Cursor und xAI haben Grok 4.5 am 8. Juli 2026 veröffentlicht, und der interessante Satz steht nicht in der Benchmark-Tabelle. Training, so schreiben sie, „umfasste Billionen Token von Cursor-Daten, die Benutzerinteraktionen mit Codebasen und Softwarewerkzeugen abbilden”. Repositories waren nie der Punkt. Interaktionen waren es. Das Modell lernte die Trajektorie — wie Entwickler untersuchen, scheitern, zurückgehen, verifizieren — nicht nur die fertige Datei.

Als Systemdiagramm ist das eine neue Kante im Graphen. Die IDE ist kein Client des Modells mehr, sondern eine vorgelagerte Datenquelle für es. Cursors Anmerkung, dass „ein früherer Snapshot der Cursor-Codebasis versehentlich ins Training aufgenommen wurde” — ihre Worte, in ihrem CursorBench-Caveat — verrät ehrlich, dass diese Pipeline jung ist und ihre Grenzen nicht scharf sind.

Die Topologie hinter der Veröffentlichung

Grok 4.5 ist ein Mixture-of-Experts-Modell zu $2/M Input und $6/M Output (schnelle Variante: $4/M in, $18/M out). Cursor verdoppelt die enthaltene Nutzung für eine Woche und verteilt das Modell über Desktop, Web, iOS, CLI und SDK. Composer 2.5, der Code-Spezialist, bleibt als kleinere Gewichtsklasse im Pool. Die Produktoberfläche bietet jetzt zwei Grössen, und die bewusste Ausweitung des Datenmix — hochwertige STEM-Aufgaben, Forschungspapiere, „andere Knowledge-Work” — ist eine Wette, dass generalistisches Denken auf Langzeit-Aufgaben besser ist als ein schmaler Code-Kopf.

Der Mechanismus, der Namensgebung wert: die Environment-Fabrik. Cursor beschreibt „ein verteiltes Agent-System zum Konstruieren dieser Umgebungen im Massstab”, wo Ingenieure Problem und Verifier festlegen und Agenten-Gruppen jede Aufgabe bauen, testen, verfeinern. Einige dieser Umgebungen, so behaupten sie, „hätten Teams von Hunderten von Ingenieuren Monate gekostet”. Das ist eine Schleife: Modell N baut das Trainings-Substrat für Modell N+1. TNW’s Launch-Berichterstattung rahmt die Veröffentlichung als xAIs erstes Modell jenseits von Software-Engineering; die Schleife macht diese Behauptung strukturell plausibel, nicht nur Marketing.

Wo die Abhängigkeit wächst

Ein Architekturbüro mit Grasshopper-Skripten, IFC-Exporten und Python-Klebschicht trägt jetzt eine neue Abhängigkeit: ein proprietäres Modell, dessen Qualität teilweise von Telemetrie über deine Arbeitspraxis stammt. Das ist nicht automatisch schlecht. Es ist unbepreist. Stelle drei Fragen an jeden AI-Stack: Was verlässt die Maschine, was wird beibehalten, was passiert, wenn der Vendor-Endpunkt 503 zurückgibt. Büros nach einer Werkzeug-Migration berichten: das Ding, das sie nicht ersetzen konnten, war nicht die Software — es war der undokumentierte Workflow, der sich stillschweigend hineinbewegt hatte.

Atelier: Die Frage ist nicht Beschaffung sondern Einwilligung — worauf einigten sich die Mitglieder beim Öffnen der IDE. Wer agentic Tools einführt, erbt eine Datenschutzrichtlinie, ob geschrieben oder nicht. Montagschritt: öffne deine AI-IDE’s Datenschutzeinstellung, schalt das Projekt mit Klientengeometrie und Ausschreibungsdaten auf no-training/local-index, und schreib die Einzeiler-Regel in dein BEP, damit der nächste Hire erbt statt nachzumachen.

Hack: Zeichne den echten Abhängigkeitsgraphen deiner Werkzeugkette auf, bevor ein Vendor es tut. Pythons importlib.metadata listet jedes Drittanbieter-Paket auf, das deine Umgebung wirklich auflöst — den Live-Graphen, nicht das Wand-Diagramm. Lauf es im Interpreter deiner Grasshopper-Skripte oder IfcOpenShell-Kette, und zähl die Namen, die du nicht erwartet hast. Der, den du nicht erklären kannst, ist dein dritter Single Point of Failure.

from importlib.metadata import distributions
deps = {d.metadata["Name"]: d.version for d in distributions()}
for name in sorted(deps):
    print(f"{name:30s} {deps[name]}")
print(f"-- {len(deps)} packages in the real graph")

Der Trade-off, klar

Die Ausweitung des Datenmix kauft Generalität und kostet Schärfe: Cursor ist klar, dass Composer 2.5 als Code-Spezialist trainiert wurde und beide Gewichtsklassen bleiben. Ein Generalist zu $6/M Output ist also ein schlechter Call für repetitive IFC-Parse-Arbeit, die ein kleineres Modell zu einem Bruchteil bewältigt. Die neuen Cybersecurity-Safeguards sind eine stille Eingeständnis, dass ein Modell, das gut im „kreativ Tools nutzen” ist, das in beide Richtungen kann.

PAZ’s Position ist langweilig, und wir wiederholen sie: baue was du nicht verlieren darfst. Die PAZ Grasshopper↔Archicad-Bibliothek ist darum First-Party-Schicht, nicht Vendor-Plugin — der Workflow bleibt lesbar, wenn sich das Modell ändert. Mit offener Austauschpfad (Speckle, Bonsai) wird das Modell austauschbar statt tragend.

←HEUTE: Deine Tastenanschläge in einer AI-IDE sind ein Trainings-Input, bepreist bei $2/M Input und $6/M Output auf dem Rückweg zu dir.
→3012: Die Büros, die überlebten, waren diejenigen, die wussten, welche ihrer Werkzeuge ihre Praxis hielten, nicht nur ihre Dateien.
Drehpunkt: Eine Abhängigkeit, die du nicht siehst, ist eine Abhängigkeit, die du nicht bepreisen kannst — und die IDE ist gerade von Werkzeug zu Supplier geworden.

Teste Grok 4.5 in der verdoppelten Nutzungswoche, benchmark es gegen Composer 2.5 auf einer echten Task aus deinem Backlog, notiere Kosten pro Completion. Dann zeichne den echten Abhängigkeitsgraphen mit den Vendor-Endpunkten auf und häng ihn auf, wo das Team die Kanten sieht.

Quelle: cursor.com