Se un team sceglie gli agenti di codice solo guardando le classifiche, Grok 4.5 rischia di essere letto nel modo sbagliato. Il punto decisivo è il costo per attività accettata: xAI indica il modello a 2 dollari per milione di token in ingresso e 6 dollari per milione di token in uscita, con 500.000 token di contesto e supporto al ragionamento (modelli xAI, scheda modello xAI). Gestiamo stack di agenti IA in produzione in cui la scelta del modello è una decisione di instradamento, non una preferenza di marca. La domanda utile è quindi: quando un modello più economico, vicino alla fascia alta, batte quello con il benchmark migliore?
Nel nostro lavoro sul routing dei modelli, gli errori più costosi non sono singoli prompt lenti; sono cicli ripetuti dell’agente, in cui una rotta debole consuma 8-12 passaggi prima che una persona se ne accorga. Questo articolo non è quindi un altro riassunto dei benchmark. È una regola per classi di attività, pensata per team che stanno già ragionando su criteri di selezione dei modelli, sviluppo di agenti IA e costi reali dei sistemi IA in produzione.
Il divario nei benchmark esiste; la scelta di routing è diversa
Grok 4.5 va valutato insieme per qualità e costo per risultato, non isolando una colonna di classifica (Artificial Analysis).
La versione semplice è questa: xAI ha pubblicato un modello solido, con un prezzo aggressivo, pensato per codice, attività agentiche e lavoro di conoscenza. La documentazione xAI presenta grok-4.5 come modello di punta con input testuale e visivo, output strutturati, chiamata di funzioni e finestra di contesto da 500.000 token (scheda modello xAI). La panoramica tecnica lo descrive come modello frontier per codice e attività agentiche, precisando però che la console API non è ancora disponibile ovunque per gli utenti dell’Unione europea (panoramica tecnica xAI).
La lettura dei benchmark è meno lineare. Artificial Analysis valuta Grok molto bene nei test per agenti di codifica, in particolare nelle attività da terminale, ma nel suo Coding Agent Index lo colloca ancora dietro Fable 5 (Artificial Analysis). The Decoder rilegge gli stessi dati come una questione di costo: Grok in Grok Build viene stimato a 2,49 dollari per attività di agente di codifica, contro 5,07 dollari per GPT-5.5 in Codex e 11,80 dollari per Fable 5 in Claude Code (The Decoder).
È proprio qui che il confronto diventa utile. Se Fable vince di poco un benchmark di debugging complesso, ma costa diverse volte di più per attività agentica accettata, non diventa automaticamente il modello predefinito corretto. Per le attività più difficili può esserlo. Per l’intera coda, probabilmente no. È la stessa logica della nostra analisi sulla fatturazione a token di Fable 5: l’unità importante non è il token, ma l’attività completata al livello di qualità richiesto.
xAI ha prezzato il modello per il volume, non per il prestigio
La pagina ufficiale dei prezzi di xAI indica il modello a 2 dollari per milione di token in ingresso, 0,50 dollari per milione di token in ingresso già in cache e 6 dollari per milione di token in uscita (prezzi xAI).
Il prezzo della cache conta perché i flussi agentici riusano molto contesto. Un prompt di pianificazione, il riassunto di un repository, note architetturali e descrizioni degli strumenti possono restare nel prefisso per più passaggi. Se quel prefisso viene servito dalla cache, il conto cambia. La documentazione xAI sul prompt caching spiega che i token in cache vengono fatturati a una tariffa ridotta e rimanda alla tabella dei prezzi per i valori correnti (prompt caching xAI). Anche la scheda del modello riporta il prezzo della cache (scheda modello xAI).
C’è un secondo dettaglio da includere. xAI indica che grok-4.5 supporta il parametro reasoning_effort, che senza impostazione esplicita parte da « high »; il ragionamento non può essere disattivato (ragionamento xAI). Anche una rotta economica richiede quindi controllo. Un modello può costare poco per token e diventare caro per flusso se ogni attività usa ragionamento alto e troppo contesto.
« Più economico » non è una regola operativa. Una regola seria definisce quando usare il modello a minor costo: quando la classe di attività tollera correzioni, quando il risultato è verificabile, quando la velocità conta e quando un primo tentativo sbagliato non crea danni a valle. Il modello premium resta la scelta iniziale quando ambiguità, effetti irreversibili o debugging profondo rendono costoso l’errore.
