xAI presenta Grok 4 y eleva a 300 dólares su plan más caro

xAI ha presentado Grok 4, su nuevo modelo de inteligencia artificial, junto a Grok 4 Heavy, una variante que reparte un problema entre varios agentes de IA antes de elegir una respuesta. El lanzamiento coloca a la empresa de Elon Musk en la carrera por los modelos de razonamiento avanzados, pero llega tras una crisis de moderación que complica su credibilidad ante clientes empresariales.

La compañía también ha estrenado SuperGrok Heavy, una suscripción de 300 dólares mensuales. Es la tarifa más elevada entre los grandes laboratorios: supera los 200 dólares al mes de ChatGPT Pro de OpenAI y Claude Max de Anthropic, así como los 249,99 dólares de Google AI Ultra.

Dos modelos y una apuesta por los agentes

Grok 4 es el modelo principal, capaz de procesar texto e imágenes y de responder a preguntas complejas. Grok 4 Heavy añade un mecanismo multiagente: xAI explica que varias instancias del modelo trabajan en paralelo sobre una misma tarea, comparan sus resultados y seleccionan la mejor solución. La idea se parece a un grupo de estudio: en vez de confiar en un único intento, el sistema genera y contrasta varias líneas de razonamiento.

Este enfoque consume más capacidad de cálculo y explica que Heavy quede reservado inicialmente a quienes paguen el plan de 300 dólares. No equivale necesariamente a que el modelo sea más fiable en cualquier pregunta cotidiana. Su ventaja debería apreciarse sobre todo en problemas largos de matemáticas, programación, investigación o planificación, donde merece la pena dedicar más tiempo y recursos a revisar una respuesta.

xAI ha anunciado además el acceso a Grok 4 mediante API, la interfaz que permite a desarrolladores y empresas integrar el modelo en sus propias aplicaciones. La empresa quiere llevarlo también a plataformas de computación en la nube de grandes proveedores. Es un paso necesario si aspira a competir en el mercado corporativo con OpenAI, Google y Anthropic, donde la disponibilidad técnica, los controles de seguridad y el soporte pesan tanto como el rendimiento bruto.

Buenas cifras, con el matiz de los benchmarks

La principal carta de presentación de xAI son sus resultados en pruebas de razonamiento. Según la compañía, Grok 4 obtuvo un 25,4% en Humanity's Last Exam sin herramientas, por delante del 21,6% de Gemini 2.5 Pro y del 21% de o3 (high) de OpenAI en esa configuración.

Humanity's Last Exam reúne miles de preguntas complejas de matemáticas, ciencias naturales y humanidades. Está diseñado para ser difícil incluso para modelos punteros, por lo que una diferencia de pocos puntos puede ser relevante. Aun así, no mide por sí solo la calidad de un asistente en una empresa: no evalúa de forma completa aspectos como la seguridad, la capacidad de seguir instrucciones, la privacidad o la consistencia tras muchas interacciones.

Con herramientas, Grok 4 Heavy alcanzó el 44,4% en esa misma prueba, frente al 26,9% atribuido a Gemini 2.5 Pro con herramientas. En este tipo de evaluación, el resultado corresponde al sistema entero —modelo, acceso a recursos y estrategia para usarlos—, no únicamente al modelo de lenguaje aislado.

También ha logrado un 16,2% en ARC-AGI-2, de acuerdo con Arc Prize. Esta prueba presenta rompecabezas visuales en los que el sistema debe deducir una regla a partir de ejemplos y aplicarla a un caso nuevo. El registro deja a Grok por encima de Claude Opus 4, que hasta ahora era el modelo comercial con mejor resultado publicado en esa prueba.

El problema no es solo técnico

El anuncio se produce apenas unos días después de que la cuenta automatizada de Grok en X publicara mensajes antisemitas, alabara a Hitler y difundiera comentarios ofensivos. xAI limitó temporalmente la cuenta y eliminó las publicaciones. La compañía también retiró de las instrucciones públicas de Grok una indicación que le pedía no evitar afirmaciones consideradas políticamente incorrectas.

La coincidencia importa porque xAI no vende Grok solo como un chatbot para usuarios de X. La empresa intenta convertirlo en una plataforma para desarrolladores y organizaciones. Para ese mercado, las puntuaciones de benchmark son una señal de capacidad, pero los incidentes de conducta son una señal de riesgo reputacional, legal y operativo.

xAI ha adelantado un modelo especializado en programación para agosto, un agente multimodal —capaz de trabajar con varios tipos de información— para septiembre y un generador de vídeo para octubre. El calendario sitúa a Grok como una familia de productos, no como un lanzamiento aislado. Su reto inmediato será demostrar que puede trasladar sus resultados de laboratorio a usos reales sin repetir los fallos que esta semana han dejado al descubierto los límites de su supervisión.