Nový Grok 4.5 je příkladem ukázkové akvizice

SpaceXAI představila nový Grok 4.5. Jde o první velký model, který SpaceXAI vytrénovala společně s týmem Cursoru.

SpaceXAI měla jeden z největších výpočetních clusterů na světě, kapitál a zkušenosti s tréninkem rozsáhlých základních modelů. Chyběl jí ale silný produkt zakořeněný v každodenní práci profesionálních vývojářů.

Cursor měl výborný produkt, miliony uživatelů, enterprise zákazníky a data zachycující skutečnou spolupráci programátorů s AI agenty. Neměl však dostatek vlastního výpočetního výkonu, aby mohl bez omezení trénovat největší základní modely.

Grok 4.5 je první odpovědí na otázku, co se stane, když se tyto dva světy spojí.

Grok jako chatbot bez cenzury

Společnost xAI byla veřejně představena v červenci 2023. Její deklarovanou misí bylo vytvářet AI, která pomůže lidem porozumět skutečné podstatě vesmíru. Dnešní formulace je o něco praktičtější: urychlit vědecké objevy a rozšířit hranice toho, co lidstvo dokáže poznat a vytvořit.

Prvním viditelným produktem se v listopadu 2023 stal Grok. xAI jej od začátku prezentovala jako méně upjatou alternativu k modelům OpenAI, Googlu nebo Anthropicu. Měl být prakticky bez cenzury, a díky integraci se sítí X měl mít přístup k aktuálním informacím o světě.

Zatímco ostatní modely působily jako pečlivě školení zaměstnanci oddělení compliance, Grok měl připomínat kolegu, který končí pravidelně v kanceláři HR a musí opakovaně absolvovat školení o chování na pracovišti.

Vývoj postupoval rychle. Po Groku 1 následoval v srpnu 2024 Grok 2, v únoru 2025 uvažující (reasoning) Grok 3 a v červenci téhož roku Grok 4 s nativním používáním nástrojů a vyhledáváním v reálném čase. Další verze se postupně zaměřovaly na rychlost, práci s nástroji a agentní programování.

Zajímavá je také proměna přístupu xAI k otevřenosti. V březnu 2024 firma zveřejnila váhy a architekturu základního modelu Grok 1 pod licencí Apache 2.0. Šlo o Mixture-of-Experts model s 314 miliardami parametrů. Následující nejvýkonnější generace už ale stejnou otevřenou cestou nepokračovaly.

Grok se tak postupně změnil z experimentálního chatbota a částečně otevřeného modelu na klasický proprietární produkt napojený na rozsáhlou infrastrukturu, placené služby a podnikové API.

X slop

Napojení na síť X mělo Groku poskytovat něco, co většina konkurence dlouho postrádala: okamžitý přehled o tom, co se právě děje.

To je skutečná výhoda. Statický tréninkový dataset zastarává, protože modely mají vždy tréninková data z minulosti, zatímco sociální síť zachycuje zprávy, reakce, události a diskuse prakticky v reálném čase. Grok mohl vyhledávat příspěvky na X, kombinovat je s webovými zdroji a vytvářet aktuálnější odpovědi.

Problém je, že pokud systém při hledání odpovědi pracuje s obsahem sociální sítě, musí rozlišovat mezi kvalitní informací, ironií, propagandou, koordinovanou manipulací, reklamou a člověkem, který se v půl třetí ráno rozhodl vysvětlit světovou ekonomiku pomocí pěti emoji.

Sociální síť je vynikající senzor nálady společnosti, ale jako databáze ověřených faktů má určité mezery.

To vytváří základní datový paradox Groku. Jeho přístup k X mu umožňuje reagovat rychleji než systémy odkázané pouze na běžné webové vyhledávání. Zároveň jej vystavuje prostředí, ve kterém algoritmy odměňují pozornost, drama, lži a dezinformace, nikoliv přesnost.

Když se „méně filtrovaný“ změní na „neuhlídaný“

Důsledky se neomezily na několik nepovedených odpovědí.