Per questo la storia di Grok va separata dalla corsa generale ai modelli. Abbiamo trattato il lato benchmark in GPT-5.6 Sol contro Fable 5. Qui il punto è operativo: quale coda di attività riceve quale modello, e quali prove giustificano il cambio.
Il costo per attività può ribaltare il vincitore
Un modello più basso in classifica può vincere se il tasso di successo è abbastanza vicino e il costo per tentativo è molto più basso (The Decoder, scheda Artificial Analysis).
Il calcolo operativo è semplice. Se un modello premium completa 82 attività di codice su 100, a 10 dollari ciascuna, ogni attività riuscita costa circa 12,20 dollari. Se un modello più economico ne completa 75 su 100 a 3 dollari, il costo per successo è 4 dollari. Il modello premium è migliore. Non è necessariamente il modello migliore come predefinito per quella classe.
I valori precisi dipenderanno dallo stack. Il metodo dovrebbe restare uguale. Dividere il traffico degli agenti in classi di attività:
- modifiche meccaniche coperte da test;
- documentazione e pianificazione di refactoring;
- triage delle revisioni di codice;
- attività con strumenti e validatori chiari;
- debugging profondo, in cui una pista errata può costare un pomeriggio;
- modifiche legate a sicurezza, dati cliente o superfici pubbliche.
Poi misurare quattro valori per classe: tasso di successo, numero medio di passaggi, errori dei validatori e tasso di escalation. Non confrontare « modello A contro modello B » in generale. Confrontare « modello A contro modello B su modifiche deterministiche di codice, con i nostri test ». Questa è la differenza tra osservare i benchmark e costruire una vera regola di sviluppo software con IA.
InfoWorld esprime la stessa cautela dal lato del mercato: le stime di costo per attività di codifica sono utili, ma le aziende devono fare test reali prima di cambiare i modelli predefiniti (InfoWorld). È il giusto livello di prudenza. Un benchmark pubblico indica dove testare. Non dice come repository, permessi, validatori e cultura di revisione modificheranno il tasso di errore.
I 500.000 token di contesto aiutano, ma non sostituiscono la disciplina
La finestra da 500.000 token del modello basta per lavoro serio su repository e documenti, ma la dimensione del contesto non è una strategia di contesto (scheda modello xAI, OpenRouter).
Il numero è facile da usare male. Consente ampi contesti di progetto, lunghi pacchetti di ricerca o ragionamenti su più file. Non autorizza a inviare l’intera organizzazione a ogni chiamata. Un contesto lungo aumenta comunque latenza, superficie di errore e rischio di seppellire l’istruzione importante.
C’è anche una sfumatura di prodotto. La pagina dei prezzi xAI indica Grok 4.3 con una finestra da 1 milione di token, mentre il modello più recente è a 500.000 (prezzi xAI). Questo non rende 4.5 peggiore. Significa soltanto che il modello più nuovo non è automaticamente la rotta con più contesto. Se l’attività consiste soprattutto nel recuperare informazioni da un pacchetto enorme, l’economia del contesto va misurata separatamente dalla qualità del ragionamento.
Per la maggior parte degli agenti di codice, conviene un contesto più corto e scelto meglio. Mantenere breve la regola di sistema, includere una mappa del repository, i file rilevanti, l’output del test fallito e il diff corrente. Mettere in cache ciò che resta stabile. Escalare verso una rotta più grande o più costosa solo quando la classe di attività lo dimostra.
Qui si collega anche la strategia open-weight. Nel testo sui modelli open-weight come assicurazione contro la dipendenza dal fornitore abbiamo parlato di copertura strategica. Aggiunge un’altra copertura: una rotta proprietaria meno costosa, sufficiente per molte code, mentre le rotte premium restano sui casi più delicati.
Una regola pratica di routing per il modello
Usarlo come rotta misurata per attività reversibili con validatori forti; mantenere i modelli premium per ambiguità e rischio elevato (BenchLM, Artificial Analysis).
Un punto di partenza utile:
Grok per primo quando:
- l’attività ha validatori duri: test, linting, schemi, revisione deterministica del diff o estrazione esatta;
- il primo fallimento costa poco: documentazione, piccole migrazioni, refactoring limitati, pulizia di dati strutturati;
- il flusso beneficia di velocità e volume: molti ticket simili, molte revisioni, più piani candidati;
- il modello può essere guidato in modo stretto: pochi file, criteri di accettazione espliciti, nessun permesso ampio in produzione.
