Ein Viertel der Kosten, 25 Prozent höhere Token-Effizienz und bessere Codequalität – das meldet Microsoft für sein neues KI-Modell MAI-Code-1.1-Flash. Seit August 2026 läuft es produktiv in GitHub Copilot. Die Zahlen veröffentlichte Microsoft auf seinem AI-Blog. Sie zeigen: KI-gestützte Softwareentwicklung wird leistungsfähiger und wirtschaftlicher.
Für dich als Entwicklerin oder Entwickler heißt das: Der KI-Assistent wird besser, ohne dass du mehr bezahlst – im Gegenteil. Der Preis liegt bei einem Viertel des Vorgängermodells MAI-Code-1.0. Wie Microsoft das erreicht und was die Verbesserungen bedeuten, sehen wir uns jetzt an.
Was ist MAI-Code-1.1-Flash?
MAI-Code-1.1-Flash ist ein kompaktes Sprachmodell für die Codegenerierung. Es folgt auf MAI-Code-1.0, das Microsoft im Juni auf der Build-Konferenz vorgestellt hatte. Während viele Unternehmen auf immer größere Parameterzahlen setzen, bleibt Microsoft bewusst klein und effizient – dafür stark spezialisiert auf Entwicklungsaufgaben.
Es arbeitet in GitHub Copilot und Visual Studio Code. Du bekommst Vorschläge für Codezeilen, ganze Funktionen oder Refactorings, ohne die IDE zu wechseln. Das Modell versteht den Kontext deines Repositories und generiert passende Lösungen. Es liefert nicht nur einzelne Snippets, sondern kann über mehrere Schritte arbeiten – etwa eine Datei analysieren, Fehler finden und korrigieren.
Microsoft hat bei der Entwicklung besonders auf zwei Bereiche geachtet: Befehlszeilen-Tools (CLI) und .NET-Projekte. Dort lagen die größten Schwachstellen des Vorgängers. Gezielte Nachbesserungen erklären den Sprung in den Benchmarks, die wir uns gleich ansehen.
Die wichtigsten Zahlen im Überblick
Im Vergleich zum Vorgänger verbessert sich MAI-Code-1.1-Flash um 22 Prozent bei Terminal-Bench 2.1, einem Benchmark für CLI-Aufgaben. Bei .NET-Aufgaben sind es 15 Prozent mehr Leistung. Dazu kommt die Effizienz: Das Modell erzeugt 25 Prozent weniger Tokens für die gleiche Aufgabe, und die Ausgabe ist 25 Prozent schneller. Tokens sind die Bausteine, in die ein Sprachmodell Text zerlegt – jedes Wort, jedes Satzzeichen. Weniger Tokens bedeutet: Antworten kommen schneller, und jede Anfrage verbraucht weniger Rechenleistung.
Diese Effizienzgewinne zeigen sich im Preis. Microsoft gibt an, dass die Nutzung nur noch ein Viertel von MAI-Code-1.0 kostet. Das ergibt sich aus einer besseren Serving-Infrastruktur und Training auf echte Anwendungsfälle. Ob das hält, muss die Praxis zeigen.
Auch die produktionsnahen Kennzahlen sind relevant: Die Überlebensrate des generierten Codes stieg um 4 Prozent, die Rückkehrerrate in Copilot um 9 Prozent. „Code-Überleben“ heißt: Der generierte Code läuft nach einer gewissen Zeit noch im Produktivsystem, ohne verworfen zu werden. Das spricht für die Alltagstauglichkeit.
Warum Token-Effizienz so wichtig ist
Wer mit KI-Codegenerierung arbeitet, kennt das Warten. Das Modell denkt, dann kommen nach und nach Tokens – bei langen Funktionen kann das dauern. Mit 25 Prozent weniger Tokens pro Aufgabe verkleinert sich dieser Flaschenhals. Stell dir vor, du bittest die KI um eine CRUD-API: Im Vorgänger kamen vielleicht 2000 Tokens, jetzt sind es 1500. Keine Revolution, aber über einen Arbeitstag summiert sich das.
Hinzu kommt die schnellere Token-Ausgabe. Weniger Tokens und höhere Geschwindigkeit bedeuten im Schnitt mehr als doppelt so schnelle Ergebnisse. Das spart Zeit – und Geld, wenn du pro API-Aufruf bezahlst. In einer internen Umgebung reduziert es die Serverlast.