V červenci 2025 byly z účtu Groku na X odstraněny příspěvky obsahující antisemitské motivy a chválu Adolfa Hitlera. Incident následoval po úpravách chování modelu a vyvolal reakce uživatelů, organizací bojujících proti antisemitismu i některých evropských vlád.

Ještě závažnější problém přišel s generováním a úpravou obrázků. Na přelomu let 2025 a 2026 uživatelé používali Grok k vytváření sexualizovaných a intimních deepfake snímků skutečných osob bez jejich souhlasu. Případ vedl k vyšetřování ve Velké Británii, Evropské unii a dalších zemích. xAI následně část možností omezila, ale kontroverze ukázala, že přesun rizikové funkce za placené předplatné není totéž jako její skutečné zabezpečení.

Pro spotřebitelský chatbot může být provokativní značka obchodní výhodou. U systému, který má pracovat se zdrojovým kódem, finančními daty, interní dokumentací nebo právními podklady, se však předvídatelnost stává součástí samotného produktu.

Enterprise zákazník obvykle neřeší, jestli je model nudný. Očekává, že nezpůsobí mezinárodní regulatorní incident ještě před první ranní kávou.

To je důležitý kontext Groku 4.5. S touto novou verzí se SpaceXAI nesnaží vytvořit další nefiltrovaný chatbot pro X a uživatele hledajícící necenzurované AI. Pokouší se proniknout do prostředí profesionálního softwarového vývoje a firemní znalostní práce, kde jsou nároky na spolehlivost podstatně vyšší než pro běžného uživatele X.

Colossus: Obrovský výkon bez plného využití

Největší předností xAI nikdy nebyla pouze značka Elona Muska nebo přístup k síti X. Byla jí schopnost velmi rychle vybudovat obrovskou výpočetní infrastrukturu.

Datové centrum Colossus v Memphisu vzniklo podle SpaceXAI během 122 dnů a původně obsahovalo přibližně 200 000 GPU. V květnu 2026 firma uváděla, že Colossus 1 disponuje více než 220 000 akcelerátory NVIDIA, včetně H100, H200 a GB200.

V únoru 2026 SpaceX formálně převzala xAI. Z AI laboratoře, sociální sítě X, raketové společnosti, satelitní infrastruktury a rozsáhlých datových center se tak stal ještě těsněji propojený ekosystém.

Jelikož staré verze Groku neměly využití, se kterým se původně počítalo a servery zůstávaly nevyužité, udělala nedávno SpaceX rozumný krok a část kapacity nabídla konkurenci. Anthropic získal přístup ke clusteru Colossus 1 za 1,25 miliardy dolarů měsíčně, aby rozšířil kapacitu pro uživatele Claude Pro a Claude Max. Podle Reuters uzavřela SpaceX podobné dohody také s Googlem za 920 milionů dolarů měsíčně na exkluzivní využití 110 000 GPU NVIDIA v centru Colossus 2, aby narychlo vykryl výpadky ve své vlastní infrastruktuře pro podnikové nasazení modelu Gemini.

Vznikl tím pozoruhodný model: SpaceXAI současně vyvíjí konkurenční AI a pronajímá výpočetní výkon firmám, proti kterým soutěží.

Není to nutně rozpor. GPU jsou extrémně drahá aktiva a modely se netrénují každou minutu každého dne. Nevyužitá kapacita nevytváří strategickou výhodu, ale velmi drahé centrální vytápění.

Colossus dal xAI schopnost trénovat velké modely. Samotný výpočetní výkon ale nestačí. Potřebujete také kvalitní data (tedy opak obsahu sítě X), tréninkové úlohy, zpětnou vazbu a produkt, ve kterém lze chování modelu ověřovat na skutečné práci.

A právě zde vstoupil do příběhu Cursor.

Cursor: Tvorba kódu se zapůjčenou inteligencí

Společnost Anysphere vznikla v roce 2022 a vybudovala AI editor Cursor na základech Visual Studio Code. Nešlo však jen o další chatovací okno přilepené k editoru.

