MAI-Base-2 de Microsoft: 2,8T de parámetros, 80B activos y una promesa de eficiencia que pone contra las cuerdas a DeepSeek

Microsoft ha presentado MAI-Base-2, un modelo de arquitectura Mixture-of-Experts con 2,8 billones de parámetros totales y 80B activos, y ha soltado en la misma nota una cifra que va a reordenar el tablero del preentrenamiento: entre 4x y 12x más eficiencia en FLOPs que DeepSeek-V4-Pro-Base. No es un benchmark de razonamiento ni una demo bonita de un agente. Es una declaración de intenciones sobre el coste real de fabricar modelos frontera, el cuello de botella silencioso que ninguna agencia de IA española puede ignorar.

TL;DR: Microsoft publica MAI-Base-2, un MoE de 2,8T parámetros totales y 80B activos, y reclama 4x-12x más eficiencia en cómputo de preentrenamiento frente a DeepSeek-V4-Pro-Base. Si la cifra se sostiene en evaluación independiente, el coste de entrenar modelos de frontera cae drásticamente y el ecosistema de agentes IA empresariales se abarata. La letra pequeña: se trata de un modelo base, no post-entrenado, y el claim es autoinformado.

El claim de eficiencia que Microsoft quiere que compres

Vamos a lo incómodo primero. La afirmación de 4x-12x más eficiencia en FLOPs de preentrenamiento es un rango, no un número cerrado. Cuando una compañía anuncia un modelo con un rango tan amplio, está reconociendo implícitamente que la ventaja depende del régimen de entrenamiento, del tamaño de secuencia, del data mix y del hardware utilizado. Microsoft AI

Esto no la invalida. La contextualiza.

Lo relevante para un CTO es distinto: si la eficiencia en cómputo de preentrenamiento mejora entre 4 y 12 veces, el coste marginal de entrenar un modelo base de esta escala se desploma. Y si el coste del modelo base cae, el coste del post-entrenamiento, del fine-tuning vertical y del despliegue de agentes especializados cae con él. No de forma lineal, pero cae.

Comparado con MAI-Base-1 —sobre el que Microsoft post-entrenó MAI-Thinking-1 en junio de 2026—, el salto de arquitectura es notable. MAI-Thinking-1 fue el primer modelo de razonamiento generalista que Microsoft enseñó al mundo como producto. MAI-Base-2 es la nueva capa de cimientos sobre la que se construirá MAI-Thinking-2, presumiblemente.

La elección de DeepSeek-V4-Pro-Base como punto de comparación tampoco es casual. DeepSeek es hoy el referente de eficiencia en la comunidad de modelos abiertos y semiabiertos. Elegir ese sparring significa que Microsoft quiere competir, precisamente, en el terreno donde el laboratorio chino ha construido su reputación: hacer más con menos.

Qué significa realmente un MoE de 2,8T con 80B activos

Para quien no vive en los papers, la arquitectura Mixture-of-Experts funciona así: el modelo tiene 2,8 billones de parámetros, pero solo activa 80B por token procesado. Es decir, el coste de inferencia se parece más al de un modelo de 80B que al de uno de 2,8T, mientras que la capacidad de representación se parece mucho más al segundo.

El ratio de activación es clave. Con 80B activos sobre 2,8T totales hablamos de activar aproximadamente el 2,8% de los parámetros en cada forward pass. Es un MoE agresivamente disperso. Eso abarata la inferencia por token, pero complica la orquestación de expertos: el balanceo de carga entre expertos puede degradar la latencia p99 en producción, algo que en un contexto de agentes IA autónomos con múltiples llamadas encadenadas se multiplica.

Este es el punto que la nota de prensa no te va a contar: la eficiencia de preentrenamiento y la eficiencia de despliegue son dos cosas distintas. Un modelo que cuesta menos entrenar no necesariamente cuesta menos servir. Y en agentes autónomos, donde un solo flujo de trabajo puede encadenar decenas de inferencias, la latencia p99 es más importante que el coste por millón de tokens del benchmark.

Aun así, si el coste de preentrenamiento cae 4x-12x, la barrera de entrada para que un laboratorio medio o un fabricante vertical (seguros, salud, legal) construya su propio modelo base se reduce drásticamente. Eso reordena el mercado de proveedores: menos dependencia de APIs cerradas, más modelos verticales afinados.

La presión sobre el pricing de la inferencia

Aquí es donde la noticia deja de ser un titular técnico y se convierte en una palanca financiera. Si Microsoft sostiene esta curva de eficiencia, tiene margen para bajar el precio de sus endpoints de razonamiento sin destruir su margen bruto. Y si Microsoft baja precios, OpenAI, Google y Anthropic tienen que decidir si seguir o ceder cuota en el segmento empresarial.

