Сучасні перегони у розробці великих мовних моделей зміщують акцент із чистого інтелекту на операційну ефективність. У центрі уваги опинилися AI-агенти, здатні автономно керувати складними SaaS-екосистемами — середовищами, де ціна помилки є надвисокою, а вартість обчислювальних ресурсів має критичне значення. Свіжі результати незалежного тестування AutomationBench-AA виявили неочікуваного лідера, який запропонував принципово новий підхід до виконання завдань. Grok 4.5 від SpaceXAI довів: прагматичне управління ресурсами може виявитися значно ефективнішим за стратегію «грубої сили», якою керуються флагмани індустрії.
Індустрія штучного інтелекту вступає в епоху агентності, коли модель трансформується з простого чат-бота на повноцінного оператора програмного забезпечення. Щоб об'єктивно оцінити реальні можливості таких систем, компанія Zapier спільно з Artificial Analysis розробила AutomationBench-AA — один із найсуворіших тестів для AI-агентів. На відміну від стандартних бенчмарків, тут моделі працюють у 40 симульованих середовищах, зокрема Gmail, Slack, Salesforce та HubSpot, взаємодіючи з ними через REST API. Завдання агента — не просто знайти відповідь, а виконати конкретний бізнес-процес, орієнтуючись у зашумленому середовищі з надлишковими та такими, що вводять в оману, даними.
За результатами тестування лідерство здобув Grok 4.5 з показником 51,4%. Модель стала першим представником свого класу, здатною виконати більше половини цілей, не порушивши при цьому встановлені бізнес-правила. Конкуренти від Anthropic опинилися в ролі наздоганяючих: Claude Fable 5 набрав 48,6% (причому у 18% випадків системі був потрібен фолбек на модель Opus), а Claude Opus 4.8 показав результат 48,5%.
Однак справжній тріумф Grok 4.5 полягає не в мінімальному відриві за точністю, а в радикальній оптимізації витрат. Вартість виконання одного завдання для моделі SpaceXAI склала лише 0,34 долара, що в чотири рази дешевше, ніж у Fable 5 (1,35 долара) або Opus 4.8 (1,46 долара).
Цей розрив пояснюється фундаментально різним підходом до генерації відповідей. У той час як Opus 4.8 витрачає на завдання в середньому 32 тисячі вихідних токенів, Grok 4.5 обходиться приблизно 8 тисячами. Ефективність досягається завдяки більш щільному плануванню: модель вирішує задачу приблизно за 16 ітерацій, упаковуючи в кожен хід по 3,3 паралельних виклики інструментів. Така стратегія мінімізує «словесний шум» і скорочує кількість циклів взаємодії з API. У поєднанні з агресивним ціноутворенням за токени (2 долари за мільйон вхідних і 6 за мільйон вихідних) це робить Grok 4.5 безальтернативним варіантом з точки зору економіки масштабування.
Проте висока швидкість і низька вартість мають свою ціну. Аналіз виявив вразливість Grok 4.5 у сфері дотримання жорстких обмежень. Модель допускає в середньому 0,63 порушення на завдання, що помітно більше, ніж у Opus 4.8 (0,55) або Gemini 3.5 Flash (0,46). Для корпоративного сектору, особливо у фінансових системах, де одна помилкова дія в API може призвести до реальних збитків, цей показник стає критичним фактором ризику.
Схожа тенденція спостерігається і в області програмування. У рейтингу Coding Agent Index агент Grok Build набрав 76 балів, що ставить його в один ряд із GPT-5.5 (xhigh) і робить майже рівним Fable 5 (max). Але і тут економічний розрив виглядає приголомшливо: виконання завдання в Grok Build коштує 2,49 долара, тоді як Fable 5 потребує 11,80 долара, а GPT-5.5 — 5,07 долара. Різниця у споживанні ресурсів колосальна: Grok витрачає 1,9 млн токенів проти 7,2 млн у Fable 5.
Якщо розглядати загальну картину через Intelligence Index, Grok 4.5 посідає четверте місце з 54 балами, поступаючись Fable 5, GPT-5.5 та Opus 4.8. Порівняно з попередньою версією (Grok 4.3) модель додала 16 пунктів, що свідчить про стрімке зростання. Однак цей прогрес супроводжується небезпечним парадоксом: точність у фактологічному тесті AA-Omniscience зросла з 35% до 52%, але водночас частка галюцинацій підскочила з 25% до 54%. Модель стала знати більше, але при цьому почала помилятися з набагато більшою впевненістю.
Попри ці недоліки, незалежні заміри підтверджують амбіції SpaceXAI. Заява про створення моделі «рівня Opus» тепер виглядає не просто маркетинговим ходом, а технічно обґрунтованим фактом, особливо якщо оцінювати інтелект крізь призму вартості та ефективності виконання реальних робочих завдань.
Ера цифрових рекрутерів у США