Microsoft erklärt die Effizienz so: Das Modell wurde in über hunderttausend Reinforcement-Learning-Umgebungen trainiert, die typische Entwicklerarbeit simulieren. Dabei lernte es, unnötige Codeschnipsel wegzulassen und sich auf das Wesentliche zu konzentrieren. Das Ergebnis ist eine schlankere, aber vollständige Ausgabe.
Was die Verbesserungen für deine tägliche Arbeit bedeuten
Wenn du GitHub Copilot nutzt, spürst du den Wechsel auf MAI-Code-1.1-Flash sofort – auch ohne in die Einstellungen zu schauen. Die Vorschläge kommen schneller und sind kontextbewusster. Bei CLI-Skripten und PowerShell-Befehlen soll das Modell deutlich treffsicherer sein als der Vorgänger. Das deckt sich mit dem 22-Prozent-Sprung im Terminal-Bench.
Für .NET-Entwickler ist das besonders relevant, weil Microsoft hier explizit nachgebessert hat. In C# oder F# siehst du weniger Fehler im generierten Code und musst seltener korrigieren. Das reduziert den Review-Aufwand – die Zeit, den KI-Vorschlag zu prüfen. Ganz weg ist dieser Schritt nie, aber die höhere Überlebensrate zeigt, dass weniger Korrekturen nötig sind.
Auch für Teams, die Kosten sparen müssen, zählt das. Der Preis pro Million Tokens ist auf ein Viertel gefallen. Das macht KI-Assistenten auch für Unternehmen attraktiv, die bisher wegen Budgets zögerten. In einem kleineren Team kann das den Unterschied machen zwischen „KI nur für Prototypen“ und „KI fest im Entwicklungsprozess“.
Ein Blick hinter die Kulissen: Reinforcement Learning in der Praxis
Microsoft beschreibt den Prozess als „Hill-Climbing-Maschine“: Das Modell wird eingesetzt, sammelt Feedback aus Millionen Nutzungsszenarien, jede Version wird besser. Der Schlüssel ist Reinforcement Learning – ein Trainingsverfahren mit Belohnungen. Hier war die Belohnung, ob der generierte Code in einer simulierten Umgebung korrekt lief.
Die Trainingsumgebungen waren vielfältig genug, dass das Modell nicht nur Syntax lernte, sondern auch typische Fehler vermied. Es versteht, dass Variablen nicht neu deklariert werden müssen, wenn sie existieren, oder dass Fehlerbehandlung besser ist als stilles Ignorieren. Solche Feinheiten unterscheiden ein generisches Modell von einem echten Code-Assistenten.
Der Prozess folgt einem einfachen Prinzip: veröffentlichen, lernen, verbessern, wiederholen. Jede Version läuft in GitHub Copilot, anonymisierte Nutzungsdaten fließen zurück. Microsoft leitet daraus die Prioritäten für die nächste Iteration ab. Das Modell profitiert von allen Nutzern – ein Kreislauf, der sich selbst verstärkt.
So testest du MAI-Code-1.1-Flash selbst
Du musst nichts tun, um das neue Modell auszuprobieren – es ist in GitHub Copilot aktiv. Microsoft hat es in Produktion genommen, alle Nutzer profitieren automatisch. Sollte dir etwas auffallen, das schlechter ist als vorher, kannst du auf der GitHub-Seite ein Issue anlegen. Microsoft bittet um Feedback für die nächste Version.
Für eigene Evaluierungen lohnt der Blick auf die offenen Benchmarks. Terminal-Bench 2.1 und die .NET-Tests sind öffentlich einsehbar. Wenn ihr schon mit Copilot arbeitet, könnt ihr die neuen Kennzahlen in eure Entscheidungen einbeziehen. Die Praxis wird zeigen, ob die Werte halten.
Die KI-Codegenerierung wird günstiger und erwachsener. Microsoft zeigt: Größere Modelle sind nicht immer besser. Effizienz und Praxisorientierung zählen. Für Entwickler heißt das: Eine KI, die schneller antwortet, weniger Ressourcen verbraucht und weniger kostet, ist ein Werkzeug, das du ernsthaft nutzen solltest – falls du es nicht schon tust.
Quelle: microsoft.ai
