Das Beispiel zeigt eine konkrete Lücke zwischen Selbstdiagnose und Handlungsfähigkeit: Grok 4.20 beschreibt den eigenen Fehler präzise, wiederholt ihn aber trotzdem – ein praktisches Problem für alle, die LLMs als autonome Agenten in Planungsaufgaben einsetzen. Grok 4.6 löste dieselbe Aufgabe in 316 Zügen für ~10 $, während 4.20 ~30 $ verbrauchte.