AI最新情報読了 7 分

GPT-6 Astraが80.6点、幼稚園選びも採点するOpenAI新基準「LifeVal」

Shiritomo編集部 @shiritomoAI_jp 2026年11月3日更新

引っ越し後に条件の合う幼稚園を選べたか、洪水に備えてボランティアの手配ができたか――OpenAIが新しく公開した評価基準は、こうした暮らしの雑務をAIにやらせて点数をつけるものでした。
最新モデルのGPT-6 Astraはこれで平均80.6点を取ったといいます。
コーディング力やテストの点数ではなく、生活の困りごとをどれだけ片付けられるかを測る基準が出てきたことは、ChatGPTを日常の相棒として使っている人にとっても見逃せない動きです。

先に結論をまとめると：
– OpenAIは2026年11月2日（現地時間、日本時間11月3日未明）、日常の雑務をAIがどれだけ片付けられるかを測る新ベンチマーク「LifeVal」を発表しました
– 最新モデルGPT-6 Astraの平均スコアは80.6%で、9カ月足らず前のGPT-5.2（49.3%）から大きく伸びています
– 仕事の専門業務を測る既存の「GDPVal」を補う位置づけで、暮らしの雑務をどれだけ代行できるかが次の比較軸になりそうです

何が起きたのか（OpenAIが暮らしの雑務を測る新基準を発表）

OpenAIの公式アカウントは、AGI（汎用人工知能：特定分野に限らず人間並みに幅広いタスクをこなせるAI）が人類全体の利益になるには、人が最も助けを必要とする日常の雑務を手伝えることが欠かせないと説明しています。
日本語に訳すと「AGIが人類全体の利益になるためには、人々が最も重要だと考える日常の雑務を助けられる必要があります。
そこで私たちは、数千人のChatGPTユーザーからのフィードバックをもとに、人々がパーソナルアシスタントに最も助けてほしいことを反映した新しいベンチマーク『LifeVal』を作りました――保育園探しから……」という内容の投稿です。

For AGI to benefit all of humanity, it should help people with the everyday tasks that matter most to them. So we built LifeVal, a new benchmark shaped by feedback from thousands of ChatGPT users on where they most want help from a personal assistant—from finding childcare to… pic.twitter.com/Q2EfGvHJpA
— OpenAI (@OpenAI) 2026年11月2日

タスクのリストは単なる思いつきではなく、米国時間利用調査や多国間時間利用研究といった既存データに加え、人口統計的な代表性を持たせた3,995人への新規アンケートを組み合わせて作られたとされています。
回答者に「パーソナルアシスタントにどこで助けてほしいか」を尋ねた結果が土台になっているわけです。
対象分野は介護・育児、健康、教育、家計管理、個人の資産管理、買い物、行政手続きなど、暮らしに直結する範囲に広がっています。
ただ、発表の文面だけでは「本当にこの点数が実力を表しているのか」までは判断できません。
そこで一次情報と他の解説記事を照らし合わせて確かめてみました。

調べて分かったこと

LifeValは何を測っているのか？

公開情報によれば、LifeValは169件のエージェント型タスク（AIがWebを操作したり、ソフトを実際に動かしたりして結果を出すタスク）で構成され、場面ごとに用意された採点基準でAIの出力を評価する仕組みになっています。
単に正しい答えを一つ返すクイズ形式ではなく、ブラウザ操作やツール連携を含めて「実際に作業をやり切れたか」を見ている点が特徴です。
例として挙げられているのは、引っ越し後に条件の合う幼稚園へ入園手続きを進めるタスク（93.1点）、洪水に備えたボランティアの手配を進めるタスク（98.0点）、引っ越し先の新居探しのタスク（100点）などで、いずれも生活上の具体的な決断や作業を対象にしています。

なぜ仕事だけでなく暮らしも測るのか？

OpenAIはこれまで、経済的に価値のある専門業務でAIがどこまで役立つかを測る「GDPVal」というベンチマークを運用してきました。
GDPValは職種ごとのプロの仕事ぶりに近い成果物を対象にしているのに対し、LifeValは家庭での決断や雑務、ケアワークに焦点を当てており、GDPValを仕事側から補う「暮らし側」の指標という位置づけになっています。
つまり「稼ぐ力」だけでなく「生活を回す力」もAIの実力として測ろうという発想です。

スコアはどれくらい伸びたのか？

実際の数字を解説した投稿もあります。
日本語に訳すと「OpenAIは、AIモデルが人々の日常の雑務をやり遂げられるかを測るベンチマーク『LifeVal』を公開しました。
GPT-6 Astraは日常タスクで80.6%のスコアを獲得し、9カ月足らず前のGPT-5.2の49.3%から大きく伸びています。
LifeValのタスクは介護、健康、教育、金融、買い物などに及びます……」という内容です。

OpenAI has released LifeVal, a benchmark testing whether AI models can finish everyday errands for people.

GPT-6 Astra, scores 80.6% on everyday tasks, up from 49.3% for GPT-5.2 less than 9 months earlier.

LifeVal’s tasks span caregiving, health, education, finance, shopping… https://t.co/vNrFI3BxcN pic.twitter.com/2JT8GvFzoH
— Rohan Paul (@rohanpaul_ai) 2026年11月2日

公開されている経緯をたどると、GPT-5.2の49.3%からGPT-5.4で73.0%、GPT-5.5で77.4%、GPT-5.6で80.0%、GPT-6 Astraで80.6%と、モデルの更新ごとに段階的にスコアが上がってきたことが分かります。
一直線に跳ね上がったわけではなく、半年から9カ月ほどの間に積み重ねられた伸びだったようです。

日本の専門家はどう見ているか？

国内でも、このベンチマークの意義を検証する技術者の発信が見られました。
採点の難しさに厳しい視線を向けつつも「LifeVal は大変有益な取り組みだと考えています」とコメントしているもので、具体的なタスクと評価基準を先に提示したこと自体が、エージェント評価で何が測れて何が測れないかの議論を前に進めると評価しています。
一方で、評価する側がより良い選択肢（まとめて予約できるパッケージの存在など）を知らないまま採点してしまい、実はもっと良い提案があったのに高得点を与えてしまう可能性があるといった懸念も指摘されており、点数の高さがそのまま実用性の高さを意味するとは限らない、という見方も出ています。

Shiritomo編集部の考察：SNS運用者が見るべきは点数より測り方

Shiritomo編集部として注目したいのは、OpenAIが点数そのものより「何を・どうやって測るか」を先に公開した点です。
SNS運用やマーケティングの現場でAIエージェントの導入を検討する際、ベンダーが示す「精度○○%」という数字だけを見て比較するのは危険です。
LifeValのように採点基準（タスクの種類、何をもって成功とするか）までセットで公開されているケースはまだ少なく、数字の比較より先に「どんなタスクで、どう採点したか」を確認する習慣をつけておくと、導入後のギャップに悩まされにくくなります。
また、GDPValと並ぶ指標が出てきたことは、AI各社が「仕事の代行」から「生活の代行」へと競争の軸を広げている兆候ともいえます。
今後は自社サービスの訴求ポイントも「専門業務の効率化」だけでなく「暮らしのどの雑務を助けられるか」という切り口で説明できると、ユーザーに伝わりやすくなるかもしれません。