Grok 4.7 di xAI: benchmark, prezzi e il divario reale con Claude e GPT-6

xAI ha rilasciato Grok 4.7 il 21 settembre 2026, a poco più di cinque settimane da Grok 4.6, con un messaggio semplice: stesso prezzo, stessa velocità, più capacità su coding e lavoro di conoscenza. La pagina di annuncio parla di un modello che «lavora più a lungo sui problemi difficili» e «verifica meglio il proprio lavoro», e lo presenta come altamente competitivo nella sua classe di prezzo.

In questo articolo scoprirai:

• Cosa cambia in Grok 4.7 rispetto a Grok 4.6 e quali benchmark dichiara xAI
• Quanto costa Grok 4.7: prezzi API, token in cache e lo scoglio dei 200.000 token
• Dove si colloca davvero contro Claude Fable 5.1 e GPT-6 Astra nei test indipendenti
• Costo per task completato e latenza: dove Grok 4.7 conviene e dove il vantaggio sparisce
• Sicurezza, precedenti di xAI e a chi conviene adottarlo

Il punto interessante non è l’annuncio. È che i numeri pubblicati da xAI e quelli misurati dai laboratori indipendenti raccontano due storie diverse, e la distanza fra le due è il dato più utile per chi deve decidere se mettere questo modello in produzione. A due settimane dal lancio le misure indipendenti su Grok 4.7 sono arrivate anche per latenza e consumo di token: qui guardiamo cosa cambia davvero, quanto costa per lavoro completato (non per token), e dove il divario con Claude e GPT-6 è reale.

Cosa cambia in Grok 4.7 rispetto a Grok 4.6

xAI dichiara tre interventi sul modello. Il primo è un base model più grande rispetto a quello di Grok 4.6. Il secondo è una fase di reinforcement learning più lunga, su un mix di task più difficili, pesato verso problemi che richiedono molte ore per essere completati. Il terzo è l’addestramento nativo a comprendere l’harness di Grok Bot, cioè l’impalcatura conversazionale con cui il modello viene servito.

Tradotto: xAI ha smesso di ottimizzare per il singolo scambio e ha cominciato a ottimizzare per la sessione lunga. È la stessa direzione che hanno preso tutti i laboratori frontier nel 2026, ed è coerente con il modo in cui questi modelli vengono effettivamente usati, non come chatbot, ma come agenti che eseguono catene di operazioni con strumenti esterni. La capacità che conta in quel regime non è la brillantezza della singola risposta: è non perdere il filo dopo duecento turni.

I benchmark dichiarati da xAI per Grok 4.7

Sui test pubblicati da xAI, il salto generazionale è consistente. Su CursorBench 4.0, il benchmark che stressa i task di coding a lunga durata, Grok 4.7 segna 46,3% contro il 40,4% di Grok 4.6, superando GPT-5.6 Sol (41,7%) ma restando sotto Claude Fable 5.1 (51,8%). Su DeepSWE v1.1 passa da 65,2% a 71,0%. Su EEBench, test di ingegneria elettrica, sale da 53,0% a 64,0% e batte tutti i concorrenti misurati, GPT-5.6 Sol incluso (39,4%).

Il guadagno più vistoso è su Terminal-Bench 4.0: da 20,3% a 38,0%, quasi un raddoppio. Su domini specialistici, xAI riporta 19,6% sull’Harvey Legal Agent Benchmark (contro il 6,7% di Fable 5.1) e 56,7% su HealthBench Professional, dove però GPT-5.6 Sol resta avanti con 60,5%. Su GDPval, il test di lavoro professionale di conoscenza, Grok 4.7 registra 1.695 punti Elo.

Va detto subito che questi sono numeri del produttore, misurati con l’harness del produttore. Non sono falsi, ma non sono neutrali: è la differenza fra un dato dichiarato e un dato verificato da terzi, e nel resto dell’articolo teniamo le due cose separate.

Quanto costa Grok 4.7: prezzi API, token in cache e lo scoglio dei 200.000 token

Il listino è identico a quello di Grok 4.6 e non cambia da Grok 4.5: 2 dollari per milione di token in input e 6 dollari per milione in output, con input in cache a 0,50 dollari. La finestra di contesto è di 500.000 token. Lo confermano sia la documentazione ufficiale xAI sia i listini aggregati di BenchLM, che a ottobre 2026 riporta Grok 4.7 alle stesse cifre del predecessore.

