OpenAI ha presentato il 2 novembre 2026 il benchmark LifeVal, un test che giudica i modelli non sulle domande da esame ma sulle faccende di tutti i giorni: una pratica burocratica, un budget familiare, la spesa da ordinare. Sul grafico dell’azienda il punteggio sale dal 49,3% di GPT-5.2 all’80,6% di GPT-6 Astra in meno di nove mesi, secondo AI Weekly e CellCog. È il segnale più chiaro di dove va la corsa agli assistenti personali, e dice molto anche a chi deve valutare un agente in azienda.
In questo articolo scoprirai:
- quali compiti quotidiani misura LifeVal e da quali sondaggi nascono
- i punteggi di GPT-5.2, GPT-5.4 e GPT-6 Astra, anche compito per compito
- perché nessuno, fuori da OpenAI, può verificare quei numeri
- come si costruisce una valutazione simile sui processi della propria azienda
Il LifeVal benchmark OpenAI sui compiti quotidiani
LifeVal è il test interno con cui OpenAI misura se un modello porta davvero a termine un compito della vita quotidiana, dall’iscrizione di un figlio a scuola all’ordine della spesa. Copre sette aree: cura dei familiari, salute, istruzione, amministrazione domestica, finanze personali, shopping e accesso ai servizi pubblici. Secondo RuntimeWire, OpenAI lo usa da circa un anno per seguire i progressi dei modelli e spingere ChatGPT a sbrigare le commissioni personali.
L’obiettivo è dichiarato. «Perché l’AGI vada a beneficio di tutta l’umanità, deve aiutare le persone nei compiti quotidiani che contano di più per loro», ha scritto OpenAI, come riporta RuntimeWire. AGI sta per intelligenza artificiale generale, cioè un sistema capace di cavarsela in quasi ogni compito umano. Finora la corsa verso quel traguardo si raccontava con esami sempre più difficili. Adesso si racconta anche con la lista delle cose da sbrigare il sabato mattina.
Perché LifeVal serve a fare di ChatGPT un assistente personale
Dietro c’è un calcolo commerciale preciso. Nel post di presentazione OpenAI ricorda che ChatGPT supera il miliardo di utenti a settimana, e spiega che cosa vuole farne: «Per essere un assistente personale davvero utile, ChatGPT deve saper compiere azioni che portano a termine le cose», nel passaggio riportato da AI Weekly. La distinzione fra assistente AI personale e aziendale qui conta: LifeVal misura solo il primo.
Chi segue l’evoluzione del chatbot, raccontata nella nostra guida completa a ChatGPT, ha visto il passaggio dalla chat che risponde all’assistente che naviga sul web e compila moduli. LifeVal è il metro con cui OpenAI decide se quella trasformazione funziona, e per questo conta più come indizio di strategia che come classifica.
I compiti nascono dai sondaggi sull’uso del tempo e da 3.995 intervistati
I compiti di LifeVal nascono da come le persone passano davvero le giornate. OpenAI è partita da due grandi rilevazioni sull’uso del tempo: l’American Time Use Survey dell’ufficio statistico del lavoro statunitense (BLS) e il Multinational Time Use Study, che mette insieme i diari del tempo di più paesi. Poi ha aggiunto un proprio sondaggio, rappresentativo dal punto di vista demografico, su 3.995 persone, per capire dove vorrebbero più aiuto da un assistente, come riporta AI Weekly.
Come 100 esperti hanno scritto compiti e rubriche di LifeVal
Il passaggio che separa LifeVal da un quiz viene dopo. Secondo ai-tldr, circa 100 utenti esperti hanno scritto i compiti uno per uno. Ognuno ha un contesto personale (chi è la persona, dove vive, che vincoli ha) e una rubrica, cioè la griglia di criteri che stabilisce quando il lavoro è riuscito. Fra gli esempi elencati da CellCog ci sono:
- prenotare un controllo dell’auto prima di un viaggio;
- ordinare una spesa halal restando nel budget, con un foglio di calcolo voce per voce;
- iscrivere un figlio alla scuola dell’infanzia dopo un trasloco;
- preparare i pasti per un familiare con una diagnosi recente di diabete;
- cancellarsi dalle newsletter indesiderate.
La differenza con un esame sta tutta nel contesto. «Qual è la capitale dell’Australia» ha la stessa risposta per chiunque. «Trova una scuola dell’infanzia vicino alla nuova casa» ne ha una diversa per ogni famiglia, e un modello può sbagliarla pur sapendo tutto sull’argomento. Per questo la rubrica pesa quanto il compito: senza criteri scritti prima, giudicare un aiuto nelle faccende di casa diventa una questione di gusti.
