Ein Assistent, der nicht mit Klugheit verkauft wird, sondern mit Ausdauer. Eine Aufgabe, die Dutzende Runden braucht, wird zerlegt, geprüft und abgeliefert — und nebenbei hat er auch das Schreiben von Code übernommen.

Die meisten Assistenten arbeiten im Frage-Antwort-Takt: man fragt, sie antworten, dann übernimmt man selbst wieder. Wer eine ganze Arbeit abgibt, schaut am Ende doch zu, weil das Modell beim fünften oder zehnten Schritt die ursprüngliche Vorgabe verliert oder in einer Fehlermeldung festhängt.

Genau diese Strecke ist hier gemeint. Die Ankündigung sagt es ungewöhnlich direkt: auf dem Vorgängermodell aufgebaut, mit besonderem Blick auf lang laufende Agenten und auf ehrgeizigere interaktive und visuelle Arbeit.

Dutzende Runden, ohne dass jemand eingreift

Der alte Fehler langer Aufgaben hat einen Namen, Kontextverfall: nach dem fünften oder zehnten Werkzeugaufruf lässt das Modell die ursprünglichen Vorgaben fallen, wiederholt denselben Fehler oder hat vergessen, worum es überhaupt ging. Der Ansatz hier ist, es vor dem Handeln sich selbst prüfen zu lassen. Es erfasst den Aufbau der Codebasis, ihre Architekturregeln und Typdefinitionen, zerlegt die Anforderung in einzeln prüfbare Teilziele, ändert die Zieldateien gezielt, lässt dann die lokalen Tests laufen, liest den Stapelauszug, korrigiert sich und arbeitet erst danach weiter. Über längere Verläufe beobachtet das Team eine Verschiebung: diese Fassung zeigt deutlich mehr Selbsttests und Selbstprüfung und kontrolliert, ob das eben Getane stimmt, bevor sie weitermacht.

Ihre stärkere Rolle ist, aus einem weiten Satz eine erste lauffähige Fassung zu machen. Die Ankündigung ist dabei konkret: eine unbekannte Produktrichtung genügt, und das Modell recherchiert das Feld, baut das Gerüst der Anwendung, setzt die zentrale Interaktion um und überarbeitet das Ergebnis über mehrere Rückmeldungsrunden. Bei visuellen und interaktiven Vorhaben ist der erste Entwurf nach Darstellung des Teams klar besser als bei der vorherigen Generation — eine konkrete Idee reicht, damit Aufbau und visuelle Sprache in einem Zug stehen.

Länger laufen heißt auch mehr zahlen, deshalb verdient die Rechnung einen eigenen Absatz. Nach den offiziellen Zahlen braucht eine lange Aufgabe im Schnitt etwa dreiundfünfzig Runden und rund fünfhundert Millionen Eingabe-Token, gemessen bei etwa vierundachtzig Cent je Aufgabe. Die Schnittstelle kostet zwei Dollar je Million Eingabe-Token und sechs je Million Ausgabe, zwischengespeicherte Eingabe fällt auf fünfzig Cent je Million. Das Kontextfenster bleibt bei 500 000 Token, statt zu wachsen — die Absicht dahinter ist, das Budget genauer einzusetzen, statt sich auf ein größeres Fenster zu verlassen.

Der Teil, der das Programmieren übernimmt

Die eigentliche Bauarbeit liegt bei Grok Build, einem Agenten für genau dieses Feld, mit einem Panel für mehrere parallele Sitzungen, damit mehrere Aufträge gleichzeitig vorankommen. Er war am Erscheinungstag nutzbar, mit doppeltem Kontingent in der ersten Woche. Ein Detail lohnt sich zu merken: wer ihn über die Schnittstelle oder über Regeln im Editor steuert, schreibt die Prüfanforderung am besten in die Anweisung — ausdrücklich verlangen, vor dem Vorschlag eines Schreibvorgangs eine statische Typprüfung und die Unit-Tests laufen zu lassen —, dann greift die interne Schleife der Selbstprüfung am stärksten.

Echtzeit ist der Teil, der keiner Erklärung bedarf

Die zweite Hauptlinie sind laufende Informationen. Die Suche liest das offene Netz und die öffentliche Zeitleiste zugleich, und die Antworten belegen mit Primärquellen statt mit Trainingsdaten vom Vorjahr. Wer nach etwas fragt, das gerade geschieht, bekommt die betreffenden Beiträge direkt in die Antwort eingebettet, samt ihren Reaktionen, und kann an diesem Faden weiterziehen.

Nicht nur Chat: Dateien, Bilder und Stimme in einem Feld

Als Alltagsassistent funktioniert er ohne Weiteres. Dokumente, Tabellen, Code und Audio lassen sich hochladen, um zusammenzufassen, herauszuziehen oder zu erklären. Ein Bild kann Teil der Frage selbst sein — eines schicken und fragen, was darauf steht: das Modell liest den Inhalt, bevor es weiterspricht, statt um das Bild herum Allgemeines zu erzählen.

Die Stimme ist das andere solide Stück: die Runden dauern unter einer Sekunde, und man kann mitten im Satz dazwischenreden, statt die Antwort abzuwarten. Bilder und Videos entstehen im selben Gespräch, bis 2K Auflösung und fünfzehn Sekunden. Dutzende Sprachen, Erinnerung über Gespräche hinweg und eine Fläche für lange Textarbeit runden es ab.

Die Eckdaten

Entwickler ist xAI. Plattformen sind Web, iOS und Android. Modellreihe und Telefon-App laufen auf getrennten Spuren, die Ziffern im Laden haben also nichts mit der Modellfassung zu tun. Das Kontextfenster liegt bei 500K Token, der Coding-Agent heißt Grok Build und führt parallele Sitzungen, die Schnittstelle kostet zwei Dollar je Million Eingabe und sechs je Million Ausgabe, fünfzig Cent bei einem Cache-Treffer. Es gibt eine freie Stufe mit begrenztem Kontingent, SuperGrok kostet rund dreißig Dollar im Monat, SuperGrok Plus rund hundert, darüber liegen Team- und Unternehmenspläne. Das Hauptprodukt ist geschlossen.

Wie weit die freie Stufe reicht

Die freie Stufe braucht keine Karte: anmelden, und sie läuft, samt Live-Suche und Sprachmodus, doch das Kontingent ist gedeckelt und eine dichte Sitzung stößt schnell an die Grenze. Darüber liegt SuperGrok für etwa dreißig Dollar im Monat mit höheren Grenzen, mehr mehragentigem Schlussfolgern und den bezahlten Funktionen, dann SuperGrok Plus für rund hundert mit Videobearbeitung und Vorrang zu Stoßzeiten.

Eine Falle sollte man kennen: Abonnement und Entwicklerschnittstelle werden getrennt abgerechnet. SuperGrok kauft den Zugang zur Anwendung für Endnutzer; wer das Modell in eigene Software einbindet, landet auf einem anderen Konto.

Verkauft wird hier nicht Klugheit, sondern Ausdauer. Eine Aufgabe abgeben, die Dutzende Runden braucht, die Hände davon lassen, und sie kommt geprüft zurück — mit dem Code bei einem begleitenden Agenten und einer Aufgabe unter einem Dollar, und genau dafür will das Produkt benutzt werden.