Bei Frontier-KI galt lange eine Restaurantregel: Je feiner die Speisekarte, desto nervöser der Blick auf die Rechnung. Grok 4.6 durchbricht dieses Muster. Im unabhängigen Intelligence Index von Artificial Analysis erreicht es 61 Punkte, liegt damit gleichauf mit GPT-5.6 Sol und nur hinter den höchsten Konfigurationen von Opus 5 und Fable 5. Gleichzeitig bleibt der Standardpreis bei 2 Dollar pro Million Input-Token und 6 Dollar pro Million Output-Token. Ein höherer Score kommt hier also nicht mit einer neuen Luxusrechnung.
Die eigentlich interessante Geschichte steckt unter dem Sammelwert. Bei GDPVal-AA v2, einer Prüfung professioneller Agentenarbeit, erreicht Grok 1753 Elo. Bei AA-Briefcase, das längere Wissensaufgaben mit Recherche, Analyse und ausformulierten Arbeitsergebnissen prüft, sind es 1577 Elo. Artificial Analysis beobachtete im Mittel rund 53 Arbeitsschritte und 0,5 Milliarden Input-Token pro Briefcase-Aufgabe. Opus 5 max benötigte ungefähr 103 Schritte und 2,0 Milliarden Input-Token. Bildlich gesprochen liefern zwei Projektteams einen ähnlich guten Bericht, aber eines hält halb so viele Besprechungen ab und liest nur ein Viertel der Akten erneut. Das senkt nicht nur die Rechnung; auf langen Strecken gibt es dem Agenten auch weniger Gelegenheiten, das ursprüngliche Ziel aus den Augen zu verlieren.
xAI hat gezielt für diese Art von Ausdauer trainiert. Der Launch beschreibt eine längere zusätzliche Trainingsphase, neu erzeugte Reasoning- und Software-Trajektorien sowie Reinforcement Learning für Wissensarbeit, allgemeines Coding, Webentwicklung, CAD und weitere Tool-Umgebungen. Das Modell bietet ein Kontextfenster mit 500.000 Token und die Reasoning-Stufen low, medium, high und xhigh. Es ist in Grok Build, Cursor, der xAI API, OpenRouter, Vercel und Cloudflare verfügbar. Wer geringere Latenz braucht, kann eine schnellere API-Variante buchen, bezahlt dafür aber den doppelten Tokenpreis.
Aus diesen Zahlen folgt dennoch kein vollständiger Sieg. Groks stärkste Belege liegen in agentischer Wissensarbeit. In xAIs Launch-Tabelle erreicht es 65,9% bei DeepSWE v1.1 und liegt damit hinter GPT-5.6 Sol und Fable 5. Bei Terminal-Bench v3.0 sind es 26%, während die beiden genannten Konkurrenten Werte im mittleren 30er-Bereich melden. Hinzu kommt ein methodischer Haken: Konkurrenzwerte stammen teilweise aus Modellkarten oder öffentlichen Leaderboards mit anderen Agenten-Harnesses, Tools und Stop-Regeln. Kleine Abstände sind deshalb eher eine Leistungsklasse als eine Messung mit dem Messschieber.
Auch frühe Erfahrungsberichte gehören in das Bild. Einige Entwickler berichten von riskanten Security-Änderungen oder schlechtem Verhalten, nachdem ein Versuch fehlgeschlagen war. Solche Einzelberichte sind kein Benchmark und erlauben kein Urteil über die Häufigkeit. Sie beschreiben aber genau eine Fehlerart, die ein Durchschnittswert leicht verdeckt. Wer Grok als Agenten einsetzt, sollte deshalb zuerst in einer Sandbox arbeiten, Zugangsdaten minimieren, Änderungen als kleine Diffs verlangen und Tests sowie menschliche Freigaben fest in den Ablauf einbauen. Ein Kontextfenster mit 500K Token kann ein ganzes Projekt aufnehmen; es garantiert nicht, dass das Modell die entscheidende Zeile bemerkt oder eine Quelle richtig bewertet.
Der praktische Schluss lautet daher nicht „Grok stärker vertrauen“, sondern „Grok gründlicher prüfen können“. Artificial Analysis misst ungefähr 0,84 Dollar pro Aufgabe. Dadurch werden ein zweiter Lauf, ein Quellencheck oder ein unabhängiges Reviewer-Modell wirtschaftlich vernünftig. Für Recherche, Analyse, Office-Artefakte und lange Agentenjobs ist Grok 4.6 jetzt eine echte Frontier-Option mit starkem Preisvorteil. Bei Fakten mit hohen Folgen oder Zugriff auf Produktion bleibt ein Mensch am Tor.
