AI Radar
Microsoft продвигает архитектуру, в которой корпоративные агенты, память и контекст не привязаны к одной модели, а поставщика можно менять по требованиям к качеству, цене и соответствию нормам. Стратегию поддерживают рост Azure и Copilot, но ее инфраструктурная цена уже достигла $41 млрд капитальных затрат за квартал.
Сатья Наделла сформулировал принцип прямо: управляющий контур агента — harness, отвечающий за выполнение задач и подключение корпоративных систем, — должен существовать отдельно от модели. Тогда компания сохраняет контроль над данными и может заменить модель в любой момент, не перестраивая весь прикладной слой. Microsoft предлагает этот слой через семейство Copilot, Agent 365, средства безопасности, контекст и память, а в Azure AI Foundry дает выбор более чем из 11 тысяч моделей OpenAI, Anthropic, Mistral, xAI и собственной серии MAI.
Мультимодельный подход уже превращается из заявления в наблюдаемое поведение клиентов. Azure AI Foundry обслуживает 100 тысяч организаций, его выручка за год более чем удвоилась, а число клиентов, одновременно использующих модели нескольких поставщиков, с начала года выросло в пять раз. Microsoft подчеркивает, что сменяемость помогает оптимизировать производительность, стоимость и соответствие требованиям, а также уменьшает риск отказа или ограничений со стороны одной модели. Одновременно это ставит компанию в более прямую конкуренцию с OpenAI и Anthropic, которые сами развивают агентные платформы и приложения вокруг своих моделей.
Спрос подтверждается показателями прикладных продуктов. Microsoft 365 Copilot превысил 30 млн платных мест, а число заказчиков с более чем 50 тысячами мест за год увеличилось более чем в семь раз. Agent 365 за два месяца привлек десятки тысяч компаний, зарегистрировавших почти 40 млн агентов. У GitHub Copilot уже 50 млн пользователей; после введения тарификации по потреблению его квартальная выручка выросла более чем на 60%, а агенты участвуют примерно в трети pull request на GitHub. Для Cowork компания также добавила оплату по использованию, постепенно сочетая лицензии за место с переменной платой за агентную работу.
Основой этой активности остается Azure: его годовая выручка впервые превысила $100 млрд, а квартальный рост Azure и других облачных сервисов составил 43%. Руководство признает, что спрос по-прежнему выше доступных вычислительных мощностей; ускорить рост помогли повышение эффективности CPU- и GPU-кластеров и более быстрый ввод оборудования. За квартал Microsoft в целом получила около $90 млрд выручки и $35,8 млрд чистой прибыли, а за финансовый год — $331,8 млрд и $133,7 млрд соответственно.
За масштаб приходится платить снижением инфраструктурной эффективности. Капитальные затраты за квартал выросли на 70% до $41 млрд, причем около двух третей пришлось на относительно короткоживущие активы — CPU и GPU, а остальное в основном на дата-центры. Свободный денежный поток снизился на 23% до $19,64 млрд, облачная валовая маржа сократилась с 68% до 65%, а на следующий квартал компания ожидает капзатраты свыше $50 млрд. Microsoft считает закупки ускорителей управляемыми: при изменении спроса их можно затормозить быстрее, чем строительство долгосрочной инфраструктуры.
Отношения с разработчиками моделей при этом остаются одновременно партнерскими, инвестиционными и конкурентными. В квартале переоценка доли в Anthropic принесла Microsoft $3,2 млрд, тогда как инвестиция в OpenAI была уценена примерно на $600 млн; за полный финансовый год OpenAI все же дала около $5 млрд инвестиционной прибыли. Microsoft владеет приблизительно 27% OpenAI и ранее вложила $5 млрд в Anthropic в рамках соглашения, предусматривающего покупку лабораторией облачных услуг Azure на $30 млрд. Финансовая заинтересованность в обеих компаниях не мешает Microsoft строить собственные модели и добиваться, чтобы прикладные отношения с корпоративным клиентом оставались у нее.
Для корпоративных команд отделение агента от модели снижает зависимость от одного поставщика и позволяет менять модель без полной переработки бизнес-процесса. Но переносимость нужно закладывать архитектурно: стандартизировать инструменты и оценки, контролировать хранение контекста и заранее проверять, одинаково ли разные модели соблюдают права доступа и инструкции.
DSML editors review the selection. AI helps deduplicate signals and draft the text; the published edition remains an editorial product, not a feed of individual channels.