Qué es realmente Grok 4.5
Grok es la plataforma de asistente y API de xAI, y 4.5 es el buque insignia más reciente de la línea. La propia documentación de xAI lo describe como "el modelo de frontera de SpaceXAI construido para programación, tareas agénticas y trabajo de conocimiento" (la empresa ahora presenta su nombre como "SpaceXAI" en todas sus propiedades, aunque el modelo sigue siendo simplemente Grok). En la visión general de modelos encabezan con tres palabras que dicen para quién es: "uso agéntico de herramientas, alucinaciones mínimas, razonamiento configurable".
Algunas cosas son nuevas respecto a la línea Grok 4:
- Una ventana de contexto de 500K tokens, que confirma la página del modelo, con una tarifa más alta a partir del umbral de 200K. Eso equivale aproximadamente a un libro pequeño de contexto en una sola solicitud.
- Razonamiento configurable mediante un ajuste
reasoning_effortcon niveles bajo, medio y alto (alto es el predeterminado), para intercambiar latencia por profundidad en cada llamada. - Alucinaciones mínimas como una afirmación de diseño explícita, que xAI pone en primer plano en lugar de enterrarla en una nota al pie.
- Entrada multimodal, que acepta texto e imágenes y devuelve texto, según la página de detalle del modelo.
- Herramientas integradas del lado del servidor, incluyendo llamadas a funciones, búsqueda web, búsqueda en X y ejecución de código directamente a través de la API.
Ya está disponible en muchos lugares desde el primer día: la API de xAI, como modelo predeterminado en el agente de codificación Grok Build de xAI, dentro de Cursor, como predeterminado en los complementos de Microsoft Office, y a través de gateways como OpenRouter y Vercel. El acceso a la API en la UE fue la única brecha en el lanzamiento, listado como "esperado más adelante este mes".
Si has leído nuestro análisis sobre las actualizaciones de Claude de Anthropic para el soporte, el patrón aquí resulta familiar: un modelo sólido de código y agentes, con precio competitivo, que llega a un mercado donde la clasificación se reordena cada pocas semanas.
Los benchmarks: hype frente a dónde realmente se sitúa
Aquí es donde una publicación de hype suele agitar las manos. No lo haré. Las cifras a continuación son las mediciones independientes de Artificial Analysis para Grok 4.5 (alto), lo cual es una cita más limpia que cualquier gráfico del día del lanzamiento del proveedor.
Aquí está la lectura honesta del marcador de Artificial Analysis:
- Intelligence Index: 54, puesto #4 de 168. Queda justo por detrás de Claude Fable 5 (60), Claude Opus 4.8 (56) y GPT-5.5 (55), y empata con Claude Opus 4.7 (54). Eso está muy por encima del promedio de la clase, de aproximadamente 29, así que el puesto #4 es un resultado muy bueno, solo que no el #1.
- Uso agéntico de herramientas: 33%, la mejor puntuación de todos los modelos representados, por delante de GPT-5.5 y Claude Sonnet 4.6. Este es el verdadero punto fuerte de Grok 4.5, y para la automatización del soporte es la cifra más relevante de la página.
- GPQA Diamond (razonamiento científico): 93%, en el grupo de cabeza.
- Terminal-Bench (programación agéntica): 82%, quinto puesto, por detrás de los mejores lanzamientos de Claude y GPT.
- Velocidad: 85,6 tokens de salida por segundo, más rápido que el promedio de aproximadamente 73, y notablemente conciso en la cantidad que genera.
Vale la pena señalar la brecha entre el hype y el marcador. Durante el lanzamiento, el CEO de Cursor lo llamó un "modelo de la clase Opus" que es "rápido y de bajo costo", una afirmación justa, aunque vale la pena recordar que Cursor colanzó el modelo. Las cifras independientes lo sitúan un poco por debajo de Opus 4.8 en inteligencia bruta y claramente en la frontera de costo frente a rendimiento. Así que la versión sobria es: inteligencia de clase Opus por dólar, no inteligencia que supere a Opus. Para la mayoría de los compradores, el rendimiento por dólar es la cifra que realmente importa.
Cuánto cuesta Grok 4.5
Grok 4.5 está diseñado para abaratar, y en general lo consigue. Aquí está el panorama completo según la documentación de precios de xAI y la página del modelo.
| Plan | Qué es | Entrada | Salida | Notas |
|---|---|---|---|---|
| API de Grok 4.5 | Tokens de pago por uso | $2.00 / 1M | $6.00 / 1M | Entrada en caché 0,50 $ / 1M (−75%); contexto de 500K; tarifa más alta por encima de 200K |
| Grok (gratis) | App para consumidores | - | - | Uso diario limitado en grok.com, X, iOS, Android |
| SuperGrok | Suscripción para consumidores | - | - | ~30 $/mes para límites más altos (cifra reportada por la comunidad, no confirmada en una página oficial) |
| SuperGrok Heavy | Nivel superior para consumidores | - | - | ~300 $/mes (reportado por la comunidad; grok.com no muestra texto de precio para confirmarlo) |
La cifra de la API es la referencia clave porque está confirmada en la propia documentación de xAI. Con 2 $ de entrada y 6 $ de salida, Grok 4.5 es más barato que la mayoría de sus pares de frontera mientras puntúa cerca de ellos, y ese es todo el argumento de venta. En Hacker News, un comentarista resumió la reacción sin rodeos:
"Bastante decente, comparable con algunos modelos Opus más antiguos, y bastante barato por token."
Barato por token es real, pero también es donde gran parte de la matemática de la IA en soporte se equivoca. El precio por token no es lo mismo que el costo por ticket resuelto. Un modelo conciso que responde en un turno limpio puede ser más barato en la práctica que un modelo "más barato" que da vueltas, reintenta y escala. Desglosamos ese hilo en cuánto cuesta un agente de soporte de IA, y la versión corta es que la unidad sobre la que deberías fijar precio es una conversación resuelta, no un millón de tokens.