Cursor od počátku stavěl AI do středu vývojového procesu. Model mohl pracovat s kontextem repozitáře, upravovat více souborů, hledat souvislosti, spouštět nástroje, opravovat chyby a postupně přebírat delší části softwarového úkolu.

To se ukázalo jako správný produkt ve správný okamžik. V lednu 2025 Cursor uváděl více než 100 milionů dolarů opakujících se ročních příjmů. V červnu stejného roku překonal 500 milionů dolarů a používala jej více než polovina firem z žebříčku Fortune 500. V listopadu už společnost hlásila přes jednu miliardu dolarů v přepočtených ročních příjmech a miliony vývojářů. Podle údajů sdílených s Reuters se annualizované B2B příjmy Cursoru do června 2026 přiblížily 2,6 miliardy dolarů.

Cursor měl ale strukturální problém. Jeho produkt dlouho využíval modely jiných společností, například OpenAI a Anthropicu.

To funguje dobře, dokud AI asistuje s jednotlivými částmi kódu. U autonomnějších agentů ale spotřeba rychle roste. Agent musí načíst soubory, prohledat repozitář, navrhnout řešení, upravit kód, spustit testy, analyzovat chybu a celý proces několikrát zopakovat.

Každý krok znamená další tokeny a další API volání.

Předplatné, které se Cursoru přestalo vyplácet

Cursor původně fungoval na principu běžného softwarového předplatného. Uživatel zaplatil pevnou měsíční částku a získal určitý počet požadavků na prémiové modely. Ekonomika takového tarifu stojí na průměru: část zákazníků svůj limit téměř nevyužije, zatímco menší skupina spotřebuje podstatně více.

U klasického AI asistenta to ještě může fungovat. S nástupem coding agentů se ale rozdíly mezi jednotlivými požadavky dramaticky zvětšily. Jeden dotaz může upravit několik řádků kódu, zatímco jiný agent desítky minut prochází repozitář, mění soubory, spouští testy a opakovaně opravuje vlastní chyby. Cursor uvedl, že nejnáročnější úlohy mohou stát řádově více než jednoduché požadavky. V roce 2025 proto přešel od počítání požadavků k cenám odvozeným od skutečně spotřebovaného výpočetního výkonu. Základní tarif obsahoval určitý objem používání modelů a další spotřeba se začala účtovat zvlášť.

Pro Cursor to byl krok k udržitelnějšímu podnikání. Pro některé uživatele však znamenal, že výhoda předvídatelného předplatného zmizela právě ve chvíli, kdy začali AI agenty používat nejintenzivněji.

Současně se změnila konkurence. Anthropic uvedl Claude Code a OpenAI začlenila Codex do vlastních placených tarifů. Obě společnosti vlastní nejen vývojářský nástroj, ale také samotné modely a infrastrukturu, na které běží. Mohou proto jejich používání v osobních předplatných výrazně dotovat, aby získaly vývojáře do svého ekosystému.

Rozdíl může být značný. Podle nezávislých propočtů může velmi intenzivní uživatel tarifu Claude Max za 200 dolarů za měsíc získat spotřebu, která by při standardních cenách API odpovídala řádově tisícům dolarů. Podle nezávislého měření SemiAnalysis z července 2026 lze za měsíční plán 200 dolarů Claude získat až 8 000 dolarů inference a až 14 000 dolarů inference v případě ChatGPT.

Nejde o garantovaný objem, skutečné náklady poskytovatele ani hodnotu, kterou využije každý zákazník. Jde o orientační přepočet maximální spotřeby podle veřejných cen API. Přesto dobře ukazuje základní nerovnováhu: poskytovatel modelu může uživateli za 200 dolarů nabídnout podstatně více inference, než kolik by za stejnou částku dokázal nakoupit Cursor přes jeho API.

Cursor by při podobně štědrém tarifu musel rozdíl zaplatit ze své marže. Uživatel by spotřebovával Claude nebo GPT, Anthropic či OpenAI by inkasovaly poplatky za API a Cursor by financoval používání produktu, na kterém nakonec vydělává jeho přímý konkurent.

