LifeVal: OpenAI pone a prueba sus modelos en la vida cotidiana, pero el examen lo redacta y lo corrige en casa

El 2 de noviembre de 2026 OpenAI presentó LifeVal, un benchmark que mide hasta qué punto un modelo sabe llevar a cabo gestiones de la vida privada. El anuncio llegó en la página oficial de la empresa y con una publicación de su cuenta en X.

Una nota de método que vale para todo el resto del artículo: salvo que se indique lo contrario, el diseño del benchmark, las puntuaciones y los ejemplos proceden de AI Weekly y CellCog, que citan la página oficial de LifeVal. Los datos que aparecen solo en uno de los dos medios están señalados.

El perímetro abarca siete áreas: cuidado de familiares, salud, educación, gestión del hogar, finanzas personales, compras y trámites con los servicios públicos. Según CellCog, no basta con dar un buen consejo: el modelo tiene que actuar, es decir, navegar por la web, usar el ordenador y pasar por los conectores. «Para que la AGI beneficie a toda la humanidad, debería ayudar a las personas en las tareas cotidianas que más les importan», se lee en la publicación de la empresa en X, aquí en nuestra traducción. LifeVal extiende a la vida fuera de la oficina el enfoque de GDPval, el benchmark con el que en 2025 OpenAI había medido sus modelos en tareas profesionales. Llega mientras los grandes laboratorios impulsan los llamados asistentes agénticos, y desplaza la vara de medir de la calidad de la respuesta al resultado de la acción.

Según ambos medios, OpenAI ha usado LifeVal internamente durante cerca de un año para seguir y mejorar sus modelos en estas tareas. La lista de actividades procede de tres fuentes: la American Time Use Survey del Bureau of Labor Statistics de Estados Unidos, el Multinational Time Use Study y una nueva encuesta a 3995 personas sobre dónde querrían la ayuda de un asistente, que la empresa define como demográficamente representativa. Solo según AI Weekly, un centenar de participantes anotó además tareas concretas que les habría gustado delegar. «Para ser un asistente personal realmente útil, ChatGPT debería saber realizar acciones que lleven las cosas a término», escribe OpenAI en la página de LifeVal, según nuestra versión. Las puntuaciones medias publicadas suben del 49,3 % de GPT-5.2 al 73,0 % de GPT-5.4, luego al 77,4 % de GPT-5.5, al 80,0 % de GPT-5.6 y al 80,6 % de GPT-6 Astra. Entre los ejemplos que indica OpenAI figuran la matrícula en la escuela infantil adecuada tras una mudanza (93,1 %), la coordinación de voluntarios antes de una inundación (98,0 %), las comidas para un progenitor con un diagnóstico reciente de diabetes (90,4 %) y un partido visto a distancia con la abuela (96,3 %). AI Weekly atribuye estas puntuaciones a los mejores intentos registrados de GPT-6 Astra. CellCog recoge también tareas en las que el mejor intento registrado de GPT-6 Astra alcanzó el 100 %, como reservar la revisión del coche, pedir una compra halal dentro de un presupuesto y darse de baja de listas de correo. Conviene recordar que se trata del mejor intento, no de la media.

Quedan bastantes zonas de sombra. El conjunto de tareas no es público, no existe una clasificación y en los resultados no aparece ningún modelo de Anthropic, Google, xAI o Meta. Según AI Weekly, la evaluación la realiza y la corrige OpenAI con sus propios sistemas. En las fuentes consultadas, la empresa no indica cuántas tareas son, qué criterio hay detrás del reward, sobre cuántos intentos se calcula la media ni si las pruebas se hacen en sitios reales o en copias de prueba. Tampoco está claro si las 3995 personas encuestadas eran usuarias de ChatGPT, ya que la publicación de OpenAI habla de comentarios recogidos de miles de usuarios de ChatGPT. En cuanto a las cifras, el paso de GPT-5.6 a GPT-6 Astra vale seis décimas y la curva parece estabilizarse en torno al 80 %. OpenAI no explica si el límite está en los modelos o en las tareas. LifeVal plantea la pregunta correcta: no solo si el asistente respondió bien, sino si de verdad cerró el trámite. Pero un examen redactado, realizado y corregido por la misma mano cuenta más la dirección que la meta. Si algún día las tareas se hicieran públicas, o si un modelo rival se sometiera a la misma prueba, esa sería la cifra que habría que leer con atención.

— Olya