Principais destaques
- GPT-6 Astra lidera a avaliação: o modelo alcançou 80,6% de recompensa média no LifeVal, ligeiramente acima dos 80% de desempenho geral mencionados pela empresa.
- Tarefas reais orientam o teste: a avaliação considera necessidades como planejamento de refeições, educação, finanças pessoais, saúde e administração doméstica.
- Ainda faltam comparações independentes: a OpenAI não divulgou o conjunto completo de tarefas nem o código de avaliação, o que limita a verificação dos resultados e a comparação com concorrentes.
A OpenAI quer descobrir até que ponto seus modelos conseguem ajudar as pessoas fora da tela de conversa. Para isso, apresentou o LifeVal, um benchmark que avalia a capacidade da inteligência artificial de lidar com tarefas cotidianas, de organizar compras de supermercado a encontrar cuidadores para crianças e resolver questões burocráticas.
A avaliação foi publicada na segunda-feira, 2 de novembro de 2026, e faz parte de uma iniciativa que a empresa afirma utilizar há cerca de um ano para acompanhar o progresso de seus modelos.
A proposta é ambiciosa: em vez de medir apenas a capacidade de responder corretamente a perguntas, avaliar se a IA consegue ajudar alguém a chegar a um resultado concreto.
A diferença entre conversar e realmente ajudar 🤖
Um chatbot pode sugerir uma lista de compras, recomendar escolas ou explicar como agendar uma vistoria veicular. Um assistente mais avançado precisa considerar as restrições do usuário, comparar alternativas e produzir uma solução que atenda aos critérios estabelecidos.
É essa diferença que o LifeVal tenta capturar.
🧩 O que está sendo medido: o benchmark avalia tarefas relacionadas a cuidados com outras pessoas, saúde, educação, administração doméstica, finanças pessoais, compras e serviços públicos.
A iniciativa acompanha a estratégia da OpenAI de transformar o ChatGPT em um assistente capaz de executar atividades que consomem tempo e exigem várias etapas.
O objetivo é fazer com que a IA deixe de apenas explicar como resolver um problema e passe a ajudar a resolvê-lo de fato.
Esse avanço, porém, depende de mais do que um modelo produzir uma resposta convincente. Em muitas situações, é necessário interpretar preferências pessoais, respeitar um orçamento e verificar se o resultado atende às necessidades específicas de cada pessoa.
GPT-6 Astra e GPT-5.2: o salto nos números 📊
Os resultados divulgados pela OpenAI indicam uma diferença expressiva entre gerações de modelos. Segundo os dados apresentados, o GPT-6 Astra, lançado em setembro, supera o GPT-5.2, de dezembro de 2025.
A empresa também apresentou resultados para outras versões de seus modelos.
| Modelo | Recompensa média |
|---|---|
| GPT-6 Astra | 80,6% |
| GPT-5.6 | 80,0% |
| GPT-5.4 | 73,0% |
| GPT-5.2 | 49,3% |
Fonte: resultados divulgados pela OpenAI e informações reunidas no material de referência. As métricas podem representar critérios de avaliação diferentes, portanto não devem ser tratadas automaticamente como equivalentes.
O dado mais interessante está na proximidade entre o GPT-6 Astra e o GPT-5.6. A diferença entre os dois é de apenas 0,6 ponto percentual na recompensa média informada.
Já a distância em relação ao GPT-5.2 é muito maior. Isso sugere uma evolução relevante na avaliação, embora não seja possível atribuir toda a diferença a uma capacidade específica sem conhecer a metodologia completa.
📈 Uma evolução concentrada: o FourWeekMBA observou que o GPT-5.4 já havia alcançado 73%. Segundo essa análise, as três versões posteriores acrescentaram menos de oito pontos percentuais no total.
Isso levanta uma questão importante: quanto dos avanços recentes vem de melhorias gerais nos modelos e quanto depende de ajustes direcionados a determinadas tarefas?
Como a OpenAI escolheu as tarefas
O LifeVal foi construído a partir de pesquisas sobre como as pessoas utilizam o tempo. Entre as referências estão a American Time Use Survey e o Multinational Time Use Study.