Právě proto začaly osobní tarify Claude Code a Codexu odčerpávat část vývojářů, kteří dříve používali Cursor. Nerozhodovala pouze kvalita editoru nebo modelu, ale také jednoduchá otázka: kolik práce agent za měsíční předplatné skutečně odvede.

Ekonomika enterprise sektoru

U velkých organizací se tato výhoda osobních tarifů výrazně zmenšuje. Firma obvykle nemůže postavit centrálně řízený vývoj na desítkách soukromých účtů za 200 dolarů. Potřebuje jednotné fakturování, SSO, SCIM, auditní záznamy, řízení přístupu, smluvní ochranu dat, nastavení retence a kontrolu nákladů.

Enterprise nabídky proto fungují jinak než dotovaná předplatná pro jednotlivce. Anthropic například u svého Enterprise plánu účtuje samostatný poplatek za přístup a následnou spotřebu podle cen API. OpenAI používá u podnikových nasazení Codexu kredity, rozpočty a centrální řízení spotřeby. Podobně Cursor Enterprise pracuje se sdíleným objemem používání a poplatky za modely odvozenými od skutečně spotřebovaných tokenů. Velké firmy tak získají jen menší objemové slevy, ale ani zdaleka nedosáhnou výhod osobních tarifů.

V enterprise prostředí už Cursor nemusí soutěžit s extrémně dotovaným osobním tarifem. Všichni dodavatelé se více či méně vracejí k reálnému účtování spotřeby. Cursor tak může nabídnout svou hlavní hodnotu: vyspělé vývojářské prostředí, práci s více modely, centrální správu a možnost zvolit pro každý úkol jiného poskytovatele.

Jeho pozice mezi jednotlivci proto slábla rychleji než v enterprise segmentu. Pro velké firmy nebyl Cursor jen přeprodejcem tokenů, ale také vrstvou pro řízení celého AI vývojového workflow. Z dlouhodobého pohledu však stále potřeboval vlastní model. Bez něj zůstala část jeho nákladů, marže i produktové roadmapy závislá na společnostech, které mu dodávaly technologii a zároveň konkurovaly.

Composer ukázal možnosti i hranice Cursoru

Odpovědí Cursoru se stal Composer, vlastní agentní model optimalizovaný pro softwarové inženýrství. Firma jej netrénovala pouze na generování jednotlivých funkcí, ale na delších pracovních postupech zahrnujících používání nástrojů, opravy a práci napříč repozitářem.

Composer 2 a pozdější Composer 2.5 ale nevznikly jako zcela nový základní model vytrénovaný od nuly. Byl postaven na open-weight modelu Kimi K2.5 od čínské společnosti Moonshot AI. Na tento základ se následně aplikoval vlastní trénink, reinforcement learning, syntetická data a úlohy zaměřené na reálný vývoj softwaru.

To není pouhé „přebalení“ cizího modelu. Post-training, kvalitní evaluační prostředí a reinforcement learning mohou zásadně změnit použitelnost modelu.

Současně to ale ukazuje hranici tehdejších možností Anysphere. Cursor měl zkušenosti s chováním programovacích agentů, ale neměl dostatečný výpočetní výkon pro trénink největšího základního modelu od začátku.

Sama firma v dubnu 2026 přiznala, že její další pokrok naráží na nedostatek výpočetní kapacity. Partnerství se SpaceXAI mělo tento limit odstranit pomocí infrastruktury Colossus.

Pro firemní zákazníky je zde ještě jeden důležitý detail. Vývojářská data nejsou automaticky využívána bez ohledu na nastavení. Cursor uvádí, že při aktivovaném Privacy Mode nepoužívá zákaznická data k trénování a s poskytovateli modelů udržuje dohody o nulové retenci. Při vypnutém režimu může naopak používat prompty, editorové akce, úryvky kódu a další data ke zlepšování funkcí a modelů.

Pro enterprise nasazení proto nestačí pouze schválit nástroj. Je potřeba správně nastavit organizaci, režim ochrany dat, povolené modely, retenční pravidla a přístup k repozitářům.