C’è però un dettaglio che cambia i conti e che quasi nessuno legge fino in fondo. Sopra i 200.000 token di prompt, la tariffa raddoppia: 4 dollari in input e 12 in output. Il punto critico, come nota l’analisi di Kingy sulla struttura di pricing, è che xAI fattura l’intera richiesta alla tariffa lunga, non solo i token eccedenti. Una richiesta da 250.000 token costa quindi oltre quattro volte una da 100.000, pur essendo grande solo due volte e mezzo.

Per un agente di coding che accumula contesto turno dopo turno, questa non è una nota a piè di pagina: è la voce che decide il budget mensile. Chi progetta il sistema deve usare la cache in modo aggressivo e compattare il contesto invece di trascinarsi ogni token vecchio per tutta la sessione. È lo stesso ragionamento che si fa sui costi delle API di Claude, e vale la pena farlo prima di firmare, non dopo la prima bolletta.

Grok 4.7 Fast: il doppio della velocità al doppio del prezzo

xAI offre anche una variante Fast di Grok 4.7, servita al doppio del prezzo per il doppio della velocità di output. È un’opzione sensata solo dove la latenza ha un valore economico misurabile, interfacce interattive, assistenza in tempo reale, e inutile per il lavoro batch, dove pagare il doppio per finire prima non produce nulla.

Grok 4.7 vs Claude Fable 5.1 e GPT-6 Astra: dove sta davvero in classifica

Grok 4.7 è un buon modello di seconda fascia, non un modello di frontiera. Secondo la rilevazione riportata da The Decoder sull’Artificial Analysis Intelligence Index v4.3.2, un indice composito che aggrega dieci benchmark, Grok 4.7 ottiene 46 punti, contro i 53 di Claude Fable 5.1 e i 53 di GPT-6. Sette punti di distacco sull’indice composito indipendente, non uno o due: è la fotografia di un buon modello venduto a un prezzo di seconda fascia.

La classifica generale di settembre 2026 raccolta da FelloAI colloca Claude Fable 5.1 in testa (53,4 sull’indice v4.3) e GPT-6 Astra come il più forte su coding e ragionamento, entrambi però a 10/50 dollari per milione di token. Grok viene descritto come il modello con meno restrizioni sui contenuti e integrazione nativa con X, fuori dalla top three sui task generalisti. Il posizionamento è coerente: costa un quinto in input e un ottavo in output rispetto ai due modelli di testa, e rende meno. Per capire da dove parte il modello di Anthropic in vetta, la nostra guida a Claude AI ricostruisce la famiglia e i suoi usi in azienda.

Grok 4.7 nei test indipendenti di Artificial Analysis: dove guadagna davvero

Il miglioramento di Grok 4.7 è reale ma concentrato sul lavoro agentico, non diffuso. Nel suo benchmark dedicato, Artificial Analysis misura solo +2 punti sull’Intelligence Index rispetto a Grok 4.6 (46 contro 44), ma +9 punti sul Coding Agent Index (56, con l’harness Grok Build) e +111 Elo su AA-Briefcase, il suo test privato di lavoro di conoscenza a lungo orizzonte, dove Grok 4.7 arriva a 1.657 Elo, subito dietro i modelli Claude Opus. Il salto viene quasi tutto dalla qualità analitica (1.994 Elo contro 1.690), mentre la qualità di presentazione resta ferma (1.499 contro 1.519).

Fuori dal lavoro agentico, secondo la stessa fonte, Grok 4.7 è sostanzialmente allineato a Grok 4.6. Chi lo usa come chatbot generalista non noterà un cambio di generazione; chi lo usa come agente su sessioni lunghe sì.

Terminal-Bench 4.0: perché xAI dichiara 38% e le misure indipendenti 26%

Sullo stesso benchmark nominale, Terminal-Bench 4.0, xAI pubblica 38,0% mentre la misura indipendente riportata da The Decoder si ferma al 26%, con GPT-6 Astra al 60% e Fable 5.1 al 55%. Dodici punti di scarto sulla stessa prova.

La spiegazione più probabile non è la malafede, ma l’harness: xAI misura il proprio modello dentro la propria impalcatura, ottimizzata per esso, mentre i laboratori terzi usano una configurazione uniforme per tutti. Un indizio in questa direzione arriva dai dati di Artificial Analysis riportati da OrcaRouter: dentro l’harness nativo Grok Build, la componente Terminal-Bench del Coding Agent Index sale al 33%, a metà strada fra il 26% della configurazione uniforme e il 38% dichiarato da xAI. Lo stesso problema metodologico era dichiarato apertamente da Snorkel nel suo test su circa 2.000 task professionali, dove Grok 4.5 girava con l’agente Grok Build mentre i concorrenti usavano un agente Stirrup: Grok chiudeva al 29% di pass rate contro il 22% di GPT-5.5 e il 21% di Claude Opus 4.8, ma Snorkel stessa avverte che harness diversi indeboliscono la comparabilità.

