GitHub Copilot

Copilotの既定の頭脳が「自社製」に届く──MicrosoftのMAI-Code-1-Flashが企業向けで正式版に

Microsoft内製のコーディングモデルMAI-Code-1-FlashがCopilot Business/Enterpriseで正式版に。速さに振り切った軽量モデルの実力と導入条件、そしてCopilotの頭脳が自社製へ寄る動きの利点とリスクを整理する。

GitHubの「Copilot」は、多くの開発者にとってAIコーディングの入り口です。その頭脳としてこれまで主役を担ってきたのは、OpenAIやAnthropicといった外部の大規模言語モデル（LLM）でした。ところが2026年6月26日、Microsoft自身が開発したコーディング特化モデルMAI-Code-1-Flashが、Copilot Business と Copilot Enterprise で正式版（一般提供）になりました。6月2日にまずCopilotで使えるようになり、6月18日に対応範囲を広げ、今回ついに企業向けプランで本番運用に乗る——という三段階の総仕上げです。「Copilotの既定の頭脳を、外部頼みから自社製へ寄せていく」というMicrosoftの意思が、ここで一段はっきりしました。

速さに振り切った「軽量・高速」モデル

MAI-Code-1-Flashは、名前のとおり速さを狙った設計です。Microsoftは「日々の開発作業での素早く効率的な支援」のために作ったと説明し、低遅延（レスポンスが返るまでの待ち時間が短いこと）を売りにしています。狙う場面は、エージェントが短いやり取りを何度も繰り返しながらコードを直していく反復的な自動作業です。大きく賢いモデルを一回呼ぶより、軽いモデルを何度も速く回すほうが効く領域がある、という割り切りといえます。

学習のさせ方にも特徴があります。Microsoftによれば、ベンチマーク向けに最適化するのではなく、GitHub Copilotが本番で使う仕組み（ハーネス）そのもので訓練し、リポジトリへの質問応答・リファクタリング・実際の利用ログに基づくタスクで評価したとしています。加えて「他社モデルからの蒸留（出力を真似て学ばせる手法）を行わず、来歴をたどれるクリーンな企業級データで学習した」とも述べています（いずれも同社の説明に基づく）。さらに「適応的な解答長の制御」により、難しい問題ほど最大6割少ないトークンで解くとし、速度とコスト効率の両立をうたっています。

同クラスの軽量モデルとの比較

Microsoftは、同じ「速い軽量モデル」帯にあたるClaude Haiku 4.5との比較値を公開しています。主要な数字を再構成すると次のとおりです（出典: Microsoft AI。数値は同社公表のベンチマーク結果）。

評価項目	MAI-Code-1-Flash	Claude Haiku 4.5
SWE-Bench Pro（実課題の解決率）	51.2%	35.2%
IF Bench（指示追従）	MAI側が +28.9ポイント上回る
SWE-Bench Verified	同等以上を約6割少ないトークンで達成

数字を鵜呑みにする必要はありませんが、少なくとも「軽量モデルでもエージェント的なコーディングで実用域に届きつつある」という流れを裏づける内容です。速さと安さが武器の小さなモデルが、難しいタスクの一部まで肩代わりし始めている、と読めます。

使うには「管理者が開ける」のが前提

企業での利用には、いくつか前提があります。整理すると次のとおりです。

対象プラン: Copilot Business と Copilot Enterprise で正式版として利用可能。
有効化: 管理者がCopilot設定でMAI-Code-1-Flashのポリシーを明示的に有効化するまで、利用者は使えない。既定で全員に開くわけではなく、組織が選んで導入する建て付けです。
課金: 「使った分だけ」の従量課金（usage-based billing）でプロバイダー定価に基づき課金される。6月1日にCopilotがクレジット制へ移行した流れの上に乗ります。

導入の現実解としては、まず一部のチームや反復作業（テスト修正、定型的なリファクタリングなど速度が効く工程）でMAI-Code-1-Flashを試し、難易度の高い設計や込み入った不具合は上位モデルに振り分ける——というモデルの使い分けが素直です。速い軽量モデルと賢い大型モデルを役割で分けると、待ち時間とコストの両方を抑えやすくなります。

外部依存を薄める一手、その裏で

今回の動きは、MicrosoftがCopilotの中核を自社モデルへ垂直統合していく布石とみるのが自然です。外部LLMへの依存を薄めれば、コストや提供条件を自分でコントロールしやすくなります。利用者にとっても、速くて安い選択肢が既定に近づくのは利点でしょう。

一方で、いくつかの懸念も指摘できます。第一に、軽量・高速モデルは万能ではなく、最難関のタスクで上位モデルに及ばない場面は残るため、用途を見極めずに既定として広げると品質が下がる恐れがあります。第二に、プラットフォーム提供者が自社モデルを推す構図は、長期的にはモデル選択の幅やロックイン（囲い込み）に注意が要ります。どのモデルにどの作業を任せるかを組織として管理し、必要なら他社モデルへ切り替えられる余地を残しておく——そうしたガバナンスの観点も併せて持っておきたいところです。なお「他社モデルからの蒸留なし」「クリーンな企業級データ」といった点はMicrosoftの説明であり、第三者検証が進めばより確かになります。

派手なモデル発表ではありませんが、開発の現場で最も使われる入り口の一つが、静かに「自社製の頭脳」へ寄っていく——MAI-Code-1-Flashの企業向け正式版は、その地殻変動を示す一手です。

参照: MAI-Code-1-Flash for Copilot Business and Copilot Enterprise（GitHub Changelog）／ Introducing MAI-Code-1-Flash（Microsoft AI）／ MAI-Code-1-Flash available on more Copilot surfaces（GitHub Changelog）／ MAI-Code-1-Flash is now available for GitHub Copilot（GitHub Changelog）