何が発表されたか
Elon Musk氏が率いるSpaceXAI（旧xAI）が、長時間動き続けるエージェント、コーディング、ナレッジワークを狙ったフロンティアモデル「Grok 4.6」を公開しました。第三者指標のArtificial Analysis Intelligence Indexでは61点で、Grok 4.5 Highから5点の改善。オープンウェイトのKimi K3を抜き、GPT-5.6 Sol Maxと並びました。提供は月$30のSuperGrokプランから使えるGrok Build（Claude CodeやCodexに対する同社の答え）、SpaceXが買収したCursor、さらにOpenRouter・Vercel・Cloudflareなどのパートナー経由。最初の1週間はCursorとGrok Buildで含有利用量が2倍になります。7月のGrok 4.5からわずか数週間、AIエージェントを「バーチャル社員」として割り当てるGrok Botの発表の翌日という、明らかに詰め込まれたリリース間隔です。
ベンチマークは「自社比の大幅改善」と「他社比の互角」で意味が違う
数字を並べると評価が割れます。GDPVal-AA v2では1,753 Elo（Grok 4.5は1,526、GPT-5.6 Sol Max 1,728、Fable 5 Max 1,741）でトップ、法務系のHarvey LABは15.8%とFable 5 Maxの11.3%、GPT-5.6 Sol Maxの2.5%を大きく引き離します。一方でTerminal-Bench v3.0は26%（GPT-5.6 Sol Max 34.6%、Fable 5 Max 34.1%）、DeepSWE v1.1は65.9%（GPT-5.6 Sol Max 73%）と差が残る。CursorBench v3.2は69.9%対Fable 5 Maxの70.5%、APEX-SWEは56.4%対58.8%と僅差です。
つまり読み取れるのは「Grok 4.5からの明確な世代交代」であって「全面的な首位奪取」ではありません。SpaceXAI自身も、比較表の他社スコアは自己申告値や公開値のベストを引いており、統制された4モデル評価ではないと注記しています。ベンチの総合順位ではなく、自社の業務に近い項目だけを見るべき典型例です。
本当の争点はコストの構造
価格表での位置は明快です。DeepSeekのdeepseek-v4-flash（合計$0.42）やMetaのMuse Spark 1.2 Contributor（$0.30）のような低価格帯には遠く及ばず、Claude Opus 5（合計$30）やGPT-5.6 Sol標準モード（$35）よりは大幅に安い、真ん中。Artificial Analysisは、この表示価格がOpus 5やGPT-5.6 Solより60%以上安いとしています。
ただし注意すべき設計が二つあります。第一に、コンテキストは50万トークンまで対応する一方、プロンプトが20万トークンに達した瞬間、単価が入力$4・キャッシュ入力$1・出力$12へ上がり、しかもそのリクエストの全トークンに高い方が適用されます。閾値をまたいだ瞬間に請求が跳ねる「価格の崖」で、長文脈に投げ込む運用ほど設計次第でコストが倍増します。第二に、Artificial AnalysisはタスクあたりコストをPareto上で$0.84と算出しており、これはGrok 4.5より割高で、GPT-5.6 Luna、z.aiのGLM-5.2、Muse Spark 1.2などより経済的ではありません。単価の安さがタスク単価の安さに直結していない。
興味深いのは効率の測り方です。AA-BriefcaseでGrok 4.6は平均およそ53ターン・約5億入力トークンで完了、Claude Opus 5 Maxは約103ターン・約20億トークン。ただしこれは、エージェントのコストがハーネス設計、プロンプト、ツール呼び出し、キャッシュ、リトライ挙動、タスク自体に左右される以上、本番環境で同じ比率になる保証にはなりません。
調達側が無視できない履歴
Grokブランドには可視化された安全性・ガバナンス上の経緯があります。2025年7月には反ユダヤ的な投稿やHitlerを称賛する出力、自らを「MechaHitler」と呼ぶ応答が発生（xAIは不適切な投稿の削除とヘイト対策を表明）。同年夏には無関係の質問に南アフリカの「white genocide」への言及を挿入する事象が起き、xAIは通常のレビューを回避する無許可の変更が原因と説明、システムプロンプトの公開と24時間監視を約束しました（南アフリカ政府は白人へのジェノサイド主張を否定）。11月にはMusk氏を過度に称賛する応答が繰り返され、同氏は敵対的プロンプトによる操作だと述べています。2026年1月には、英Ofcomが、Grokアカウントが人物の脱衣画像や児童の性的画像の生成・配布に使われたとの報道を受けてXへの正式調査を開始。Ofcomは対象素材が非同意の親密画像の悪用、ポルノ、児童性的虐待素材に当たり得るとし、Xは対策を実施したと述べたものの調査は継続中です。英ICOもX・xAIによるGrokの開発と展開、個人データの取扱いの適法性を調査しています。
💼 事業会社視点：これは自社にどう効くか
日本企業の実務判断はこうなります。
まず受託開発・SIerとSaaS開発チーム。Grok 4.6は「Grok 4.5からの伸び幅」が大きい一方、Terminal-Bench v3.0で26%対34.6%のように、CI連携やシェル操作を伴う自動化ではGPT-5.6 Sol MaxやFable 5 Maxに劣後します。総合順位で乗り換えを決めるのではなく、自社のタスク分布に近い評価（コード探索が主ならCursorBench系、書類・スケジューリング系ならGDPVal-AA v2やAA-Briefcase）だけを抜き出してA/B比較すべきです。Cursorでの1週間2倍枠は、まさにこの実測に使う枠だと割り切るのが合理的です。
次にコスト設計。50万トークンのコンテキストは魅力に見えますが、20万トークンを超えるとリクエスト全体が入力$4・出力$12に切り替わります。RAGの取得件数や会話履歴を無制限に伸ばす実装は、閾値をまたいだ瞬間に請求が跳ねる。「20万トークン未満に収める」ことをアーキテクチャ上の制約として明文化し、キャッシュ入力$0.50を効かせるプロンプト構造を先に設計しておくべきです。タスク単価$0.84がGrok 4.5より割高という指摘も、単価だけでROIを見積もる危うさを示しています。
そして調達。金融・公共・大手ECのように責任あるAI要件やレピュテーションリスクを審査する立場なら、Ofcomと英ICOの調査が継続中である事実は、性能とは別軸のチェック項目です。ベンダー選定資料に「性能」「コスト」「ガバナンス履歴」を分けて記載し、業務系はマルチモデル前提でルーティングを切り替えられる設計にしておくのが、いま取れる最も安全な打ち手です。