Michael JohnsonBir model soruları iyi yanıtlayabilir; ancak koşulları karşılaştırması, birkaç adımı düzenlemesi ve bir kişi için çözüm hazırlaması gerektiğinde tökezleyebilir. OpenAI, 2 Kasım 2026’da LifeVal’i tanıttı. Bu değerlendirme; çocuk bakım merkezlerini karşılaştırmaktan yemek planlamaya, bütçe oluşturmaktan kamu hizmetlerine erişmeye kadar gündelik yaşam senaryolarını ele alıyor.
Bu değişim, programlama ve sınav testlerinin ötesindeki görevler için yapay zekâ yardımcısı seçenler açısından önemli. Soru artık daha somut: Sistem, yalnızca tutarlı bir sohbet yanıtı vermek yerine araştırma yapmayı, seçenekleri karşılaştırmayı ve bir eylem hazırlamayı gerektiren bütün bir süreci yürütebiliyor mu?
LifeVal neyi değerlendiriyor?
OpenAI, görev setini ABD’de ve uluslararası ölçekte zaman kullanımına ilişkin iki araştırmadan ve 3.995 kişinin katıldığı, demografik açıdan temsili ayrı bir anketten yararlanarak oluşturduğunu belirtiyor. Konular arasında yakınlara bakım, sağlık, eğitim, ev işleri, kişisel finans, alışveriş ve kamu hizmetleri bulunuyor. Şirket, LifeVal’i modellerin ve kişisel ajanların pratik görevleri yerine getirme becerisini değerlendiren bir çalışma olarak tanımlıyor.
Bu odak, değerlendirme ölçütünü değiştiriyor. Tek bir bilgiyi sınamak yerine bir senaryo; bağlamı toplamayı, kullanıcının kısıtlarını dikkate almayı ve kişinin karar verebilmesine olanak tanıyan bir sonuç hazırlamayı gerektirebilir. Örneğin yayımlanan bir çocuk bakım merkezi senaryosu, yeni bir evin yakınındaki kurumları karşılaştırmayı ve uygun seçeneklerin listesini hazırlamayı istiyor. Başka bir örnekte, yeni diyabet tanısına uyum sağlayan bir ebeveyne bakım ve beslenme planı oluşturmada yardımcı olunması isteniyor.
Yayımlanan yüzdeler ne anlama geliyor?
OpenAI, LifeVal sayfasında mevcut modellerinin belirli senaryolardaki sonuçlarını paylaşıyor: çocuk bakım merkezlerini karşılaştırmada %93,1, sel öncesinde gönüllüleri organize etmede %98 ve yeni diyabet tanısı alan bir ebeveyne yardımcı olmada %90,4. Şirket ayrıca ortaya çıkan çalışmalardan örnekler sunuyor: kayıt ayrıntılarını içeren kurum listesi, gönüllü dağılım planı veya hatırlatmalar ve sağlık ekibine yöneltilecek sorularla birlikte bir menü.
Bu rakamlar, OpenAI’nin yayımladığı belirli senaryolara ait. Sayfada birden fazla modelin sonuçlarını karşılaştıran eşdeğer bir tablo bulunmadığından, yüzdeler bağımsız bir yardımcı sıralaması oluşturmuyor. Kendi değerlendirmesini yapmak isteyenler için farklı sistemlere aynı girdilerle tamamlanmış aynı senaryoyu vermek; ardından bilgilerin doğruluğunu, kısıtların dikkate alınıp alınmadığını ve hazırlanan sonucun kalitesini kontrol etmek daha yararlı olur.
Yanıttan göreve geçiş neden önemli?
OpenAI, LifeVal’i tarayıcı kullanımı, bilgisayar kontrolü ve harici hizmetlere bağlantıların gelişmesiyle ilişkilendiriyor. Şirketin açıklamasına göre bu özellikler, ChatGPT’nin yalnızca tavsiye sunmanın ötesinde daha karmaşık görevleri yerine getirmesini sağlıyor. Bu nedenle değerlendirme, OpenAI’nin kişisel yapay zekâ yardımcıları için hangi pratik senaryoları önemli gördüğünü ortaya koyuyor: çalışma, gündelik adımlar dizisini tamamlamaya yardımcı olmalı.
Yardımcı geliştiren ekipler için buradan somut bir yaklaşım çıkıyor: ürünü hedef kitlenin çok adımlı görevlerinde test etmek ve tamamlanmış bir sonucun ne anlama geldiğini önceden belirlemek. Kullanıcılar, sistemin hangi adımları tamamladığını, önemli bilgilerin nereden geldiğini ve nerede kendi kararlarının gerektiğini kontrol edebilir. Gündelik senaryolarda yalnızca metnin anlaşılır olması değil, ayrıntıların doğruluğu ve sonucun sonraki adımlar için kullanılabilirliği de önem taşıyor.
Şu anda neler karşılaştırılabilir?
LifeVal, görev setinin nasıl oluşturulduğunu açıklıyor ve OpenAI’nin mevcut modellerine ilişkin yüzdelerle birlikte birkaç örnek sunuyor. Yayımlanan sayfada, birden fazla modeli aynı koşullarda karşılaştırmaya imkân tanıyacak eksiksiz bir tablo yok. Dolayısıyla okurlar görev türlerini ve yanıt örneklerini inceleyebilir; ancak bunları hazır bir yardımcı sıralaması olarak kullanamaz.
LifeVal’in değeri, sınanabilir bir soruda yatıyor: Yapay zekâ, bir kişinin önemli bir gündelik senaryoyu tamamlamasına ve değerlendirebileceği, kullanabileceği bir sonuç hazırlamasına yardımcı olabilir mi? Bu, geliştiricilere ve kullanıcılara pratik bir ölçüt sunuyor: yalnızca yanıtı değil, başlangıçtaki görevden hazırlanan eyleme kadar tüm süreci değerlendirmek.
