Microsoft Estrena MAI-Image-2.5-Pro y MAI-Voice-2-Flash en Vista Previa

La obsesión de la industria con la inteligencia artificial suele medir el éxito en parámetros de puro rendimiento o en benchmarks sintéticos. Pero Microsoft acaba de dar un golpe sobre la mesa enseñándonos la métrica que de verdad quita el sueño a las empresas: el coste operativo.

Acaban de lanzar en vista previa pública sus modelos MAI-Image-2.5-Pro y MAI-Voice-2-Flash, integrándolos en servicios donde ya tienes cuenta. Los números que han puesto sobre la mesa son para frotarse los ojos. Han logrado reducir el gasto de procesamiento gráfico en sus propias aplicaciones de forma salvaje. Una auténtica barbaridad.

Imágenes hiperrealistas que por fin saben escribir correctamente

Si sueles seguir de cerca el desarrollo de estos algoritmos, sabrás que generar imágenes de calidad profesional no es precisamente barato. Y aquí entra la nueva propuesta de los de Redmond, disponible desde ya a través de Microsoft Foundry y el entorno de pruebas MAI Playground. La jugada va directa al sector más exigente.

En concreto, MAI-Image-2.5-Pro se presenta como el motor visual de mayor fidelidad que la compañía ha desarrollado en su historia. No solo sirve para generar ilustraciones potentes de cero o permitir ediciones minuciosas. La verdadera mejora técnica está en que logra renderizar texto preciso dentro de las propias imágenes generadas. Algo que hasta hace poco era el talón de Aquiles de casi cualquier modelo del mercado.

Para hacerte una idea de su impacto, los profesionales ya le están sacando partido. Rob Reilly, jefe creativo global de la agencia WPP, ha calificado esta capacidad de escribir texto correctamente como un avance mayúsculo. Poder iterar una campaña publicitaria entera mediante simples comandos de lenguaje natural acelera los tiempos brutalmente. Así de simple.

Pero vamos a lo que duele, la factura de los tokens. La estructura de precios es bastante quirúrgica y separa bien cada paso. Te cobran 5 dólares por millón de tokens de texto en la entrada, 8 dólares si introduces imágenes de referencia, y 106 dólares por cada millón de tokens de salida de imagen. Es un esquema pensado para equipos creativos que van a quemar los servidores a base de ensayo y error continuo.

Cuando el ahorro masivo de GPU se convierte en el producto principal

Y es que la verdadera noticia no es solo que saquen modelos nuevos, sino cómo los están exprimiendo internamente. Microsoft lleva un año con una estrategia clarísima: desarrollar modelos propios entrenados con datos empresariales completamente limpios y trazables. Y lo más interesante: aseguran no haber utilizado técnicas de destilación de sistemas de terceros para lograrlo.

Evidentemente, la compañía quería recuperar el control absoluto de la tecnología que sirve a millones de usuarios diarios. Por eso, Bing Image Creator ya funciona con MAI-Image-2.5 de extremo a extremo por defecto. Por si fuera poco, PowerPoint también ha adoptado este modelo para sus tareas de imagen a imagen, desplazando a la tecnología anterior.

Aquí viene el dato demoledor que sacude al sector. Al cambiar a este modelo propio, han registrado una reducción de hasta el 84 % en costes de GPU dentro de PowerPoint si lo comparamos con GPT-Image-2. Básicamente, entregan la misma o mejor calidad, pero gastando una fracción de la energía y los recursos de servidor. La rentabilidad se dispara.

A ello se le suma el reciente despliegue en OneDrive para funciones clave de edición fotográfica. Allí no solo han bajado la latencia P95 en un 25 %, sino que la tasa de guardado exitoso de los usuarios ha subido un 26 %. Funciona rápido, el usuario no se frustra y Microsoft ahorra un dineral en la nube. Un negocio redondo.

Voz ultrarrápida optimizada para la batalla telefónica

Por otro lado, tenemos el frente del audio, donde las reglas del juego cambian bastante. Aquí las empresas no buscan la perfección emocional de un actor de doblaje, sino pura eficiencia a escala industrial. Y MAI-Voice-2-Flash es exactamente lo que su apellido indica: velocidad pura para entornos empresariales.

Este modelo acústico es el doble de rápido que su antecesor manteniendo una prosodia muy natural. Pero lo que va a convencer a los departamentos financieros es que resulta un 32 % más barato de operar, fijando su tarifa en apenas 15 dólares por millón de caracteres. Ya está dando vida a la plataforma de centros de contacto empresariales de Microsoft y a las funciones de Azure Voice Live. ¿El resultado directo? Han llegado a ver caídas del 89 % en los costes de procesamiento en los grandes despliegues de call centers automatizados.

A fin de cuentas, este movimiento nos enseña hacia dónde se dirige realmente el negocio de la inteligencia artificial. Ya no basta con anunciar el modelo fundacional más inmenso del planeta si luego cuesta una fortuna mantenerlo encendido. Microsoft ha entendido que quien logre domar la eficiencia de la infraestructura sin sacrificar las capacidades, se quedará con los clientes corporativos. La pelota está ahora en el tejado de sus competidores, que tendrán que demostrar si su hardware puede igualar estos márgenes de ahorro.

Aitor Wilzig

Me dedico al SEO y la monetización con proyectos propios desde 2019. Un friki de las nuevas tecnologías desde que tengo uso de razón.
Estoy loco por la Inteligencia Artificial y la automatización.

gptzone.net