最新動向

OpenAIが実生活タスクの評価LifeValを公開

OpenAIが実生活タスクの評価LifeValを公開

この記事の要点

OpenAIが、育児や家計、行政手続きなど暮らしの実務でAIの出来を採点する評価基準LifeValを公開した。最新モデルは80.6%、前世代は49.3%で差が開いた。自社の業務でモデルを見極める考え方に、この指標がどう使えるかを整理する。

結論

OpenAIは2026年11月上旬、暮らしの実務でAIの出来を採点する評価基準LifeValを公開した。育児や家計管理、行政手続きといった雑多なタスクを題材にし、最新のGPT-6 Astraが80.6%、前世代のGPT-5.2が49.3%という結果を自社サイトで示している。きれいに整った問題ではなく、生活の段取りで測る点が新しい。業務でモデルを選ぶ側にとっては、整った試験の点数だけで判断しない姿勢を後押しする材料になる。

何を測る指標なのか

LifeValは、米国労働統計局の生活時間調査と、3,995人への調査をもとに実生活のタスクを設計している。数学やコードの正答率を競う従来の試験と違い、「限られた予算で一週間分の献立と買い物リストを作る」「複数の書類をそろえて手続きの段取りを組む」といった、答えが一つに定まりにくい作業を扱う。OpenAIはこの指標を1年以上社内で使ってきたとしており、現時点では外部の第三者がスコアを提出する仕組みはないと説明している。

数字の開きは大きい。GPT-6 Astraの80.6%に対し、GPT-5.2は49.3%だった。世代が一つ上がると、生活の雑務のような曖昧なタスクで達成率が3割以上伸びた形になる。ただしこれはOpenAIが自社モデルを自社の指標で測った結果だ。他社モデルの比較や第三者の検証はまだ乏しいため、優劣の断定は避けたい。最新の数値や対象タスクは公式で確認してほしい。

現場の実務にどう効くか

この発表の使いどころは、モデル選定の考え方を正すことにある。整った試験で高得点でも、自社の曖昧な業務で使えるとは限らない。逆に、生活の段取りのような作業で達成率が上がっているなら、議事録の整理や問い合わせの一次対応、申請書類の下準備といった「手順が決まりきらない仕事」で前世代より頼れる可能性が高い。どこまで任せられるかの線引きは生成AIでできること・できないことで整理しておくと判断が速い。

実務では、公開された指標を鵜呑みにせず、自社版の小さな評価セットを作るのが近道だ。現場から代表的なタスクを10〜20件集め、何をもって合格とするかの条件を先に決める。そのうえで候補モデルに同じ課題を解かせ、達成率と失敗の中身を見比べる。用途ごとの基準の立て方は生成AIモデルの選び方が参考になる。モデルの振る舞いを外部指標で測る動きは広がっており、整合性を採点したArenaのモデル整合性指標のような試みも出ている。

数字の読み方で気をつけること

達成率は、タスクの選び方と採点の基準で大きく動く。LifeValが扱うのは暮らしの実務で、企業の専門業務とは前提が違う。80.6%という数字は「生活の段取りを8割こなせた」であって、自社の業務を8割こなせる保証ではない。社内で共有するときは、この指標が何を測ったのかを一言添えると誤解が減る。重要なのは絶対値より、世代間の伸びと失敗の傾向だ。

まとめ

LifeValは、整った試験では見えにくい「曖昧な実務での使える度」を可視化する試みだ。業務で生かすなら、公開スコアを入口にしつつ、自社の代表タスクで達成率と失敗を確かめる。この二段構えが、モデル乗り換えの判断を確実にする。

出典

よくある質問

LifeValのスコアが高いモデルを選べば業務で失敗しませんか。

暮らしの実務を題材にした指標なので、自社の業務とは中身が違います。モデル選定の一次情報にはなりますが、最後は自分たちのタスクで試すのが確実です。

自社でも同じような評価はできますか。

できます。実際の業務から10〜20件の代表タスクを集め、正解の条件を決めて複数モデルに解かせ、達成率を比べる形が現実的です。