OpenAI、日常生活のタスクでAIエージェントを評価する「LifeVal」を発表

OpenAIは2026年11月2日、保育施設の空き枠探し、公共サービスの手続き、家計予算の作成、食材の注文、運動プログラムの準備といった日常生活のタスクを同社モデルが遂行する能力を測定する評価手法LifeValを発表した。同社はモデルの追跡と改善のために1年前からこれを利用してきたとしているが、公開されたのは一部の選定されたタスク別のスコアのみにとどまる。

時間の使い方に関する調査に基づくタスク

タスクの選定にあたり、OpenAIは人々が日常をどのように過ごしているかに関する2つの大規模調査、American Time Use SurveyおよびMultinational Time Use Studyを出発点としたと説明している。さらに、パーソナルアシスタントに支援してほしいタスクについて3,995人を対象に実施した「人口統計学的に代表性のある」新たな調査によってこれを補完した。選定された領域は、親族の育児・介護、健康、教育、家庭の行政手続き、個人資産管理、買い物、公共サービスへのアクセスである。

狙いはチャットボットの回答を評価することではなく、最後までやり遂げられた行動を評価することにある。OpenAIは、真に有用なアシスタントは単に助言を与えるだけでなく、物事を完遂するために行動できなければならないと記しており、LifeValを同社モデルのウェブブラウジング、コンピュータ操作、コネクタ機能の訓練と結びつけている。

公開されたスコア

同ページには、OpenAIの現行モデルに関するいくつかのタスクとそのスコアが示されている。

2026年11月2日に閲覧されたLifeValのページでOpenAIが公開したスコア。

2つ目の表には、GPT-6 Astraの最高記録スコアが100%に達したタスク（幼児向け感覚ワークショップの予約、車のメンテナンス予約、予算内でのハラール食品の注文、メーリングリストの配信停止など）が列挙されている。

不足している要素

閲覧されたページには、総合スコア、タスクの総数、競合モデルの結果、詳細な採点方法は示されておらず、タスクが公開されるかどうかも記載されていない。表には「最高記録スコア」と記載されているものの、タスクごとに何回の試行が行われたのかは明記されていない。もう1つの相違点として、X上でOpenAIは「数千人のChatGPTユーザー」からのフィードバックと言及している一方、ページ上では3,995人を対象とした代表調査と説明されている。LifeValは、専門的なタスクでどのモデルも12%を超えなかったSemiAnalysisのエージェントベンチマーク「GDPx」と同日に公開された。