Zuletzt aktualisiert: 16. Oktober 2026 · Version: 1.0 · Artikelentwurf
Redaktionshinweis: Dieser Entwurf wurde mit KI-Unterstützung recherchiert und erstellt. Die menschliche redaktionelle Prüfung steht aus. Technische Angaben stammen von Microsoft; ein eigener Praxistest liegt nicht vor.
In 30 Sekunden
- Microsoft hat das Vortraining von MAI-Base-2 abgeschlossen. Das Modell befindet sich im Post-Training.
- Genannt werden 2,8 Billionen Parameter insgesamt und 80 Milliarden aktive Parameter.
- Die veröffentlichten Leistungs- und Effizienzangaben sind Herstellerergebnisse.
- Unsere Empfehlung: Auswahlkriterien vorbereiten; eine Migration erst anhand eines konkret verfügbaren Angebots bewerten.
Jetzt sinnvoll: IT-Leitung und Fachbereich sollten einen bestehenden KI-Anwendungsfall mit überprüfbaren Qualitätsanforderungen dokumentieren. Einkauf und Datenschutz ergänzen die Anforderungen an Preis, Vertragsbedingungen und Datenverarbeitung. Damit entsteht eine belastbare Grundlage für einen späteren Modellvergleich.
Wer heute eine KI-Anwendung betreibt, muss bei jeder neuen Modellankündigung dieselbe Entscheidung treffen: Lohnt sich eine erneute Bewertung? Dafür reicht eine größere Parameterzahl allein kaum aus. Entscheidend ist, ob ein Kandidat eine konkrete Aufgabe zuverlässiger erledigt, weniger Nacharbeit verursacht oder sich wirtschaftlicher betreiben lässt.
MAI-Base-2 ist deshalb zunächst ein Thema für IT-Leitung und KI-Verantwortliche, die ihre Modellstrategie planen.
Was Microsoft tatsächlich angekündigt hat
Microsoft veröffentlichte die technischen Informationen am 15. Oktober 2026. MAI-Base-2 nutzt eine Mixture-of-Experts-Architektur und wurde auch mit Bilddaten vortrainiert.
Microsoft berichtet über bessere Ergebnisse als die getesteten Open-Weight-Modelle auf eigenen zurückgehaltenen Evaluationsdaten. Als Maß dient unter anderem Bits per Byte. Einige Vergleichsmodelle lagen bereits nach dem Post-Training vor, was die Vergleichbarkeit einschränkt.
Gegenüber DeepSeek-V4-Pro-Base nennt Microsoft eine vier- bis zwölffach höhere Recheneffizienz beim Vortraining. Außerdem stellt das Unternehmen eine Lizenzierung von Modellgewichten an vertrauenswürdige Partner über Foundry in Aussicht. Einen konkreten Veröffentlichungstermin oder API-Preis nennt die Ankündigung nicht. Microsoft AI: technische Ankündigung
Welche Schlussfolgerungen die Zahlen erlauben
Für eine Beschaffungsentscheidung müssen drei Ebenen getrennt bewertet werden:
| Ebene | Entscheidende Frage im Unternehmen |
|---|---|
| Modellqualität | Erledigt das Modell unsere Aufgaben fachlich korrekt? |
| Anwendung | Funktionieren Datenzugriff, Ausgabeformat und menschliche Prüfung? |
| Betrieb | Passen Kosten, Antwortzeiten, Verträge und Verarbeitungsorte? |
Ein Fortschritt auf der ersten Ebene beantwortet die beiden anderen Fragen noch nicht.
Auch die Effizienz beim Training lässt sich nicht unmittelbar in günstigere Kundenpreise übersetzen. Ein wirtschaftlicher Vergleich braucht die tatsächlich angebotenen Tarife, den Verbrauch je Aufgabe und den Aufwand für Fehlerkorrekturen. Ein günstiger Einzelaufruf kann teuer werden, wenn mehrere Wiederholungen oder längere manuelle Prüfungen erforderlich sind.
Unsere Einordnung: Die relevante Kennzahl für Anwenderunternehmen ist der Aufwand je akzeptiertem Ergebnis. Sie verbindet technische Leistung mit betrieblichem Nutzen.
Mehr Modellauswahl verlangt eine eigene Vergleichsbasis
Unternehmen sollten ihre Auswahl so organisieren, dass ein neues Modell mit überschaubarem Aufwand gegen die bestehende Lösung antreten kann.
Dazu gehören dokumentierte Testfälle, erwartete Ergebnisse und ein nachvollziehbarer Bewertungsmaßstab. Ein Modellwechsel sollte möglichst wenig Fachlogik verändern. Sonst bleibt unklar, ob ein besseres Ergebnis vom Modell, einem angepassten Prompt oder einer geänderten Datenaufbereitung stammt.
Hypothetisches Praxisbeispiel: Ein Maschinenbauunternehmen erstellt Antwortentwürfe für technische Serviceanfragen. Die Anwendung muss Informationen aus freigegebenen Handbüchern verwenden, Fundstellen nennen und bei fehlenden Angaben Rückfragen stellen.