Proč spojení SpaceXAI a Cursoru dává smysl

V dubnu 2026 Cursor oznámil partnerství se SpaceX zaměřené na trénink modelů. V červnu následovala dohoda, podle které SpaceX koupí Anysphere za 60 miliard dolarů formou výměny akcií.

Dohoda obsahovala unikátní záložní „break-up“ klauzuli, obří padák pro případ selhání: pokud by se SpaceX nakonec rozhodla Cursor nekoupit celý, nebo pokud by americké regulační orgány (zabývající se ochranou hospodářské soutěže) finální převzetí za 60 miliard s ohledem na monopolizaci trhu zablokovaly, SpaceX by se zavázala vyplatit startupu Cursor fixních 10 miliard dolarů.

Nejde tedy ještě o dávno uzavřenou akvizici. Spolupráce na modelech však začala podstatně dříve a Grok 4.5 je jejím prvním velkým veřejným výsledkem.

Strategická logika je téměř učebnicová.

Cursor přináší:

• miliony vývojářů a zavedený pracovní nástroj,
• distribuci mezi velkými firmami,
• zkušenosti s návrhem coding agentů,
• evaluační a reinforcement-learning prostředí,
• data zachycující interakci lidí, agentů, kódu a nástrojů.

SpaceXAI přináší:

• rozsáhlou infrastrukturu Colossus,
• zkušenosti s trénováním foundation modelů,
• kapitál,
• vlastní inference platformu,
• širší znalostní a multimodální modely.

Nejcennějším aktivem Cursoru přitom nemusí být samotný editor ani veřejně dostupný zdrojový kód. Ten lze získat také z GitHubu a dalších repozitářů.

Výrazně hodnotnější jsou záznamy pracovních postupů:

• co agent navrhl,
• kterou změnu vývojář přijal,
• kterou odmítl,
• jak byla chyba opravena,
• jaké nástroje bylo potřeba použít,
• zda kód prošel testy,
• kolik kroků vedlo k funkčnímu výsledku.

Samotný repozitář ukazuje konečný stav softwaru. Trajektorie práce ukazuje, jak se k němu dostat.

Právě tento typ dat je důležitý pro agenty, kteří nemají pouze doplnit další řádek, ale samostatně řešit několikahodinové úlohy, ověřovat výsledek a zotavit se z vlastní chyby.

Grok 4.5: obecný model s DNA Cursoru

Grok 4.5 je Mixture-of-Experts model trénovaný společně týmy SpaceXAI a Cursoru. Podle Cursoru zahrnoval trénink biliony tokenů dat zachycujících interakce uživatelů s repozitáři a softwarovými nástroji. Dataset měl model naučit nejen podobu hotového softwaru, ale také způsob, jakým vývojáři a agenti v reálných prostředích pracují.

Na rozdíl od Composeru 2.5 nemá být Grok 4.5 úzce specializovaným coding modelem. Tréninková směs zahrnovala také STEM úlohy, odborné materiály a další typy znalostní práce. Cursor jej popisuje jako svůj první model, který byl od začátku určen pro více než samotné softwarové inženýrství.

SpaceXAI uvádí, že model trénovala na desítkách tisíc akcelerátorů NVIDIA GB300. Velká část následného reinforcement learningu se zaměřovala na vícekrokové technické úlohy, používání nástrojů, návrat z chybných cest a ověřování výsledků.

To je podstatný posun oproti tradiční představě chatbota. Model už není hodnocen jen podle toho, zda zná odpověď. Musí dokázat:

1. zjistit, co potřebuje udělat,
2. vybrat vhodný nástroj,
3. provést několik kroků,
4. poznat, že se něco nepovedlo,
5. opravit postup,
6. ověřit konečný výsledek.

U programování je možné mnoho těchto kroků automaticky kontrolovat pomocí testů, kompilátoru nebo porovnání očekávaného výstupu. To dělá ze softwarového vývoje ideální prostředí pro trénink agentů – a také prostředí, kde se chyba modelu obvykle projeví rychleji než v pěkně napsané, ale fakticky pochybné strategické analýze.