Modelo	Parámetros totales	Activos	Claim de eficiencia	Estado
MAI-Base-2 (Microsoft)	2,8T	80B	4x-12x vs DeepSeek-V4-Pro-Base	Base, no post-entrenado
DeepSeek-V4-Pro-Base	No publicado	No publicado	Referencia de comparación	Base
MAI-Thinking-1	No publicado	No publicado	Post-entrenado sobre MAI-Base-1	Productivo

La tabla deja un hueco evidente: Microsoft no ha publicado los parámetros de DeepSeek-V4-Pro-Base ni de MAI-Thinking-1. Eso hace que el claim sea, de momento, no falsable externamente. Un analista serio debería anotar esa ausencia antes de reescribir su business case.

Dicho esto, hay una señal de mercado que sí es verificable: la cadencia de releases. MAI-Base-2 llega apenas cuatro meses después de MAI-Thinking-1. Microsoft está comprimiendo sus ciclos. Eso indica que la inversión en cómputo de entrenamiento sigue acelerando y que la organización de IA de Microsoft está capturando retornos operativos visibles.

Para las empresas que buscan una consultoría IA sólida, este ritmo es una advertencia: cualquier arquitectura técnica que hoy sea estado del arte caduca en uno o dos trimestres. La decisión inteligente ya no es "qué modelo elijo", sino "cómo construyo capas de abstracción que me permitan cambiar de modelo sin reescribir el producto".

El verdadero reto para las agencias españolas

A diferencia de lo que sugiere el anuncio oficial, el impacto de MAI-Base-2 no será inmediato en los despliegues empresariales españoles. MAI-Base-2 es un modelo base: no está instruido, no está alineado, no tiene herramientas ni función de llamada a APIs. Es materia prima, no producto.

El valor para el ecosistema local aparecerá cuando Microsoft post-entrene MAI-Base-2 y lo ofrezca vía Azure AI Foundry, o cuando libere suficientes artefactos para que terceros lo afinen. Ahí es donde las agencias IA en Madrid y las agencias IA en Barcelona tendrán una ventana real: modelos base potentes y baratos de afinar significan verticales específicas (banca, seguros, retail, administración pública) entrenadas con datos propietarios y a un coste que hace dos años era impensable.

El ecosistema de agencias IA en Barcelona ya está posicionándose en esa capa de fine-tuning vertical. El patrón que estamos viendo en los últimos trimestres es claro: modelos frontera cada vez más baratos en su capa base, y valor diferencial migrando hacia los datos propietarios, la orquestación de agentes y la integración con sistemas heredados. Eso es exactamente el negocio de una agencia de integración de IA.

Hay otro ángulo, más incómodo. Si entrenar un modelo base cuesta 4x-12x menos, la excusa presupuestaria para no construir un modelo vertical propio se cae. Los equipos de producto que llevan dos años diciendo "no podemos competir con OpenAI" van a tener que justificar por qué no construyen al menos un modelo especializado en su dominio. La defensa razonable seguirá siendo el dato propietario, pero la defensa "es demasiado caro" se agrieta.

DeepSeek, el rival incómodo (y útil)

Elegir DeepSeek-V4-Pro-Base como referencia comparativa es un movimiento inteligente de posicionamiento. DeepSeek representa hoy la narrativa de eficiencia extrema desde China, con fuertes restricciones de cómputo y una ingeniería de sparsity agresiva. Si Microsoft dice que es 4x-12x más eficiente que ellos, está diciendo dos cosas a la vez: que respeta al adversario y que quiere arrebatarle el título.

El problema del que nadie habla: eficiencia en FLOPs de preentrenamiento no es lo mismo que eficiencia de datos. Un modelo puede ser 10x más eficiente en cómputo y necesitar 3x más tokens para alcanzar el mismo benchmark. Microsoft no ha desglosado la cifra en esa dimensión, y hasta que no lo haga, cualquier comparación con DeepSeek es parcial.

La nota original de Microsoft AI publicada vía Techmeme no incluye números de tokens, ni curva de pérdida, ni benchmarks downstream. Es un anuncio de arquitectura, no una evaluación. Los equipos técnicos que lo lean como si fuera un paper van a equivocarse.

Implicaciones para quien despliega agentes IA en producción

Si tu roadmap incluye agentes IA en los próximos doce meses, esta noticia cambia tres cosas concretas:

Primero, la economía de construir una capa de razonamiento propia se abarata. Un modelo vertical afinado sobre un base como MAI-Base-2 puede salir a un coste por token diez veces inferior al de un endpoint frontera, a cambio de perder algo de generalidad. Para agentes que operan en dominios estrechos (cobros, triaje legal, atención técnica nivel 1), esa compensación es casi siempre ganadora.

