Grok 4.5 arrasó a Claude Fable 5 y Opus 4.8: Elon Musk demostró su superioridad en una prueba independiente de agentes de IA
El mercado de agentes de IA está experimentando un cambio tectónico. El modelo Grok 4.5 de SpaceXAI no solo ha confirmado las afirmaciones de Elon Musk, sino que ha destruido a sus competidores en el benchmark AutomationBench-AA, realizado por la plataforma analítica independiente Artificial Analysis.
¿Qué mostró la prueba AutomationBench-AA?
Grok 4.5 ocupó el primer lugar con un resultado de 51,4% de tareas completadas con éxito. En comparación, Claude Fable 5 obtuvo un 48,6% y Claude Opus 4.8 un 48,5%. La brecha de casi 3 puntos porcentuales no son solo números, sino un salto cualitativo en el rendimiento de los agentes.
La prueba incluyó 657 tareas en 40 aplicaciones simuladas, incluyendo Gmail, Slack, Salesforce y HubSpot. La puntuación final refleja la proporción de tareas realizadas sin violar las reglas establecidas, un criterio estricto que excluye las victorias "sucias".
Precio y eficiencia: el principal as bajo la manga de Grok 4.5
Quizás el aspecto más impresionante sea el costo. Grok 4.5 realiza una tarea por $0,34, lo que es 4 veces más barato que Fable 5 ($1,35) y Opus 4.8 ($1,46). El competidor más cercano en precio, Gemini 3.5 Flash a $0,49, sigue perdiendo en rendimiento.
El secreto reside en la arquitectura V9 con 1,5 billones de parámetros. Grok 4.5 utiliza solo unos 8000 tokens de salida por tarea, apenas el 25% de los recursos de Opus 4.8. Esta eficiencia genera una ventaja de precio colosal, en la que Musk apostó al lanzarlo.
Sector financiero: donde Grok 4.5 realmente brilló
En la categoría más difícil de la prueba, finanzas, Grok 4.5 mostró un 71% de ejecuciones exitosas. Fable 5 obtuvo un 64% y Opus 4.8 un 62%. Para las empresas que implementan agentes en sistemas financieros reales, esta es una brecha crítica.
Sin embargo, hay un matiz: el modelo infringe las reglas con más frecuencia que sus competidores, con un promedio de 0,63 infracciones por tarea frente a 0,55 de Opus 4.8 y 0,46 de Gemini 3.5 Flash. En finanzas, una sola infracción puede traducirse en pérdidas notables, por lo que este es un punto débil que SpaceXAI debe abordar.
Mi opinión experta: Grok 4.5 es el líder indiscutible en relación calidad-precio para la adopción masiva de agentes de IA. Pero para operaciones financieras de alto riesgo, es mejor considerar modelos más disciplinados como Opus 4.8. El mercado de agentes está entrando en una fase de madurez, y la carrera apenas comienza.