GPT-6 Astra sale all’80,6% sui compiti reali
Sul grafico di OpenAI, GPT-6 Astra ottiene una average reward dell’80,6%, contro il 73,0% di GPT-5.4 e il 49,3% di GPT-5.2, secondo AI Weekly. Lo stesso 80,6% è nel titolo di FourWeekMBA. Average reward vuol dire ricompensa media, ma OpenAI non ha spiegato come la calcola: per CellCog mancano la definizione, la rubrica, il nome del valutatore e il numero di tentativi dietro ogni punteggio.
Alcune testate, fra cui ai-tldr, arrotondano Astra all’80%. Il dato del grafico, riportato da CellCog, è 80,6%, mentre l’80,0% tondo appartiene a GPT-5.6. Il modello intermedio GPT-5.5 si ferma al 77,4%.
La crescita su LifeVal rallenta dopo GPT-5.4
Il salto vero è quello fra GPT-5.2, uscito l’11 dicembre 2025, e GPT-5.4, che da solo aggiunge 23,7 punti. Le tre versioni successive, fino a GPT-6 Astra del 3 settembre 2026, ne aggiungono 7,6 in tutto, secondo le date ricostruite da CellCog. La curva si appiattisce: più il punteggio si avvicina al tetto, più ogni punto costa.
Sui singoli compiti i numeri salgono. Secondo ai-tldr, i risultati arrivano al 93,1% sull’iscrizione alla scuola dell’infanzia dopo un trasloco e al 90,4% sul piano dei pasti per un genitore con una diagnosi recente di diabete. Il controllo dell’auto e la cancellazione dalle newsletter toccano il 100%, segnala CellCog. La direzione è quella verso gli agenti AI che abbiamo raccontato parlando di DevDay di OpenAI e nuove skills: modelli fatti per agire dentro servizi e strumenti, non solo per rispondere.
Perché i punteggi di LifeVal non si possono verificare
LifeVal è un test interno: compiti e dati non sono pubblici, quindi i punteggi non sono replicabili da gruppi esterni, come nota ai-tldr. Altri benchmark, come simple-evals e AgentBench, sono invece aperti, e chiunque può rifarne le prove.
Simple-evals è la raccolta, con licenza MIT, con cui OpenAI pubblicava i risultati dei propri modelli su prove come MMLU (domande a scelta multipla su decine di materie), GPQA (domande scientifiche di livello universitario avanzato) e HumanEval (programmazione). Dal luglio 2025 non viene più aggiornata per i nuovi modelli, si legge nel repository GitHub di simple-evals. AgentBench, presentato nell’agosto 2023 da un gruppo di ricercatori guidato dall’Università Tsinghua, mette alla prova i modelli in 8 ambienti agentici, dal sistema operativo ai database. Il paper di AgentBench aveva trovato un divario netto fra i migliori modelli commerciali e quelli open source fino a 70 miliardi di parametri.
GDPval fa per il lavoro quello che LifeVal fa per la casa
Il paragone più utile, però, si trova dentro OpenAI. GDPval misura i modelli su compiti professionali di 44 mestieri, scritti da esperti con in media 14 anni di esperienza, e rende pubblico un sottoinsieme di 220 compiti con un servizio di valutazione automatica, come spiega il paper di GDPval. LifeVal fa lo stesso lavoro sulla vita privata, ma resta chiuso.
| Benchmark | Tipo di compito | Apertura | Chi valuta | Replicabile |
|---|---|---|---|---|
| simple-evals | Domande accademiche (MMLU, GPQA, HumanEval) | Codice aperto, licenza MIT | Verifica automatica | Sì |
| AgentBench | 8 ambienti agentici | Pubblico | Verifica automatica negli ambienti | Sì |
| GDPval | Compiti professionali di 44 mestieri | 220 compiti pubblici | Esperti e valutatore automatico | In parte |
| LifeVal | Compiti quotidiani in 7 aree | Interno, non pubblico | Rubriche, valutatore non dichiarato | No |
I limiti vanno detti chiaramente. Non si conosce il numero dei compiti, non si sa come si calcola la ricompensa media e non si sa se il set verrà pubblicato. Tutti e cinque i punteggi sono autovalutati da OpenAI e nessun modello di altre aziende è stato misurato, sottolinea AI Weekly.
