Microsoft hat MAI-Image-2 vorgestellt, sein neuestes internes Text-zu-Bild-Modell, das realistischere und besser nutzbare Bilder für kreative Arbeiten erzeugen soll. Die Veröffentlichung markiert den zweiten großen Schritt des Unternehmens beim Aufbau einer eigenen Technologie zur Bildgenerierung – nach MAI-Image-1.
Microsoft positioniert MAI-Image-2 als Werkzeug für kreative Workflows aus der Praxis und nicht nur für visuelle Experimente. Nach Angaben des Unternehmens legt das Modell besonderen Wert auf Fotorealismus und Benutzerfreundlichkeit.
„MAI-Image-2 wurde für Kreative entwickelt, die Bilder wollen, die wirken, als existierten sie in der realen Welt – mit natürlichem Licht, realistischen Hauttönen und Umgebungen, in denen man das Leben spürt“, schrieb Microsoft AI in einem Blogbeitrag. Das Unternehmen ergänzt, dass dieser Ansatz die Bearbeitungszeit verkürzen soll, damit Kreative „weniger Zeit mit Korrekturen in der Postproduktion verbringen und mehr Zeit mit dem eigentlichen Schaffen.“
Ein seit Langem bestehendes KI-Problem lösen: Text in Bildern
Eine der größten Verbesserungen von MAI-Image-2 ist die Fähigkeit, lesbaren und konsistenten Text in Bildern zu erzeugen – ein bekannter Schwachpunkt vieler KI-Modelle.
Microsoft zufolge kann das Modell zuverlässig Bilder mit Textelementen wie Postern, Infografiken, Folien und Diagrammen erzeugen, wobei „zwischen Anweisung und Umsetzung nur wenig verloren geht“. Diese Verbesserung eröffnet weitere praktische Einsatzmöglichkeiten, insbesondere für Designer und Marketingfachleute, die auf textlastige Bilder angewiesen sind.
Anders als frühere Modelle, die sich stark auf technische Benchmarks konzentrierten, wurde MAI-Image-2 mit dem Feedback von Fotografen, Designern und visuellen Geschichtenerzählern entwickelt.
Microsoft zufolge halfen diese Mitwirkenden dabei, zentrale Lücken bestehender Werkzeuge zu identifizieren – insbesondere beim Realismus, bei der Textgenauigkeit und bei der Fähigkeit, komplexe oder filmische Szenen zu erzeugen. Das Modell ist außerdem auf fantasievollere Ergebnisse ausgelegt, darunter surreale Konzepte und äußerst detaillierte Kompositionen.
Aufstieg in der Rangliste, aber noch nicht an der Spitze
MAI-Image-2 ist bei Arena.ai schnell in der Rangliste aufgestiegen. Microsoft zufolge hat das Modell die MAI-Familie weltweit unter die Top drei der Text-zu-Bild-Labore katapultiert.
Allerdings zeigen die Ranglisten dass es weiterhin hinter Wettbewerbern wie Googles Gemini-Modellen und OpenAIs GPT-Image-Systemen zurückliegt. Dennoch ist der Sprung bemerkenswert: MAI-Image-1 debütierte auf einem deutlich niedrigeren Niveau, was für Microsofts interne KI-Bemühungen einen klaren Fortschritt bedeutet.
„Unser Team hat für diese Veröffentlichung unglaublich hart gearbeitet, und wir gehören jetzt zu den besten Modellen da draußen“, sagte Mustafa Suleyman, CEO von Microsoft AI, in einem Post auf X.
Einführung im gesamten Microsoft-Ökosystem
MAI-Image-2 wird bereits in Microsofts Produktangebot integriert. Nutzer können es heute im MAI Playground testen, während die Einführung für Copilot und Bing Image Creator begonnen hat.
Auch der Zugang für Unternehmen ist angelaufen: Ausgewählte Kunden können das Modell über eine API nutzen. Eine breitere Verfügbarkeit für Entwickler wird demnächst über Foundry erwartet.
Die Veröffentlichung erfolgt, während Microsoft den Aufbau eigener KI-Modelle im Unternehmen weiter vorantreibt, anstatt sich ausschließlich auf seine enge Partnerschaft mit OpenAI zu verlassen, die zuvor große Teile von Bing und Copilots Bildgenerierung angetrieben hat. Sie folgt außerdem auf einen Wechsel an der Unternehmensspitze. Suleyman wechselte im November 2025 in eine Vollzeitrolle als Leiter des Teams für KI-Superintelligenz, und dies ist das erste öffentliche Modell seit dieser Veränderung.
„Ich bin wirklich stolz auf unsere Fortschritte bei Modellen und Produkten – bleibt gespannt auf neue Veröffentlichungen und kommt zu uns auf unserer Mission zur Superintelligenz“, ergänzte Suleyman in seinem X-Post.
Ebenfalls lesenswert: KI-Bildtools werden schnell besser, aber welche Option die beste ist, hängt weiterhin davon ab, ob man Fotorealismus, Geschwindigkeit, Bearbeitungsfunktionen oder eine sauberere Textdarstellung benötigt.