CursorBench e l’acquisizione di Cursor: il contesto dei benchmark di Grok 4.7

C’è un secondo elemento di contesto che vale la pena conoscere: dalla versione 4.5 i modelli Grok sono co-sviluppati con Cursor, la cui acquisizione da parte di SpaceX, valutata circa 60 miliardi di dollari in azioni, si è chiusa il 14 agosto 2026, come riporta 9to5Mac. CursorBench, dove Grok 4.7 mostra il suo risultato migliore in rapporto ai concorrenti, è il benchmark di quella stessa realtà. Non è una prova di manipolazione, ed è giusto non presentarla come tale, ma è un’informazione che un valutatore dovrebbe avere sotto gli occhi mentre legge la tabella.

Il costo per task completato: il numero che conta più del prezzo per token

Il prezzo per token è il dato che tutti citano e quasi nessuno dovrebbe usare per decidere. Quello che si paga davvero è il costo per lavoro portato a termine, che dipende da quanti token il modello brucia per arrivarci e da quante volte sbaglia strada.

Costo per task di Grok 4.7: le prime misure indipendenti

Su lavoro di conoscenza a lungo orizzonte, Grok 4.7 costa circa la metà di Claude Opus 5. Sui dati AA-Briefcase di Artificial Analysis riportati da OrcaRouter, un task costa circa 9,30 dollari con Grok 4.7 contro circa 17,79 dollari con Opus 5 a sforzo massimo. Metà prezzo, non un sesto: il listino cinque volte più basso si restringe perché Grok 4.7 consuma molti più token.

È il dato da tenere d’occhio. Secondo Artificial Analysis, alla massima impostazione di ragionamento (xhigh) Grok 4.7 genera circa 81.000 token di output per task dell’Intelligence Index, contro i 36.000 di Grok 4.6 e i 27.000 di GPT-6 Astra: il 125% e il 196% in più. Il modello pensa più a lungo, come promesso da xAI, e quel pensiero si paga a token.

Costo per task: il precedente di Grok 4.6 e due misure che non coincidono

Sulla generazione precedente i dati si contraddicono, ed è onesto dirlo. Da un lato, la rilevazione su CursorBench 3.2 riportata da 24/7 Wall St. dà Grok 4.6 a 2,81 dollari per task con il 70,8% di successo, contro 17,32 dollari di Fable 5 Max (70,5%), 8,23 di Opus 5 Max (70,0%) e 5,69 di GPT-5.6 Sol Max (67,2%): stesso risultato a un sesto del prezzo. Dall’altro, il confronto testa a testa di OrcaRouter fra GPT-6 Astra e Grok 4.6 misura, a sforzo equiparato, 1,72 dollari per task per Astra contro 1,86 per Grok: il modello che costa cinque volte tanto per token finisce per costare meno per lavoro finito, perché ne spreca molto meno.

Quando il vantaggio di prezzo di Grok 4.7 smette di esistere

Le misure non si escludono, misurano cose diverse: task di coding lunghi, un paniere generalista a effort allineato, lavoro di conoscenza agentico. La lezione operativa è che il vantaggio di prezzo di Grok 4.7 non è una costante, è una funzione del carico di lavoro, e con un modello più verboso del predecessore il margine si assottiglia. Su compiti dove il modello arriva in fondo senza girare a vuoto, il risparmio è consistente. Su compiti dove fatica, il divario si azzera o si inverte. Chi valuta l’adozione deve misurare sul proprio carico reale, non sul listino: è esattamente il meccanismo per cui molti progetti di AI generativa non producono il ROI atteso.

Latenza e turni: dove Grok 4.7 batte i modelli che lo superano nei benchmark

Sulla velocità di risposta il confronto si ribalta, e questo asse non compare quasi mai nelle classifiche. Grok 4.7 risponde in decine di secondi, GPT-6 Astra in minuti: per un prodotto che risponde a un utente in attesa, questa differenza vale più del distacco sull’indice composito.