Come misurare un agente AI sui compiti della propria azienda
Un agente AI in azienda si giudica sui compiti che porta a termine dentro i processi di quell’azienda, non sulle classifiche pubbliche. Per farlo serve un set di compiti proprio con la sua rubrica, costruito durante l’onboarding sullo schema di LifeVal: lavoro reale, contesto reale, criteri scritti prima del test. Il metodo generale è nella nostra guida su come valutare un modello AI sui tuoi dati.
Il metodo si trasferisce quasi pari pari. Al posto dei 3.995 intervistati di OpenAI ci sono le persone che useranno l’agente. Al posto dei sondaggi sul tempo ci sono i ticket, le email e le pratiche che oggi riempiono le loro giornate. Per un agente che risponde ai clienti di un distributore, il compito non è «conosce il catalogo», ma «trova il documento di trasporto dell’ordine in ritardo, spiega la causa e proponi una nuova data». In pratica:
- scegliere i compiti dai processi che pesano di più, insieme a chi li svolge oggi;
- scrivere il contesto di ogni compito: documenti, sistemi coinvolti, vincoli;
- fissare la rubrica prima dei test, con criteri verificabili (dato corretto, passaggio completato, tono adeguato);
- ripetere la misura a ogni cambio di modello, di istruzioni o di fonti.
Per automatizzare i controlli esistono framework open source come DeepEval, Ragas (pensato per i sistemi RAG, quelli che recuperano documenti prima di rispondere) e TruLens. Nessuno strumento però sceglie da solo i compiti che contano.
Valutare l’agente AI durante l’onboarding aziendale
Per un agente aziendale la valutazione non è l’esame finale. È il cuore dell’onboarding, il periodo in cui l’agente impara documenti e processi e il team controlla se lavora come deve. È anche il momento in cui molti progetti si perdono, come spieghiamo parlando di perché l’AI generativa non genera ROI.
Per questo con Mimír l’onboarding è un servizio, non un manuale da leggere da soli. Costruiamo con il cliente gli agenti AI su misura e il set di compiti su cui misurarli, con i passaggi descritti nella guida onboarding agenti AI in azienda. La piattaforma funziona con qualunque LLM, quindi lo stesso test confronta modelli diversi sugli stessi compiti, e una dashboard di analytics segue nel tempo la qualità delle risposte.
La lezione di LifeVal si riassume in due punti. Il primo: OpenAI ora giudica i modelli sui compiti portati a termine, ed è la direzione giusta, ma quell’80,6% nessuno può verificarlo dall’esterno. Il secondo: per un’azienda la misura che conta è quella costruita sui propri compiti. Il modo più diretto per averla è provarla. Il pilot gratuito addestra l’agente sui documenti di un processo reale e lascia al team il tempo di verificare l’esattezza delle risposte, prima di qualunque decisione.
Se vuoi seguire ogni giorno come cambia la corsa agli assistenti AI, ne parliamo anche su MimírCast, il nostro podcast quotidiano sull’AI.
Fonti:
- OpenAI: presentazione di LifeVal
- AI Weekly: LifeVal e il punteggio di GPT-6 Astra
- CellCog: analisi di LifeVal, punteggi e date dei modelli
- RuntimeWire: LifeVal e i compiti quotidiani di ChatGPT
- ai-tldr: scheda di rilascio di LifeVal
- FourWeekMBA: GPT-6 Astra all’80,6% su LifeVal
- OpenAI, repository GitHub di simple-evals
- Paper di AgentBench su arXiv
- Paper di GDPval su arXiv
Domande frequenti
Che cos'è LifeVal di OpenAI?
LifeVal è un benchmark interno di OpenAI, presentato il 2 novembre 2026, che misura quanto bene un modello porta a termine compiti della vita quotidiana in sette aree, dalla salute alle finanze personali allo shopping. I compiti sono scritti da circa 100 utenti esperti, ognuno con un contesto personale e una rubrica che stabilisce quando il lavoro è riuscito.
Quanto ha ottenuto GPT-6 Astra su LifeVal?
Secondo il grafico pubblicato da OpenAI, GPT-6 Astra raggiunge un average reward dell'80,6%, contro l'80,0% di GPT-5.6, il 77,4% di GPT-5.5, il 73,0% di GPT-5.4 e il 49,3% di GPT-5.2. Sono punteggi autovalutati dall'azienda e nessun modello di altri produttori è stato misurato.
Si può usare LifeVal per testare altri modelli?
Per ora no. LifeVal è un test interno: compiti, rubriche e metodo di calcolo non sono pubblici e OpenAI non ha detto se li rilascerà. Per valutazioni replicabili esistono benchmark pubblici come AgentBench o il sottoinsieme aperto di 220 compiti di GDPval.