Escalation immediata quando:
- l’attività tocca sicurezza, fatturazione, autenticazione o dati cliente;
- il debugging causale attraversa più sottosistemi;
- lo stesso validatore fallisce due volte;
- il modello amplia il perimetro invece di restringerlo;
- la revisione umana non può verificare il risultato rapidamente.
Così si mantiene il vantaggio economico senza fingere che tutte le attività siano uguali. Si evita anche la tassa nascosta del modello economico: pagare meno l’API, accettare output più deboli e poi recuperare la differenza con tempo umano di revisione.
La regola migliore è l’escalation basata sull’evidenza. Se Grok gestisce una classe con buon tasso di accettazione e basso costo di revisione, può restare lì. Se fallisce con schemi che un modello premium evita, non vince la tabella: quella classe sale di livello.
Cosa misurare prima di cambiare il modello predefinito
Prima di renderlo una rotta predefinita, serve un test di due settimane per classe di attività, misurando il costo per risultato accettato (InfoWorld, Digital Applied).
La tabella deve essere semplice.
| Classe | Modello | Tentativi | Accettati | Passaggi medi | Errori validatore | Minuti revisione | Costo totale | Costo per attività accettata |
|---|---|---|---|---|---|---|---|---|
| Piccola modifica con test | Rotta candidata | 50 | — | — | — | — | — | — |
| Piccola modifica con test | Rotta premium | 50 | — | — | — | — | — | — |
| Triage bug profondo | Rotta candidata | 25 | — | — | — | — | — | — |
| Triage bug profondo | Rotta premium | 25 | — | — | — | — | — | — |
Il test non deve diventare una valutazione a sensazione. Servono diff accettati, validatori falliti, passaggi, tempo trascorso, minuti di revisione e dollari. Il costo deve includere effetti di cache, impostazioni di ragionamento ed eventuali premi del fornitore. OpenRouter lista il modello allo stesso prezzo 2/6 dollari e aggiunge contesto sui provider, utile se l’acquisto passa da un router anziché direttamente da xAI (OpenRouter).
Registrare anche la forma degli errori. BenchLM mostra copertura di benchmark per il modello, ma in alcune aree evita un unico ranking globale (BenchLM). È un promemoria utile: un punteggio unico nasconde il tipo di errore. Un modello può essere conciso ma fragile; un altro più lungo, ma più semplice da revisionare. Il predefinito giusto è quello i cui errori il flusso riesce a contenere.
Giudizio operativo: abbastanza economico, ma solo a condizioni chiare
Il modello merita un posto reale nella tabella di routing, ma il prezzo non elimina la necessità di governance (prezzi xAI, scheda Artificial Analysis).
La nostra lettura: per attività di media difficoltà, reversibili e validabili, il divario nei benchmark pesa meno di prima. Per attività ambigue o ad alto impatto, pesa ancora molto. Non è una contraddizione; è il motivo per cui il routing esiste.
Se un team costruisce con agenti IA, la domanda pratica non è « Grok o Fable? ». È: quali classi partono da una rotta economica, quali partono da una rotta premium e quali richiedono sempre approvazione umana? Prezzi, modelli e fornitori cambieranno. La regola deve resistere al cambiamento.
Context Studios aiuta i team a progettare routing dei modelli, valutazione e governance degli agenti per prodotti software reali. Il punto di partenza può essere lo sviluppo di agenti IA o lo sviluppo software con IA, quando la regola deve entrare direttamente nella consegna del prodotto.
FAQ
Grok 4.5 è più economico di Fable 5?
Sì. xAI indica Grok 4.5 a 2 dollari in ingresso e 6 dollari in uscita per milione di token; The Decoder riporta un costo stimato per attività di agente di codifica molto più basso rispetto a Fable 5 in Claude Code (prezzi xAI, The Decoder).
Il divario nei benchmark conta ancora?
Sì, ma per classe di attività. Artificial Analysis valuta Grok 4.5 forte nei benchmark per agenti di codifica, mentre Fable 5 resta davanti nel suo Coding Agent Index (Artificial Analysis).
Dovrebbe diventare il modello predefinito per il codice?
Solo dopo un test. Conviene iniziare da attività reversibili con validatori forti, poi confrontare risultati accettati, tempo di revisione, passaggi e costo per risultato accettato (InfoWorld).
Quale finestra di contesto supporta Grok 4.5?
xAI indica Grok 4.5 con 500.000 token di contesto, input testo e immagine, chiamata di funzioni, output strutturati e supporto al ragionamento (scheda modello xAI).