Jak dobrý Grok 4.5 skutečně je

SpaceXAI představila Grok 4.5 jako svůj nejsilnější model pro programování, agentní úlohy a znalostní práci. Výsledky ukazují, že patří do skupiny současných frontier modelů. Neznamenají ale, že jednoznačně poráží konkurenci ve všech oblastech.

V testu DeepSWE 1.0 dosáhl Grok 4.5 výsledku 62 %, za modely Fable a GPT-5.5, ale před Claude Opus 4.8. V novější variantě DeepSWE 1.1 skončil za Fable, GPT-5.5 i Opus 4.8. Naopak v dlouhodobějších úlohách SWE Marathon dosáhl 29 %, čímž překonal Opus 4.8 se 26 % a Fable s 24 %. V Terminal-Bench 2.1 se s výsledkem 83,3 % pohyboval těsně pod modely Fable a GPT-5.5.

To je zároveň správná připomínka, proč bychom neměli hodnotit model podle jednoho čísla. Benchmark může měřit kvalitu základního modelu, celý agentní systém nebo kombinaci modelu s konkrétními nástroji. Výsledek může ovlivnit prompt, délka reasoning režimu, dostupný čas i to, zda poskytovatel testoval vlastní model ve vlastním prostředí.

Cursor dokonce u Groku 4.5 otevřeně přiznal kontaminaci vlastního interního benchmarku: starší snapshot kódu Cursoru se omylem dostal do tréninkových dat, a proto firma výsledek z CursorBench do prezentace nezařadila. To je sice chyba v přípravě dat, ale současně příklad transparentnosti, kterou bychom u benchmarků rádi viděli častěji.

Nejdůležitější nemusí být skóre, ale efektivita

SpaceXAI zdůrazňuje především rychlost a tokenovou efektivitu. Standardní verze Groku 4.5 má být poskytována rychlostí přibližně 80 tokenů za sekundu. API stojí 2 dolary za milion vstupních a 6 dolarů za milion výstupních tokenů.

Podle měření publikovaného SpaceXAI spotřeboval Grok 4.5 při řešení jedné úlohy SWE-Bench Pro v průměru 15 954 výstupních tokenů. Claude Opus 4.8 v nejvyšším režimu podle stejného srovnání potřeboval 67 020 tokenů, tedy přibližně 4,2krát více. Jde o údaj výrobce, který je potřeba nezávisle ověřovat, ale princip je důležitý.

U agentů totiž nezáleží jen na tom, zda problém nakonec vyřeší. Záleží také na tom, kolikrát během řešení otevřou stejný soubor, zopakují chybnou úvahu, spustí zbytečný nástroj nebo napíší tři odstavce o tom, že nyní opravdu začnou pracovat.

U jednoho požadavku to může být drobný rozdíl. U tisíců autonomních úloh denně se tokenová efektivita mění v provozní náklad, latenci i množství potřebné infrastruktury. V tomto ohledu zaostávají čínské openweight modely jako např. GLM 5.2 – i když papírová cena za milion tokenů působí lákavě, model je natolik neefektivní, že mnohonásobně dražší modely jako ChatGPT díky efektivitě dokážou splnit úlohu lépe a za méně peněz.

Právě v tomto ohledu má trénink na skutečných pracovních trajektoriích Cursoru největší hodnotu. Model se neučí pouze správný výsledek, ale také procesy, jak k řešení najít kratší a spolehlivější cestu. A díky tomu je Grok 4.5 velmi efektivní s malou spotřebou tokenů.

K 10. červenci 2026 není Grok 4.5 dostupný v produktech SpaceXAI ani přes její API konzoli na území Evropské unie. SpaceXAI očekává evropské zpřístupnění v polovině či ke konci července. Model je ale dostupný přímo v Cursoru na desktopu, webu, mobilních platformách, přes CLI a SDK.

Co z toho plyne pro firmy

Grok 4.5 může být technicky působivý, ale pro podnikové nasazení je důležitější širší změna trhu.