Für einen späteren Vergleich mit einem verfügbaren MAI-Angebot würden wir folgende Prüfung empfehlen:
- Fachliche Richtigkeit: Stimmen technische Angaben und zitierte Fundstellen?
- Umgang mit Wissenslücken: Erkennt das System fehlende Informationen?
- Arbeitsaufwand: Wie viel Zeit benötigt der Service für Prüfung und Korrektur?
- Betriebsqualität: Welche Kosten und Antwortzeiten entstehen einschließlich Wiederholungen?
Als redaktioneller Vorschlag genügt für einen ersten Vergleich ein kleiner, sorgfältig ausgewählter Testsatz mit normalen Fällen und schwierigen Grenzfällen. Eine Produktivfreigabe benötigt anschließend eine zum Risiko passende, breitere Prüfung.
Für DACH-Unternehmen entscheidet das konkrete Betriebsangebot
Die Aussicht auf ein Angebot über Foundry sollte Unternehmen veranlassen, die späteren Bereitstellungsbedingungen genau zu lesen.
Microsoft unterscheidet in seiner allgemeinen Foundry-Dokumentation zwischen globaler Verarbeitung und Verarbeitung innerhalb einer definierten Datenzone. Bei globalen Bereitstellungen können Eingaben und Ausgaben außerhalb der Region der angelegten Ressource verarbeitet werden. Diese Dokumentation belegt keine bestimmte Bereitstellungsoption für MAI-Base-2. Sie zeigt, welche Unterscheidung bei einer späteren Prüfung wichtig wird. Microsoft Learn: Datenverarbeitung in Foundry
Für Deutschland und Österreich gehören bei personenbezogenen Daten insbesondere Zweckbindung, Datenminimierung und Speicherbegrenzung zur Prüfung. Die Europäische Kommission erläutert diese Grundsätze unabhängig vom eingesetzten KI-Modell. Europäische Kommission: Grundsätze der DSGVO
Unsere Empfehlung für den späteren Angebotsvergleich: Verarbeitungsort, Aufbewahrung, Zugriffsrechte und Vertragsgrundlage als eigene Abnahmekriterien dokumentieren. Schweizer Unternehmen ergänzen die Prüfung um ihre jeweils anwendbaren Datenschutzanforderungen.
Welche Nachweise eine Neubewertung auslösen sollten
Eine weitere technische Ankündigung allein muss kein neues Projekt starten. Handlungsrelevant wird ein Angebot, wenn drei Voraussetzungen zusammenkommen:
- Zugänglichkeit: Das konkrete Modell ist unter nachvollziehbaren Bedingungen nutzbar.
- Prüfbarkeit: Die eigene Aufgabe lässt sich reproduzierbar testen.
- Betriebsfähigkeit: Preis, Datenverarbeitung und Support passen zum vorgesehenen Einsatz.
Dann kann der Fachbereich Nutzen bewerten, während IT und Einkauf die technische und wirtschaftliche Tragfähigkeit prüfen. Bei einem kleinen internen Assistenten reicht dafür ein schlanker Vergleich. Bei sensiblen Daten oder folgenreichen Entscheidungen muss die Prüfung entsprechend tiefer gehen.
FAQ
Sollten laufende KI-Projekte auf MAI-Base-2 warten?
Unsere Empfehlung lautet, laufende Projekte anhand ihrer heutigen Anforderungen fortzuführen. Ein späterer Kandidat lässt sich leichter bewerten, wenn bereits belastbare Vergleichswerte vorliegen.
Welche Kosten sollten wir erfassen?
Neben Modellaufrufen auch Datenaufbereitung, Wiederholungen, Überwachung und menschliche Nacharbeit. Verglichen werden sollte derselbe fachlich akzeptierte Output.
Wann lohnt sich ein Modellwechsel?
Wenn ein nachvollziehbarer Vorteil die Umstellungs- und Prüfkosten rechtfertigt. Dafür sollte vor dem Test feststehen, welche Verbesserung für das Unternehmen relevant wäre.
Unsere Schlussfolgerung: MAI-Base-2 gehört auf die Beobachtungsliste der Modellverantwortlichen. Der unmittelbar nutzbare Schritt ist ein eigener, wiederholbarer Anwendungstest. Er macht aus der nächsten Herstellerankündigung eine überprüfbare Unternehmensentscheidung.
Quellen
- Microsoft AI: Frontier Pre-training at Microsoft AI, 15. Oktober 2026 – Herstellerangaben zu Modell, Evaluation und Entwicklungsstand.
- Microsoft Learn: Data, privacy, and security for Foundry Models – allgemeiner Kontext zu Verarbeitungsorten; keine MAI-Base-2-spezifische Zusage.
- Europäische Kommission: Principles of the GDPR – Datenschutzgrundsätze für die betriebliche Einordnung.
