mesmo stack, latência e controle de dados tendem a melhorar.

O que observar nas próximas semanas

• Telemetria do Copilot. Mudanças de latência, pequenas variações de estilo e eventuais regressões em respostas específicas podem indicar troca de modelo na retaguarda. Relatos apontam substituições em segmentos de uso, não uma virada total, então a experiência pode variar por recurso.
• Novos anúncios de MAI. A Microsoft vem posicionando a família como plataforma em crescimento contínuo, com promessa de custos baixos e ganho iterativo. Novos modelos de voz e transcrição devem surgir em linha com o que já foi ventilado para o Teams.
• Reação dos parceiros. Ajustes contratuais como os de abril mostram um relacionamento mais flexível com a OpenAI. A coopetição vai seguir, com espaço para modelos de parceiros quando a tarefa exigir o melhor possível.

Conclusão

A mudança da Microsoft para privilegiar IA própria em partes do stack é consequência direta da matemática dos tokens e da maturidade do portfólio MAI. Em cargas de trabalho estruturadas, a relação custo qualidade dos modelos internos tende a ser superior, o que libera orçamento para direcionar modelos frontier para onde eles realmente importam. O relato de 7 de julho de 2026 traz o primeiro raio X público dessa transição em escala.

Para quem lidera tecnologia e produto, a oportunidade é clara. Medir custo por tarefa, adotar orquestração multi modelo com políticas de risco, e manter um canal premium de frontier quando necessário. Assim se colhe economia sem perder o essencial, qualidade onde faz diferença. Essa combinação, mais do que a fidelidade cega a um fornecedor, é a vantagem competitiva real em IA corporativa em 2026.