LifeVal: OpenAI zet zijn modellen op de proef in het dagelijks leven, maar schrijft en corrigeert het examen zelf

Op 2 november 2026 presenteerde OpenAI LifeVal, een benchmark die meet hoe goed een model klusjes uit het privéleven tot een goed einde kan brengen. De aankondiging verscheen op de officiële pagina van het bedrijf en in een bericht van zijn account op X.

Een methodologische opmerking die voor de rest van het artikel geldt: tenzij anders vermeld, zijn de opzet van de benchmark, de scores en de voorbeelden overgenomen van AI Weekly en CellCog, die allebei de officiële LifeVal-pagina citeren. Gegevens die maar in één van de twee media staan, zijn aangegeven.

Het terrein beslaat zeven gebieden: zorg voor familieleden, gezondheid, onderwijs, het huishouden, persoonlijke financiën, aankopen en contact met overheidsdiensten. Volgens CellCog volstaat een goed advies niet: het model moet handelen, dus op het web navigeren, de computer gebruiken en via connectoren werken. ‘Wil AGI de hele mensheid ten goede komen, dan moet ze mensen helpen bij de dagelijkse taken die voor hen het meest tellen’, staat in het bericht van het bedrijf op X, hier in onze vertaling. LifeVal trekt de aanpak van GDPval, de benchmark waarmee OpenAI in 2025 zijn modellen op professionele taken mat, door naar het leven buiten kantoor. Hij komt op een moment dat de grote labs zogeheten agentische assistenten pushen, en verlegt de maatstaf van de kwaliteit van het antwoord naar de uitkomst van de actie.

Volgens beide media gebruikte OpenAI LifeVal ongeveer een jaar intern om zijn modellen op deze taken te volgen en te verbeteren. De takenlijst is gebaseerd op drie bronnen: de American Time Use Survey van het Amerikaanse Bureau of Labor Statistics, de Multinational Time Use Study en een nieuwe enquête onder 3.995 respondenten over waar ze graag hulp van een assistent zouden willen, die het bedrijf demografisch representatief noemt. Alleen volgens AI Weekly noteerde een honderdtal deelnemers ook concrete taken die ze hadden willen uitbesteden. ‘Om een echt nuttige persoonlijke assistent te zijn, zou ChatGPT acties moeten kunnen uitvoeren die dingen gedaan krijgen’, schrijft OpenAI op de LifeVal-pagina, in onze weergave. De gepubliceerde gemiddelde scores stijgen van 49,3% voor GPT-5.2 naar 73,0% voor GPT-5.4, en daarna naar 77,4% voor GPT-5.5, 80,0% voor GPT-5.6 en 80,6% voor GPT-6 Astra. Tot de voorbeelden die OpenAI noemt horen de inschrijving bij de juiste kleuterschool na een verhuizing (93,1%), het coördineren van vrijwilligers vóór een overstroming (98,0%), maaltijden voor een ouder bij wie net diabetes is vastgesteld (90,4%) en samen met oma op afstand naar een wedstrijd kijken (96,3%). AI Weekly schrijft deze scores toe aan de best geregistreerde pogingen van GPT-6 Astra. CellCog noemt ook taken waarbij de best geregistreerde poging van GPT-6 Astra 100% haalde, zoals een keuring voor de auto boeken, halal boodschappen binnen een budget bestellen en je afmelden voor mailinglijsten. Let wel: het gaat om de beste poging, niet om het gemiddelde.

Er blijven heel wat grijze zones. De takenset is niet openbaar, er is geen ranglijst en in de resultaten staat geen enkel model van Anthropic, Google, xAI of Meta. Volgens AI Weekly wordt de evaluatie door OpenAI met eigen systemen uitgevoerd en nagekeken. In de geraadpleegde bronnen vermeldt het bedrijf niet hoeveel taken het zijn, welk criterium achter de reward zit, over hoeveel pogingen het gemiddelde wordt berekend, en ook niet of de tests op echte websites of op testkopieën draaien. Evenmin is duidelijk of de 3.995 respondenten ChatGPT-gebruikers waren, want het bericht van OpenAI spreekt van feedback van duizenden ChatGPT-gebruikers. Wat de cijfers betreft: de stap van GPT-5.6 naar GPT-6 Astra is zes tiende van een punt, en de curve lijkt rond 80% af te vlakken. OpenAI legt niet uit of de grens bij de modellen of bij de taken ligt. LifeVal stelt de juiste vraag: niet alleen of de assistent goed heeft geantwoord, maar of hij de klus echt heeft afgerond. Toch zegt een examen dat door dezelfde hand is geschreven, afgelegd en nagekeken meer over de richting dan over de finish. Als de taken ooit openbaar worden, of als een concurrerend model dezelfde test aflegt, dan is dát het getal om aandachtig te lezen.

— Olya