Dodavatelé se snaží propojit celý řetězec:

• výpočetní infrastrukturu,
• základní model,
• tréninková data,
• agentní prostředí,
• pracovní aplikaci,
• distribuci k zákazníkům.

OpenAI má modely, ChatGPT, Codex a rozsáhlá partnerství v infrastruktuře. Anthropic propojuje Claude s Claude Code a vlastními agentními nástroji. Google má modely, cloud, kancelářský ekosystém i vlastní akcelerátory. Microsoft kombinuje Azure, GitHub, Copilot a podnikový software. SpaceXAI si prostřednictvím Cursoru kupuje přímou cestu k vývojářům a jejich workflow.

Pro zákazníka může vertikální integrace přinést nižší cenu, lepší optimalizaci a rychlejší vývoj. Současně ale zvyšuje riziko závislosti na jednom ekosystému.

Při návrhu AI architektury bychom proto doporučili několik principů.

1. Oddělte aplikaci od konkrétního modelu

Obchodní logika by neměla být natvrdo svázaná s jedním API. Rozhraní pro modely, prompty, nástroje a strukturované výstupy by mělo umožnit výměnu poskytovatele bez kompletního přepsání systému.

2. Udržujte vlastní hodnotící sadu

Veřejné benchmarky jsou užitečné, ale nemusí měřit váš proces. Připravte si reálné firemní úlohy, očekávané výsledky a metriky kvality, ceny i rychlosti. Vytvořte si vlastní benchmarky, které měří nejen kvalitu, ale i rychlost a celkovou cenu za úlohu.

3. Směrujte úlohy podle jejich náročnosti

Nejvýkonnější model nemusí zpracovávat každý požadavek. Jednodušší klasifikaci nebo extrakci může zvládnout menší a levnější model. Frontier model lze použít jen tam, kde jeho schopnosti skutečně přinášejí hodnotu (např. návrh architektury či orchestrace). Schopnosti nových frontier modelů jako Fable či GPT-5.6 jsou především v tom, že dokáží skvěle řídit menší modely v náročných a dlouho probíhajících úlohách.

4. Kontrolujte datové podmínky, ne jen logo dodavatele

Rozhodující je konkrétní nastavení retence, trénování, subdodavatelů, regionu zpracování a přístupu k datům. U nástrojů jako Cursor může změna jednoho režimu zásadně změnit způsob, jakým jsou data používána. Dbejte tedy na správné nastavení, které zajistí udržení dat a procesů v rámci firmy.

5. Mějte náhradní cestu

Kritický proces by měl být schopen přejít na jiný model, lokální řešení nebo alespoň omezený manuální režim. Multi-model strategie není jen optimalizace ceny. Stává se součástí business continuity.

Boj už se nevede jen mezi modely

Grok 4.5 není jednoznačně nejlepší model ve všech benchmarcích. Je ale důležitý jako první výsledek strategie, ve které se propojují SpaceX, xAI, Colossus a Cursor.

SpaceXAI měla výpočetní výkon a zkušenosti s velkými modely, ale slabší pozici mezi profesionálními vývojáři a problematickou historii spotřebitelského Groku.

Cursor měl výborný produkt, miliony uživatelů, enterprise distribuci a unikátní data o spolupráci lidí s coding agenty. Chyběl mu ale vlastní rozsáhlý compute a plně nezávislý foundation model.

Grok 4.5 tyto dvě poloviny spojuje.

Zda se z něj stane dlouhodobě významný enterprise model ukáže až reálný provoz. Bude potřeba ověřit konzistenci na dlouhých úlohách, bezpečnost, skutečné náklady i to, jak rychle dokáže SpaceXAI reagovat na chyby mimo kontrolované benchmarky.

Už nyní je ale vidět širší trend.

Další fázi AI nemusí vyhrát firma, která jednou dosáhne nejvyššího skóre v tabulce. Výhodu získají společnosti, které dokážou propojit výpočetní kapacitu, kvalitní data, efektivní model a distribuci. Výsledkem bude produkt, který lidé a firmy skutečně používají.