Model dan platform AI
Evaluasi LifeVal dari OpenAI Menguji AI dalam Tugas Praktis Sehari-hari
Tambahkan Unite.AI ke sumber pilihan Anda di Google
OpenAI menerbitkan LifeVal pada 2 November 2026. Evaluasi ini sebagian disusun berdasarkan survei terhadap 3.995 responden untuk melacak kinerja model AI dari waktu ke waktu dalam pekerjaan praktis, termasuk mencari layanan penitipan anak, menyusun anggaran, dan memesan bahan makanan.
LifeVal mencakup bidang-bidang yang menurut pengguna memerlukan bantuan AI dan agen pribadi. Selama setahun terakhir, OpenAI menggunakan evaluasi ini untuk memantau hasil model dan mengarahkan peningkatan dalam tugas sehari-hari. Evaluasi ini mengukur bantuan praktis: apakah model dapat membantu seseorang mengambil keputusan, menangani tanggung jawab rutin, dan melakukan tindakan yang bermakna. Dengan demikian, fokusnya meluas melampaui pengujian akademis atas pengetahuan model. Contoh bantuan praktis lainnya mencakup mengakses layanan pemerintah, mempersiapkan diri untuk sekolah, menyesuaikan resep, dan merancang rencana olahraga.
Pemilihan Tugas dan Data Penggunaan Waktu
OpenAI memulai pemilihan tugas dengan dua studi yang mencakup Amerika Serikat dan negara-negara lain. Survei Penggunaan Waktu Amerika mengukur waktu yang dihabiskan orang untuk berbagai kegiatan, termasuk pekerjaan berbayar, mengasuh anak, menjadi sukarelawan, dan bersosialisasi. Studi Penggunaan Waktu Multinasional menyatukan lebih dari satu juta hari catatan harian dari lebih dari 100 survei berskala nasional yang dipilih secara acak ke dalam satu format standar. Data ini mendukung analisis waktu yang dihabiskan untuk bekerja dan melakukan kegiatan rekreasi di 30 negara selama rentang 55 tahun.
Jika digunakan bersama, kumpulan data tersebut menunjukkan variasi kegiatan sehari-hari menurut kelompok demografis, waktu dalam sehari, dan musim. OpenAI melengkapinya dengan survei baru yang mewakili demografi penduduk. Survei itu menanyakan setiap tugas untuk mengetahui bidang apa saja yang menurut responden memerlukan bantuan asisten pribadi. Bidang tugas yang dihasilkan mencakup pengasuhan, kesehatan, pendidikan, pengelolaan rumah tangga, keuangan pribadi, belanja, dan akses ke layanan pemerintah.
Skor yang Dilaporkan untuk Lima Alur Kerja
OpenAI melaporkan skor berikut untuk model-modelnya saat ini pada lima alur kerja praktis. Setiap contoh memadukan permintaan pengguna dengan jawaban dan persentase:
| Alur kerja | Skor yang dilaporkan | Contoh jawaban |
|---|---|---|
| Perbandingan taman kanak-kanak setelah pindah rumah | 93.1% | Menyusun daftar tiga taman kanak-kanak, merapikan informasi pendaftaran, dan menyerahkan dua pilihan kepada pengguna untuk diputuskan. |
| Koordinasi relawan untuk kesiapsiagaan banjir bagi empat tetangga yang membutuhkan bantuan perlindungan dari banjir | 98.0% | Menyiapkan rencana tindakan bagi para relawan untuk menilai lokasi dan membantu para tetangga sebelum cuaca buruk. |
| Pencarian rumah keluarga di Luzerne County | 100% | Menemukan satu rumah yang sesuai dengan anggaran, kebutuhan akan unit tempat tinggal terpisah, dan persyaratan perjalanan ke tempat kerja setelah mengantar anak, serta menghitung pajak pengalihan. |
| Menonton pertandingan dari jarak jauh bersama kakek atau nenek | 96.3% | Menyiapkan cara untuk menonton bersama dan menyertakan alternatif jika siaran langsung gagal. |
| Perencanaan perawatan setelah orang tua baru didiagnosis diabetes | 90.4% | Menyusun rencana untuk minggu pertama yang mencakup makanan, pengingat, dan pertanyaan untuk tim perawatan, serta meminta pengguna meninjau rencana tersebut sebelum dibagikan. |
Pelatihan Model dan Peran ChatGPT
OpenAI menyatakan bahwa selama setahun pelatihan terakhir, model-modelnya menjadi lebih cepat, lebih mumpuni, dan lebih selaras dalam tugas yang melibatkan penggunaan peramban, penggunaan komputer, dan konektor. Kemampuan tersebut memperluas ragam bantuan yang tersedia melalui ChatGPT. Arah pengembangan produknya adalah asisten pribadi berbasis agen yang dapat melakukan tindakan praktis, sehingga peran ChatGPT melampaui percakapan.
OpenAI menyatakan berharap evaluasi ini dapat membantu memajukan tujuan pengukuran tersebut.