Segundo, el argumento "usa el mejor modelo y no te compliques" pierde fuerza. Cuando el diferencial de calidad entre el mejor modelo y un modelo especializado cae por debajo del 5% en tareas de dominio, la ventaja se traslada al coste operativo. Y ahí, un MoE de 80B activos bien afinado es imbatible.

Tercero, el coste de la evaluación sube. Si cambias de modelo cada trimestre, necesitas un pipeline de evaluación serio, con conjuntos de test propietarios y métricas por caso de uso. Las agencias de automatización con IA que están ganando proyectos en 2026 no son las que integran mejor los modelos, son las que tienen mejores frameworks de evaluación.

Un mercado de dos velocidades

La foto que deja MAI-Base-2 no es la de un modelo, es la de una tendencia: el coste de construir capacidad de frontera cae, y con él cae la excusa para no especializarse. La próxima ola de valor no vendrá de tener acceso a los mejores modelos —eso lo tendrá casi todo el mundo—, sino de saber cuál usar para cada tarea, cómo combinarlos y cómo medirlos sin autoengañarse.

Microsoft lo sabe. Por eso no compite solo por el benchmark, compite por la capa de orquestación empresarial (Azure AI Foundry, Copilot, agentes embebidos). Si el modelo base es barato de construir y el runtime está integrado, el foso competitivo de Microsoft no es el modelo, es la distribución. Los que se enamoren del claim de eficiencia se perderán lo importante: que Microsoft quiere ser la capa donde tu empresa nunca deje de pagar por orquestar agentes IA.

La pregunta estratégica para cualquier CTO no es si MAI-Base-2 es mejor que DeepSeek-V4-Pro-Base. Es si en 2027 tu empresa seguirá alquilando la capa de razonamiento o habrá construido al menos un modelo vertical que le dé ventaja real. Con estos números, ya no hay excusa técnica. Solo decisiones.

Preguntas frecuentes sobre MAI-Base-2

¿Qué es MAI-Base-2 de Microsoft?

MAI-Base-2 es un modelo fundacional de arquitectura Mixture-of-Experts presentado por Microsoft AI, con 2,8 billones de parámetros totales y 80B activos por token. Es un modelo base, no post-entrenado, lo que significa que sirve como cimiento para construir modelos especializados o de razonamiento posteriores, como se hizo con MAI-Thinking-1 sobre MAI-Base-1.

¿Cuánto cuesta usar o entrenar MAI-Base-2?

Microsoft no ha publicado precios ni coste de entrenamiento. La cifra relevante es la eficiencia en FLOPs de preentrenamiento: 4x-12x mejor que DeepSeek-V4-Pro-Base según el claim oficial. Si se confirma, el coste de producir un modelo base equivalente cae drásticamente, aunque el coste de inferencia depende del despliegue y del balanceo de expertos.

¿MAI-Base-2 o DeepSeek-V4-Pro-Base: cuál elegir?

Depende del caso de uso. MAI-Base-2 es una arquitectura nueva con un claim de eficiencia autoinformado; DeepSeek-V4-Pro-Base es la referencia consolidada de eficiencia en modelos semiabiertos. Para producción empresarial, la decisión se toma sobre el modelo post-entrenado y disponible vía API, no sobre el modelo base, por lo que hoy no son comparables en términos operativos.

¿Puedo usar MAI-Base-2 en producción?

No directamente. MAI-Base-2 es un modelo base sin instrucciones, sin alineación y sin soporte de tool calling. Para uso en producción hará falta esperar a que Microsoft lo exponga post-entrenado vía Azure AI Foundry o similar, o a que terceros lo afinen. Cualquier despliegue actual debería planificarse sobre endpoints ya disponibles y diseñarse para ser modelo-agnóstico.

¿Qué implica MAI-Base-2 para las agencias de IA en España?

Implica que el fine-tuning vertical se abarata. Agencias de IA en Madrid, Barcelona y otras ciudades podrán construir modelos especializados por sector con costes de preentrenamiento mucho menores, trasladando el valor diferencial al dato propietario, la orquestación de agentes y la integración con sistemas heredados. La presión competitiva se moverá del acceso a modelos al diseño de pipelines de evaluación y despliegue.

Temas relacionados en agentes.ai

Si quieres aplicar lo que lees en tu empresa, estos son puntos de partida útiles dentro de agentes.ai:

• Directorio de agencias de agentes de voz
• Agencias de IA en Buenos Aires y en Valencia
• Explora el directorio completo de agencias de IA
• Sigue las últimas noticias de IA en tiempo real