Lo que la gente realmente está diciendo
Como Grok 4.5 tiene apenas unas horas, el debate verificable se concentra en Hacker News y X en lugar de en los sitios de reseñas habituales. El sentimiento se divide en tres campos claros.
A los fans les gusta la relación inteligencia-precio. Artificial Analysis señaló que "obtiene 54 puntos para situarse en cuarto lugar" mientras se sitúa "claramente en la frontera de Pareto" en costo.
Los escépticos son directos, y su queja tiene menos que ver con la capacidad que con la confianza en un entorno empresarial:
"Simplemente no creo que pueda confiar nunca en un modelo de xAI sabiendo que están tratando activamente de moldear sus respuestas para encajar en una narrativa política. ¿Cómo puedes confiar en que sus modelos sean fiables en un entorno empresarial sabiendo de antemano que sus modelos están siendo manipulados por detrás?"
Hay una réplica justa en el mismo hilo, de alguien que lo había probado:
"Grok, en la mayoría de mis pruebas, ha sido MÁS políticamente correcto que GPT y Gemini... en grok.com o en la app, Grok es muy comedido. Diría que aburridamente comedido."
Y luego está el campo de la verificación de la realidad, que prueba el argumento de programación a mano en lugar de en una clasificación:
"Qué extraño escribir todo un artículo con Claude dando los mejores resultados y Grok dando sistemáticamente los peores, pero declarar ganador a Grok porque al menos dio el peor resultado más rápido?"
En conjunto, la lectura de la comunidad es "barato, rápido, creíble, sin probar y, para algunos, difícil de confiar". Ese último punto es en el que un líder de soporte debería detenerse, porque la confianza es todo el trabajo cuando un modelo habla con tus clientes.
Lo que un modelo nuevo cambia para el soporte al cliente (y lo que no)
Aquí está la parte que más me importa, porque paso mi tiempo pensando en cómo la intención de búsqueda se convierte en preguntas de compra reales, y "¿debería cambiar mi IA de soporte al nuevo modelo?" es algo que la gente está escribiendo hoy. La respuesta honesta: el nivel del modelo rara vez es lo que decide si la IA de soporte funciona.
Un modelo de frontera te da tres cosas: razonamiento sólido, llamadas agénticas a herramientas y menos alucinaciones. Una cola de soporte en vivo necesita cuatro cosas más con las que ningún modelo viene equipado: respuestas delimitadas únicamente a tu conocimiento, enrutamiento basado en confianza para que se mantenga en silencio cuando no está seguro, una forma de simular contra tu historial real de tickets antes de salir en vivo, y una escalada limpia a un humano. Hemos pasado los últimos tres y pico años poniendo agentes de IA en colas de soporte en vivo, y el patrón nunca cambia: tanto los éxitos como los desastres vienen de esa segunda lista, no de la primera.
Tomemos "alucinaciones mínimas". Menos es mejor, y que Grok 4.5 se gane esa afirmación es una buena noticia. Pero menos no es cero, y el modo de fallo en una cola de soporte es específico.
Un equipo con el que trabajamos, un grupo de soporte de telemática vehicular B2B en Zendesk que manejaba unos 200 tickets al mes y escalaba hacia 2.000, vio cómo su bot confirmaba alegremente que daba soporte a marcas de coches que no estaban en su base de datos, porque una línea del centro de ayuda decía "damos soporte a todos los modelos". Ningún modelo de frontera arregla eso por sí solo. Es un problema de delimitación de conocimiento y de confianza, y se resuelve filtrando las respuestas de baja confianza para que queden como borrador para un humano en lugar de enviarlas automáticamente. Un líder de CX en una marca de suplementos DTC expresó el principio mejor de lo que yo podría:
"La IA nunca podrá responder el 100% de las preguntas. Necesito una IA que solo maneje los tickets en los que tiene confianza, y que deje los demás en paz."
Ese es todo el juego, y es un problema de flujo de trabajo, no de modelo. Por eso el enrutamiento basado en confianza y las barreras contra alucinaciones importan más para tu tasa de resolución que el modelo subyacente. Por eso también la preocupación por la confianza en Hacker News es una señal de compra real: si no puedes controlar lo que hace el modelo, no puedes ponerlo delante de los clientes, sin importar cómo puntúe en los benchmarks. Cuando eres dueño del conocimiento, el enrutamiento y el paso de simulación, el modelo subyacente se convierte en una pieza intercambiable.
Prueba eesel
Si Grok 4.5 te hace preguntarte si deberías reconstruir tu stack de soporte, la mejor jugada es convertir el modelo en un detalle que puedas cambiar más adelante, no en una decisión que tengas que apostar ahora. eesel es la capa que hace eso: aprende de tus tickets pasados y documentos de ayuda desde el primer día, delimita las respuestas únicamente a tu propio conocimiento, enruta según la confianza para que se mantenga en silencio cuando no está seguro, y te permite simular contra miles de tus tickets históricos reales antes de responder a un solo cliente.
Así es como los equipos obtienen cifras reales en lugar de cifras de clasificación. Gridwise vio que eesel resolvió el 73% de las solicitudes de nivel 1 en el primer mes, con señales visibles ya durante una prueba de 7 días. Puedes conectarlo a Zendesk, Freshdesk, Gorgias o Front, iniciarlo en modo borrador y darle autonomía solo en los tickets que se la gane. El nuevo modelo es emocionante. La infraestructura es lo que da resultado. Puedes probar eesel gratis, con 50 $ de uso y sin tarjeta de crédito.
