El 2 de junio de 2026, durante su conferencia Build, Microsoft presentó sus primeros modelos de IA entrenados por completo en casa: MAI-Thinking-1 para razonamiento y MAI-Code-1-Flash para código. Según el anuncio oficial de Microsoft AI del 2 de junio, están entrenados desde cero con datos bajo licencia comercial y sin destilación de modelos de terceros. Es la primera vez que Microsoft compite de frente contra su socio más conocido con tecnología cien por ciento suya.
La fecha no fue casualidad. Un día antes, el 1 de junio, entró en vigor el cobro por consumo de GitHub Copilot: los planes mensuales migraron automáticamente a GitHub AI Credits, créditos que se descuentan por tokens a tarifas de API según el modelo que elijas. Si tu empresa paga Copilot Business o Enterprise, tu factura dejó de ser fija esta semana. Ese es el dato operativo de la noticia; los benchmarks son el adorno.
Dos modelos propios y un precio agresivo
MAI-Code-1-Flash tiene 5,000 millones de parámetros — pequeño para los estándares de 2026, según la cobertura de DataNorth del 3 de junio — y aun así reporta 51.2% en SWE-Bench Pro, contra 35.2% de Claude Haiku 4.5, usando hasta 60% menos tokens en problemas difíciles, de acuerdo con el blog de Microsoft AI. Con el esquema anterior de tarifa plana, "menos tokens" era un detalle técnico. Con cobro por consumo, es dinero.
MAI-Thinking-1 juega en otra categoría: un Mixture-of-Experts con 35,000 millones de parámetros activos y ventana de contexto de 256,000 tokens, disponible en preview privado vía Microsoft Foundry, de acuerdo con la misma nota de DataNorth.
El precio de MAI-Code-1-Flash deja clara la estrategia: $0.75 USD por millón de tokens de entrada, $0.075 por millón cacheados y $4.50 por millón de salida (DataNorth, 3 de junio). Y el modelo ya se despliega en todos los tiers de GitHub Copilot, incluido el gratuito.
La figura explica por qué "precio por millón de tokens" engaña si solo miras la entrada: un token de salida cuesta 6 veces más que uno de entrada y 60 veces más que uno cacheado. Un agente verboso que reescribe archivos completos gasta varias veces más que uno que hace ediciones puntuales, aunque ambos terminen la misma tarea. Tu costo real depende del patrón de uso, no del precio de lista.
Tu factura de Copilot ya no es fija
Según GitHub, la migración fue automática: nadie tuvo que firmar nada nuevo. Cada plan incluye un monto mensual de créditos y, cuando se agota, el consumo adicional se cobra aparte — salvo que hayas configurado topes. GitHub además eleva temporalmente los créditos de Business y Enterprise de junio a agosto de 2026, lo que en la práctica es un colchón que oculta el consumo real.
| Plan | Créditos incluidos al mes | Promocional (jun–ago 2026) | Primer paso |
|---|---|---|---|
| Copilot Pro | $10 USD | — | Verificar si tu uso individual cabe en el crédito |
| Copilot Business | $19 USD por usuario | $30 USD por usuario | Activar reportes de consumo por usuario |
| Copilot Enterprise | $39 USD por usuario | $70 USD por usuario | Definir presupuestos por centro de costos |
El riesgo tiene dos caras. Un equipo que usa agentes de código de forma intensiva puede rebasar sus créditos sin enterarse hasta el corte. Y un equipo que apenas toca Copilot está pagando licencias que subsidian a los demás. Con tarifa plana ese desbalance era invisible; con medición por tokens, aparece en el reporte.
Competencia dentro del mismo ecosistema
Microsoft citó un caso con McKinsey donde el fine-tuning de sus modelos MAI logró 10 veces mejor eficiencia de costo que GPT-5.5 (DataNorth, 3 de junio). Léelo como lo que es: Microsoft compitiendo por precio contra OpenAI dentro de su propia plataforma. Para quien compra, la implicación es presión de precios a la baja durante 2026 y 2027. Un contrato anual rígido de herramientas de IA firmado hoy probablemente quede caro en doce meses.
Qué significa para tu empresa
Si tienes entre 50 y 500 personas y pagas Copilot (o cualquier herramienta de IA que migre a cobro por consumo), esto es lo accionable:
- Audita el consumo de junio antes del corte. Los reportes de GitHub desglosan tokens por organización, centro de costos y usuario. Saca la lista de quién consume qué. Sin ese dato, cualquier decisión de plan es adivinanza.
- Configura topes de presupuesto ya, no en septiembre. Los créditos promocionales terminan en agosto. Si esperas a que se acaben para poner límites, tu primer mes sin colchón será también tu primer susto de facturación.
- Prueba MAI-Code-1-Flash contra tu modelo default en tareas reales. Mide costo por tarea terminada — pull request cerrado, bug resuelto — y no costo por token. Un modelo barato que requiere tres intentos sale más caro que uno medio que resuelve a la primera.
- No renegocies ni canceles todavía. Junio, julio y agosto traen créditos extra que distorsionan la foto. Junta dos meses de datos limpios de consumo y decide con números, no con la ansiedad del primer recibo variable.
El cobro por consumo premia a las empresas que miden y castiga a las que adoptaron IA sin gobernanza de gasto. Si no sabes hoy cuántos tokens consume tu operación ni quién los consume, ese es el hueco a cerrar primero — la autoevaluación de unifai te dice en diez minutos qué tan lista está tu empresa para administrar esto.