Latenza di Grok 4.7: 38 secondi al primo token

Ora il dato su Grok 4.7 è misurato da terzi. Secondo la scheda di Artificial Analysis, alla configurazione xhigh Grok 4.7 impiega 38,5 secondi per il primo token e genera 81,9 token al secondo, sopra la media; il tempo medio per completare un task dell’indice è di circa 7,1 minuti, secondo il benchmark dedicato. Il profilo è in linea con quello di Grok 4.6, che OrcaRouter misurava a 39 secondi al primo token e 47 per la risposta completa: la promessa di xAI di «stessa velocità» regge.

Nello stesso confronto di OrcaRouter, GPT-6 Astra impiega 334 secondi per il primo token e 343 per la risposta completa. Astra pensa per minuti prima di rispondere, il che lo rende inadatto a qualunque applicazione interattiva. Trovi il dettaglio di latenza, costo per task e consumo di turni della generazione precedente nella rilevazione su Grok 4.6.

Quando la lentezza di GPT-6 Astra non è un problema

La lentezza di Astra pesa solo dove qualcuno aspetta la risposta. Nel lavoro di sviluppo asincrono il conto cambia: OpenAI racconta che Higgsfield AI ha rilasciato nuove funzioni video in un giorno dopo aver ottenuto l’accesso a GPT-6 Astra, con un singolo ingegnere, attribuendo la velocità alla capacità del modello di pianificare il lavoro su molti passaggi. Lì i minuti di attesa al primo token sono irrilevanti; quello che conta è che la catena arrivi in fondo. È il caso d’uso opposto a quello in cui Grok 4.7 dà il meglio.

Turni e contesto: l’efficienza di Grok 4.7 sui task lunghi

Sull’efficienza di contesto il quadro è meno lineare di quanto sembrasse al lancio. Artificial Analysis aveva rilevato che Grok 4.6 chiude i task a lungo orizzonte in circa 53 turni e 0,5 miliardi di token di input medi, contro i circa 103 turni e 2,0 miliardi di token di Claude Opus 5. Al lancio era ragionevole supporre che Grok 4.7 ereditasse quel profilo; i dati sui token di output, più che raddoppiati rispetto a Grok 4.6, suggeriscono invece un modello che ragiona di più a ogni passaggio. Il dato per turno su Grok 4.7 non è ancora pubblicato in forma indipendente, quindi resta una domanda aperta.

Nella scelta fra modelli frontier la domanda giusta non è quale sia il più intelligente, ma quale sia abbastanza intelligente entro il tempo e il budget che il tuo caso d’uso concede.

Le garanzie di sicurezza di Grok 4.7 e cosa dice il passato di xAI

xAI presenta Grok 4.7 con quello che definisce uno stack di salvaguardie interamente nuovo, descritto come il più robusto mai testato dall’azienda su rifiuti e resistenza ai jailbreak. Il numero pubblicato nell’annuncio ufficiale: su HackerBench v0.3, il modello ha accettato il 3,3% dei prompt dual-use rischiosi, cioè richieste che possono servire sia a scopi legittimi sia offensivi. C’è anche un dato di biosicurezza, 62,4% su LatchBio, dalla stessa fonte.

Gli incidenti di sicurezza di xAI prima di Grok 4.7

Il claim va letto sullo sfondo della storia dell’azienda, che non è neutra. Nel luglio 2025, dopo un aggiornamento che istruiva il bot a non avere paura di offendere i «politicamente corretti», Grok produsse contenuti antisemiti e xAI si scusò pubblicamente, come ricostruito da CNN. Ad agosto 2025 Forbes scoprì centinaia di migliaia di conversazioni condivise indicizzate su Google senza che gli utenti lo sapessero. Da marzo 2026 xAI affronta diverse cause, anche di minori, per immagini sessuali non consensuali generate con Grok, che accusano l’azienda di non aver adottato i guardrail standard del settore, come riporta The 19th.

Che il 3,3% su HackerBench sia un miglioramento reale è plausibile. Che sia sufficiente per un deployment aziendale in un settore regolato è un’altra domanda, e la risposta non sta in un benchmark: sta nella documentazione che riesci a produrre a un auditor. Chi opera in ambiti coperti dall’AI Act e dalle sue scadenze deve valutare non solo il tasso di rifiuto del modello, ma la tracciabilità e la governance del fornitore. Sono due criteri distinti e il secondo, qui, pesa.

Chi dovrebbe usare Grok 4.7 e chi dovrebbe guardare altrove

Grok 4.7 ha un profilo netto, e riconoscerlo evita sia l’entusiasmo sia la liquidazione sbrigativa. È disponibile via API xAI, su Cursor e Grok Build, sui router di modelli e, dal 28 settembre 2026, anche su Amazon Bedrock, con contesto da 500.000 token e quattro livelli di ragionamento (low, medium, high, xhigh).

