AI画像生成ツールで仕事をしようとすると、決まって壁にぶつかる。ポスターに店名を入れようとすると文字が歪み、商品パッケージにブランドメッセージを配置しようとすると別の文字が紛れ込む。OpenAIやGoogleの最新モデルがその壁を少しずつ突き崩してきた一方、Microsoftのモデルは商業用途で名前すら挙がらないことが多かった。
2026年5月26日、MAI Superintelligence TeamがMAI-Image-2.5を発表し、ユーザー評価を基盤とするArena text-to-imageリーダーボードで即座に3位を獲得した。つまり、500万票超の実際のユーザー投票が、マーケティング資料ではなく生の評価として、これまで余り評価がされてこなかったMicrosoftの独自AIに対して積み上がっているのだ。
Arena 3位という数値の意味
AI画像生成の「性能ランキング」は各社が自社ベンチマークで主張するため、客観的な比較が難しい。Arenaのリーダーボードはその問題を回避するために盲検投票方式（モデル名を非表示にしたA/B比較）を採用している。ユーザーはどのモデルが生成したか知らない状態で2つの画像を見比べ、好みの方を選ぶ。モデル名もロゴも表示されず、純粋に画像の質だけで判断が下される。2026年5月25日時点で64モデル・5,296,169票という規模のデータが積み上がっており、業界では事実上の標準的客観指標として機能している。
MAI-Image-2.5のArenaスコアは1,254点で、前モデルMAI-Image-2から約72点の改善が複数メディアで報告されている（ただしMicrosoftの公式ブログには具体的なスコア数値の記載はなく、独立した集計に基づく数値だ）。ArtificialAnalysisの集計では1位GPT Image 2（Elo 1,338点）、2位GPT Image 1.5（Elo 1,267点）と、OpenAIが上位2枠を押さえており、MAI-Image-2.5はその直後に続く。Google Imagen 4（4位相当）を上回る3位という着地で、OpenAIが独占してきたトップ圏にMicrosoftが割り込んだ格好だ。
ArenaのEloスコアは、上位圏では10〜20点の差でも明確な実力差を意味する。ゲームのレーティングシステムと同じ設計で、上位ほど1点を積み上げることが難しくなる。前モデルMAI-Image-2が2026年3月にArena 3位に初登場し、2カ月後の後継がその位置を維持・強化したという事実は、偶然の結果ではなく継続的な改善の蓄積を示している。
前バージョンから何がどう変わったのか
MAI-Image-2.5が前モデルから改善した分野としてMAI Superintelligence Teamが挙げるのは、テキストレンダリング、スタイル付きイラスト、商業用画像の3点だ。公式ブログには「前モデルMAI-Image-2から品質が段階的に向上し、テキストレンダリング・スタイル付きイラスト・商業用画像で大幅な改善を実現した」とある。
テキストレンダリングの改善幅は3分野の中でも特に大きく、前モデル比115点という数値が複数のメディアで報告されている。MAI-Image-2では英語・多言語の文字が崩れたり存在しない文字が混在したりする問題が残っていたが、MAI-Image-2.5では文字の形状精度と配置の正確性が向上し、ポスターや看板に文字を配置する用途での実用性が上がったとされる。MAI Superintelligence Teamは「これまで以上に確実にテキストを描画する」と述べている。
スタイル付きイラストの改善は、アニメ風、リアル調、水彩、油絵風といった異なるスタイル指定時の一貫性向上を意味する。MAI-Image-2では特定スタイルの継続指定でも出力ごとにブレが生じやすかったが、テキスト精度（115点改善）ほどの定量的な開示はないものの、前バージョンで顕著だった出力の不安定さが軽減されたと複数メディアが報告している。商業用画像については、製品写真や広告素材で求められる「演出感と写実性のバランス」が改善されており、テキスト精度の改善と並んで広告代理店や社内デザインチームが実務で利用できるクオリティへの接近が評価されている。
