LifeVal: OpenAI stellt seine Modelle im Alltag auf die Probe – doch die Prüfung schreibt und korrigiert es selbst

Am 2. November 2026 hat OpenAI LifeVal vorgestellt, einen Benchmark, der misst, wie gut ein Modell Erledigungen des Privatlebens zu Ende bringen kann. Die Ankündigung erschien auf der offiziellen Seite des Unternehmens und in einem Post seines Accounts auf X.

Ein methodischer Hinweis, der für den gesamten Rest des Artikels gilt: Sofern nicht anders angegeben, stammen Aufbau des Benchmarks, Werte und Beispiele von AI Weekly und CellCog, die beide die offizielle LifeVal-Seite zitieren. Angaben, die nur in einem der beiden Medien stehen, sind gekennzeichnet.

Der Rahmen umfasst sieben Bereiche: Betreuung von Angehörigen, Gesundheit, Bildung, Haushaltsführung, private Finanzen, Einkäufe und der Umgang mit Behörden. Laut CellCog reicht ein guter Rat nicht aus: Das Modell muss handeln, also im Web navigieren, den Computer bedienen und über Konnektoren gehen. „Damit AGI der ganzen Menschheit zugutekommt, sollte sie Menschen bei den alltäglichen Aufgaben helfen, die ihnen am wichtigsten sind“, heißt es im Post des Unternehmens auf X, hier in unserer Übersetzung. LifeVal überträgt den Ansatz von GDPval, dem Benchmark, mit dem OpenAI 2025 seine Modelle an beruflichen Aufgaben gemessen hatte, auf das Leben außerhalb des Büros. Er kommt zu einem Zeitpunkt, an dem die großen Labore sogenannte agentische Assistenten vorantreiben, und verschiebt den Maßstab von der Qualität der Antwort auf das Ergebnis der Handlung.

Den beiden Medien zufolge hat OpenAI LifeVal rund ein Jahr lang intern genutzt, um seine Modelle bei diesen Aufgaben zu beobachten und zu verbessern. Die Aufgabenliste speist sich aus drei Quellen: dem American Time Use Survey des US-amerikanischen Bureau of Labor Statistics, der Multinational Time Use Study und einer neuen Umfrage unter 3.995 Befragten dazu, wo sie sich Hilfe von einem Assistenten wünschen würden – laut Unternehmen demografisch repräsentativ. Allein nach Angaben von AI Weekly haben rund hundert Teilnehmende außerdem konkrete Aufgaben notiert, die sie gern abgegeben hätten. „Um ein wirklich nützlicher persönlicher Assistent zu sein, sollte ChatGPT Handlungen ausführen können, die Dinge erledigen“, schreibt OpenAI auf der LifeVal-Seite, in unserer Wiedergabe. Die veröffentlichten Durchschnittswerte steigen von 49,3 % bei GPT-5.2 auf 73,0 % bei GPT-5.4, dann auf 77,4 % bei GPT-5.5, 80,0 % bei GPT-5.6 und 80,6 % bei GPT-6 Astra. Zu den von OpenAI genannten Beispielen gehören die Anmeldung im passenden Kindergarten nach einem Umzug (93,1 %), die Koordination von Freiwilligen vor einem Hochwasser (98,0 %), Mahlzeiten für ein Elternteil mit frischer Diabetesdiagnose (90,4 %) und ein Spiel, das man aus der Ferne gemeinsam mit der Oma schaut (96,3 %). AI Weekly ordnet diese Werte den besten erfassten Versuchen von GPT-6 Astra zu. CellCog nennt zudem Aufgaben, bei denen der beste erfasste Versuch von GPT-6 Astra 100 % erreichte, etwa die Buchung der Hauptuntersuchung fürs Auto, eine Halal-Einkaufsbestellung innerhalb eines Budgets und das Abmelden von Mailinglisten. Wohlgemerkt: Es handelt sich um den besten Versuch, nicht um den Durchschnitt.

Es bleiben etliche Grauzonen. Die Aufgabensammlung ist nicht öffentlich, es gibt keine Rangliste, und in den Ergebnissen taucht kein Modell von Anthropic, Google, xAI oder Meta auf. Laut AI Weekly wird die Bewertung von OpenAI mit eigenen Systemen durchgeführt und korrigiert. In den herangezogenen Quellen gibt das Unternehmen nicht an, wie viele Aufgaben es sind, welches Kriterium hinter dem Reward steckt, über wie viele Versuche der Durchschnitt gebildet wird und ob die Tests auf echten Websites oder auf Testkopien laufen. Unklar ist auch, ob die 3.995 Befragten ChatGPT-Nutzer waren, denn der Post von OpenAI spricht von Feedback tausender ChatGPT-Nutzer. Was die Zahlen angeht: Der Schritt von GPT-5.6 zu GPT-6 Astra beträgt sechs Zehntelpunkte, und die Kurve scheint sich um 80 % einzupendeln. OpenAI erklärt nicht, ob die Grenze bei den Modellen oder bei den Aufgaben liegt. LifeVal stellt die richtige Frage: nicht nur, ob der Assistent gut geantwortet hat, sondern ob er die Sache wirklich erledigt hat. Doch eine Prüfung, die von derselben Hand geschrieben, abgelegt und korrigiert wird, erzählt mehr über die Richtung als über das Ziel. Sollten die Aufgaben eines Tages öffentlich werden oder ein Konkurrenzmodell denselben Test durchlaufen, wäre das die Zahl, die man genau lesen sollte.

— Olya