OpenAI、LifeValを公開 点が出たのはGPTだけで80.6%だ

GoogleでフォローするGoogle検索でAInformationの記事が出やすくなります

LifeVal公開　GPT-6 Astraは80.6%だった

OpenAIは11月2日（米国時間）に、生活の用事をAIがどこまでこなせるかを測るLifeValを発表した。新居の近くで幼稚園を選ぶ、条件に合う引っ越し先を絞る、洪水に備えて地域のボランティアを組む、といった課題が並ぶ。学校の試験のような知識ではなく、実際に用事を片づけられるかを見る物差しだ。

点はGPT-5.2が49.3%、GPT-5.4が73.0%、GPT-6 Astraが80.6%だった。OpenAIによると、GPTの版は処理にかかる時間をあまり増やさずに点を上げている。LifeValは過去1年、日常の課題でモデルの出来を追って直すためにも使ってきたという。

課題の選び方には米国の時間の使い方の調べAmerican Time Use Surveyと、国をまたいだMultinational Time Use Studyを使った。そこに3,995人へのアンケートを足して調整している。対象は子育て・介護・健康・教育・家の管理・家計・買い物・役所の手続きなどだ。

ブラウザ操作まで採点　家探しの例は100%

LifeValは答えの文章だけでなく、ブラウザやパソコンの操作とほかのサービスとの連携まで含めて採点する。OpenAIが見せた例では、家族の条件に合う家を探して不動産の譲渡税を出し、権利書をカートに入れるところまでの課題で100%だった。

この5つはうまくいった個別の例で、ベンチマーク全体の平均ではない。全体の点は上の80.6%のほうを見る。

点はGPTだけ　ClaudeとGeminiは載っていない

AInformationがOpenAIの報告書（PDF）を読んだところ、点が出ているのはOpenAIのGPTの版だけだった。ClaudeやGeminiは測っておらず、LifeValの点で他社のAIと比べることはできない。採点役のAIもOpenAIのモデルだ。

日本の暮らしに当てはまるかも分からない。報告書は限界として、アンケートが米国中心で英語で行われたため、米国の外でよくある用事が少なめに出ているかもしれないと書いている。日本の役所の手続きや日本語のサイトでどこまで動くかは、この点からは読み取れない。

報告書は失敗の中身も分けている。どの版でも多かったのは、個人の会話の中にある大事な情報を見落として、まちがった答えや薦めを返す失敗だった。GPT-6 Astraでは、頼まれた操作を最後までやらない失敗や、情報を確かめられないと報告して止まる失敗が増えたという。

OpenAIにはすでに、時間をかけて用事をこなしほかのアプリともつながる個人向けのAIアシスタント「Dots」がある。Business Insider Japanは、技術に詳しくない経営者がClaude Codeでは挫折したあと、Dotsにテニスの日程調整や買い物リストを任せている例を伝えた。LifeValはこうした使い方を測る物差しとして作られたとみてよさそうだ。

ChatGPTに用事を任せる前に　会話に残した条件を確かめる

生活や仕事の用事をChatGPTに任せるなら、条件を会話の中に書いたまま流さないほうがよい。LifeValでいちばん多かった失敗は、会話にある大事な情報の見落としだった。家族の人数や予算のような外せない条件は、頼むたびに指示の頭へ書き直しておくと取りこぼしが減りそうだ。

操作を伴う用事は、最後の一手を人が押す形にしておきたい。100%の例でも課題は権利書をカートに入れるところで止まっていて、支払いまでは任せていない。他社のAIと比べたいときは、OpenAIの外の物差しも見ておきたい。AndroidアプリづくりのAndroid Benchや、Microsoftが業務でAIを採点した調べでは、どのAIが上かの並びが変わる。

日本の手続きでどれだけ動くかは、日本の用事で測った物差しが出るまで自分で試して確かめるしかない。