Ha senso dove il volume è alto e l’errore è recuperabile: generazione di codice di routine, refactoring, elaborazione documentale massiva, prototipazione, prodotti interattivi dove i circa 38 secondi al primo token di Grok 4.7 (misurati da Artificial Analysis) contro i 334 di GPT-6 Astra (nel confronto di OrcaRouter) sono la differenza fra un’esperienza usabile e una inutilizzabile. Ha senso anche come modello di secondo livello in un’architettura a cascata, dove si tenta prima la via economica e si scala al modello costoso solo sui casi che falliscono.

Non ha senso dove il compito è agentico, lungo e senza supervisione: il 26% misurato indipendentemente su Terminal-Bench 4.0 contro il 60% di GPT-6 Astra, secondo i dati riportati da The Decoder, non è un dettaglio da compensare con il prompt. Non ha senso dove il costo di un errore supera di molto il risparmio sul token, ambito medico, legale vincolante, finanziario. E non ha senso in contesti dove la due diligence sul fornitore è parte dell’audit.

Grok 4.7 per il coding agentico in azienda: cosa verificare prima

Se stai valutando la costruzione di agenti su misura con questo modello, ci sono tre verifiche da fare prima di impegnarti:

• Misura la distribuzione reale della lunghezza dei tuoi prompt: se una quota significativa supera i 200.000 token, oltre i quali l’intera richiesta passa alla tariffa doppia, il vantaggio di prezzo evapora.
• Costruisci un set di venti task rappresentativi del tuo dominio e misura il costo per task completato, non il costo per chiamata: i dati pubblici si contraddicono proprio perché il risultato dipende dal carico. Prova anche livelli di ragionamento diversi, perché a xhigh i token di output esplodono.
• Verifica la resa dentro il tuo harness, non dentro quello di xAI, perché è lì che si spiegano i dodici punti di scarto su Terminal-Bench.

Grok 4.7 nel mercato dei modelli: prezzo contro capacità

Il quadro generale resta quello di un mercato in cui i grandi modelli linguistici si stanno differenziando per posizionamento economico più che per capacità assoluta. Grok 4.7 non è il modello migliore di settembre 2026 e xAI non sostiene che lo sia: è il modello che offre il rapporto più aggressivo fra capacità e listino in una fascia dove i concorrenti, da Anthropic agli ultimi modelli di ChatGPT e OpenAI, chiedono cinque volte tanto. Con una cadenza di rilascio di circa cinque settimane la fotografia invecchia in fretta: Musk ha già annunciato il 13 settembre che Grok 4.8, un modello da 2,5 trilioni di parametri, stava finendo l’addestramento, secondo la ricostruzione di CellCog. Per una parte consistente dei carichi di lavoro reali, Grok 4.7 è la scelta giusta. Per un’altra parte, risparmiare sul modello è il modo più efficace di spendere di più.

Fonti:

• xAI, annuncio ufficiale di Grok 4.7 e benchmark dichiarati
• xAI, documentazione ufficiale su modelli e prezzi API
• Artificial Analysis, benchmark di Grok 4.7
• Artificial Analysis, scheda di Grok 4.7: latenza, velocità e prezzo
• AWS, Grok 4.7 disponibile su Amazon Bedrock
• The Decoder, il divario di Grok 4.7 con Claude e GPT-6
• OrcaRouter, Grok 4.7: AA-Briefcase e costo per task rispetto a Opus 5
• OpenAI, Higgsfield AI rilascia nuove funzioni video in un giorno con GPT-6 Astra
• BenchLM, listino aggregato delle API xAI
• Kingy, prezzi, benchmark e finestra di contesto di Grok
• FelloAI, classifica dei migliori modelli AI di settembre 2026
• Snorkel, test di Grok su lavoro professionale reale
• 24/7 Wall St., costo per task su CursorBench 3.2
• OrcaRouter, confronto GPT-6 Astra vs Grok 4.6
• Artificial Analysis, benchmark e analisi di Grok 4.6
• 9to5Mac, SpaceXAI completa l’acquisizione di Cursor
• CellCog, Grok 4.8: l’annuncio di Musk del 13 settembre
• CNN, le scuse di xAI per i post antisemiti di Grok
• Forbes, centinaia di migliaia di conversazioni Grok indicizzate
• The 19th, le cause contro xAI per i deepfake sessuali generati con Grok