テキスト精度が商業利用を変える構造的な理由
AI画像生成において、テキストレンダリングは長年の最大の弱点だった。人間の視覚は文字の崩れに極めて敏感で、「AIっぽさ」を最も強く感じさせる箇所の一つだ。英語の"l"と"1"が混在する、存在しない文字が紛れ込む、カーブした面に貼り付いた文字が歪む——これらの問題が、広告・パッケージ・ポスター制作での実用を妨げてきた。
拡散モデル（ノイズから段階的に画像を生成する方式）をはじめとする多くの画像生成系モデルは、ピクセル単位で「それらしい画像」を生成するよう訓練されており、文字の形状を正確に再現するためのルール理解はアーキテクチャの主目的ではない。文字の描画精度を上げるには、テキスト付き画像データでの追加訓練や専用の損失関数設計が必要になる。MAI-Image-2.5がここで115点の改善を出せたことは、この技術的ハードルに正面から取り組んだ結果と読める。
ポスターに正確な店名を入れる、商品パッケージにブランドメッセージを配置する、マーケティング資料に数値や見出しを組み込む——こうした用途でAI生成画像が実務に直接組み込まれるかどうかは、テキスト精度にかかっている。デザイナーが「文字はあとでPhotoshopで入れる」という回避策を取らずに済む状態になって初めて、AI画像生成は工程に入ってくる。MAI-Image-2.5のテキスト改善は、この一線を越えたかどうかが問われている。
2カ月サイクルのモデル更新とAzure統合——エンタープライズ向け展開の骨格
MAI-Image-2.5のリリース戦略は、単一モデルの成功ではなく継続的な開発サイクルの一部として設計されている。MAI-Image-2の登場が2026年3月、その後継が5月26日のデビューで、更新サイクルはわずか2カ月だ。OpenAIやGoogleの主要画像生成モデルが半年〜1年スパンでの更新が多い中、このペースはMicrosoftの開発リソースの集中度を反映している。
提供チャネルの設計も戦略的だ。現在ArenaでAPIなしに試用可能な状態にあり、MAI PlaygroundおよびAzure AI Foundry経由での提供が2026年6月初旬までに予定されている。ArenaへのデビューとFoundryへの統合をほぼ並行させることで、性能評価と商業展開を同時に進める構造だ。前モデルのMAI-Image-2はAzure Foundryでテキスト入力$5/100万トークン・画像出力$33/100万トークンで提供されており、MAI-Image-2.5の料金は現時点では未発表だが、同様のFoundry統合が前提とされている。
Azure AI Foundryはエンタープライズ向けAIプラットフォームの中核であり、ここに画像生成モデルが組み込まれることは、既存のAzureユーザーにとって追加導入なしで選択肢が増えることを意味する。GoogleのGemini画像生成やOpenAIのGPT Image系がAPIとして広く使われているのと同じ土俵で、MicrosoftはAzureという自社のエンタープライズ基盤を使った普及を狙っている。
Arenaトップ3の定着が意味すること
Arenaの3位定着は、画像AI市場における選択肢の多元化を加速させる。これまでエンタープライズの画像生成はOpenAIかGoogleの二択に近い状況で、Microsoft製モデルは評価対象にすら挙がらないことが多かった。MAI-Image-2が3位を取り、MAI-Image-2.5がその位置を維持した事実は、Microsoftが一時的な成果ではなく上位圏の常連として存在できることを示す。
既存のAzureユーザーにとって、これは特に実用的な意味を持つ。追加コストなしでテキスト精度の高い画像生成を利用できる選択肢がベンダーのインフラ内に入ってくることで、マーケティング資料・社内デザイン資産・パートナー向けコンテンツといった用途でMicrosoft製モデルを検討する動機が生まれる。OpenAIやGoogleのAPIを別途契約せずに済む局面が増えれば、調達コストとベンダー管理の両面でメリットが出る。Arenaのスコア差は現時点では数十点の範囲に収まっており、価格・統合コスト・既存インフラとの相性を加味すれば、純粋な性能比較以上に選ばれる可能性がある。