A OpenAI também realizou uma pesquisa própria com 3.995 pessoas, buscando identificar as áreas nas quais elas mais gostariam de receber ajuda de um assistente pessoal.
Depois, um grupo menor, de aproximadamente 100 usuários, descreveu tarefas específicas, forneceu contexto pessoal e definiu critérios para avaliar se as respostas seriam satisfatórias, segundo informações da CNN.
A abordagem procura aproximar o benchmark das necessidades concretas das pessoas, em vez de se limitar a perguntas com respostas universais.
🔎 Alguns resultados por tarefa:
- 93,1%: seleção de escolas de educação infantil após uma mudança.
- 98%: organização de voluntários para preparação contra enchentes.
- 90,4%: elaboração de um plano alimentar para um pai ou uma mãe recém-diagnosticado com diabetes.
- 100%: resultados máximos registrados em tarefas como encomendar mantimentos halal dentro de um orçamento e agendar uma vistoria de carro.
Esses números se referem a tarefas específicas e não significam que o modelo tenha a mesma taxa de sucesso em todas as situações do mundo real.
Uma pontuação elevada ao organizar voluntários, por exemplo, não demonstra automaticamente que um agente conseguiria coordenar uma operação real durante uma emergência, com informações incompletas e mudanças inesperadas.
O que significa uma recompensa de 80,6%?
O percentual divulgado é uma métrica de avaliação, não uma garantia de que o ChatGPT resolverá corretamente oito em cada dez problemas apresentados por qualquer usuário.
O desempenho depende da seleção de tarefas, dos critérios de sucesso, das informações fornecidas e da forma como as respostas são avaliadas.
Essa distinção é especialmente importante em atividades que envolvem dinheiro, saúde, crianças ou serviços públicos, nas quais uma resposta aparentemente adequada pode deixar passar um detalhe decisivo.
O LifeVal tenta aproximar a avaliação da utilidade prática, mas a qualidade do teste depende também de como essas situações são reproduzidas e verificadas.
O principal problema: os resultados ainda são autodeclarados ⚠️
Apesar dos números promissores, há limitações importantes.
Segundo as informações reunidas pelo AlphaSignal, a OpenAI não publicou o conjunto completo de tarefas, o código de avaliação nem um ranking público que permita comparar diretamente seus resultados com os de outros desenvolvedores.
Isso significa que pesquisadores externos ainda não conseguem reproduzir integralmente a avaliação com base nas informações divulgadas.
Também não foram apresentados resultados equivalentes de modelos concorrentes, como os da Anthropic, do Google ou da Meta.
Sem esses dados, é difícil determinar se o LifeVal demonstra uma liderança geral da OpenAI ou um desempenho particularmente forte em sua própria metodologia.
A diferença entre um bom benchmark e uma demonstração convincente está na possibilidade de verificação independente. Quanto mais transparente for o teste, mais fácil será entender se os avanços se traduzem em benefícios consistentes para os usuários.
A disputa agora é por agentes pessoais
O LifeVal dá continuidade ao GDPVal, benchmark anterior da OpenAI voltado a habilidades profissionais. A mudança de foco é significativa: além de tarefas relacionadas ao trabalho, a empresa quer avaliar a capacidade da IA de ajudar a administrar a vida cotidiana.
A disputa não envolve apenas a OpenAI. Meta, Anthropic e Google também trabalham para desenvolver agentes pessoais capazes de executar tarefas em nome dos usuários.
Nesse cenário, o desempenho em benchmarks pode ajudar a orientar o desenvolvimento dos produtos, mas a experiência real dependerá de fatores como confiabilidade, privacidade, autonomia e capacidade de corrigir erros.
A pesquisadora da OpenAI Jenny Yang explicou à CNN que a intenção é devolver às pessoas parte do tempo gasto com tarefas rotineiras. A ideia é que a tecnologia facilite atividades que seriam difíceis ou demoradas de realizar de outra maneira.
O desafio seguinte será demonstrar que essa ajuda funciona fora de um ambiente de avaliação controlado. Afinal, planejar uma tarefa é uma coisa. Executá-la corretamente, respeitando as preferências e limitações de cada pessoa, é outra.
