공개 모델의 제원과 이용 범위
이번에 공개된 모델들은 품질-속도-비용 곡선의 양 끝단을 겨냥해 설계됐다. 고정밀 이미지 생성 모델인 `MAI-Image-2.5-Pro`는 이미지 내 텍스트 렌더링 정밀도를 높이는 데 집중했다. 가격은 텍스트 입력 토큰 100만 개당 5달러, 이미지 입력 100만 개당 8달러, 이미지 출력 100만 개당 106달러로 책정됐다. 해당 모델의 베이스 버전인 `MAI-Image-2.5`는 커뮤니티 리더보드인 Arena의 이미지 편집 부문에서 2위를 기록했다.
반면 `MAI-Voice-2-Flash`는 대규모 엔터프라이즈 워크로드 처리를 위한 음성 모델이다. `MAI-Voice-2` 대비 처리 속도는 2배 빠르고 비용은 32% 낮춘 100만 자당 15달러에 제공된다. 지연시간과 호출당 비용이 중요한 콜센터, 음성 에이전트, 실시간 음성 애플리케이션이 주 타깃이다.
배포 범위는 엣지 케이스가 아닌 실제 프로덕션 환경으로 확장됐다. Bing, PowerPoint, OneDrive, Dynamics 365, Excel, GitHub Copilot, Azure 등 마이크로소프트의 주요 서비스에 즉시 적용된다. 특히 Bing Image Creator는 엔드-투-엔드 전 과정이 `MAI-Image-2.5`로 구동되는 첫 번째 소비자 이미지 도구가 됐다.
'힐클라이밍' 구조와 벤치마크 성능
모델 최적화의 핵심은 데이터, 모델, 제품 하네스(Harness)가 통합된 피드백 루프인 '힐클라이밍 머신(hill-climbing machine)' 구조에 있다. GitHub Copilot에 적용된 경량 코딩 모델 `MAI-Code-1-Flash`가 대표적인 사례다. VS Code 환경에서 측정 결과, `GPT-5.4 Mini`와 `Claude Haiku 4.5`보다 코드 수락률(Accept rate)이 약 10% 높았으며, 중앙값 기준 토큰 사용량은 10% 적었다. 사용자 유지율 역시 `GPT-5.4 Mini` 대비 6%, `Claude Haiku 4.5` 대비 11% 높게 나타났다.
특정 도구에 최적화하기 위해 `MAI-Code-1-Flash` 체크포인트를 엑셀 강화학습(RL) 환경에서 추가 학습시킨 결과, 일반적인 엑셀 작업에서 `GPT-5.6`과 대등한 성능을 보였다. 주목할 점은 하드웨어 제약이다. 이 모델은 최신 가속기가 아닌 엔비디아(Nvidia)의 이전 세대 GPU인 H100과 A100에서도 구동 가능하다. 이는 최신 GB200 클러스터 자원을 추론이 아닌 학습에 집중 배치할 수 있는 인프라 유연성을 제공한다.
다국어 워크플로우를 처리하는 `MAI-Transcribe-1.5`는 58개 언어를 지원한다. 17만 명의 의료 제공자가 사용하는 Dragon Copilot에 적용된 결과, 내부 평가 기준 전사(Transcription) 및 언어 식별 오류율이 대부분의 언어에서 상대적으로 50% 감소했다.
인프라 운영 효율과 도입 영향
GPU 비용 절감 수치는 서드파티 프론티어 모델을 자체 모델로 교체했을 때 극명하게 드러난다. PowerPoint에서는 `GPT-Image-2` 대비 GPU 비용을 최대 84% 낮췄으며, Dynamics 365 Contact Center에서는 `MAI-Voice-2-Flash` 도입으로 GPU 비용을 최대 89%까지 줄였다. OneDrive의 이미지 편집 시나리오에서는 P95 지연시간이 25% 감소했고, 중간 이용률 프로덕션 워크로드에서 효율성이 2.5배 향상되며 저장률(Save rates)이 26% 증가했다.
마이크로소프트는 이제 프론티어 모델을 직접 사용하는 대신, 이를 오케스트레이션 시스템의 교체 가능한 부품으로 취급하는 전략을 취한다. 하네스, 메모리, 컨텍스트, 스킬을 모델 외부에 유지함으로써 특정 모델에 대한 의존도를 낮추고, 성능이 대등하거나 우월한 자체 모델이 있을 경우 트래픽을 `MAI`로 라우팅하는 방식이다.
실무자는 모든 작업에 최상위 프론티어 모델을 사용하는 대신, 엑셀 서식 변경이나 단순 전사와 같은 반복적이고 정형화된 작업에는 특정 도구에 최적화된 소형 모델(SLM)을 배치해 인프라 비용과 지연시간을 최적화하는 방향으로 아키텍처를 재설계해야 한다.
