Pada 2 November 2026, OpenAI mengumumkan LifeVal, sebuah benchmark baru yang mengukur seberapa baik AI menangani tugas kehidupan sehari-hari: mencari sekolah yang tepat setelah pindah rumah, mengatur relawan komunitas yang bersiap menghadapi banjir, menyusun rencana makan untuk orang tua yang baru didiagnosis diabetes, hingga mengurus layanan pemerintah. Hasilnya terdengar mengesankan. Model terbaru OpenAI, GPT-6 Astra, mencetak skor 80,6 persen, naik jauh dari 49,3 persen yang diraih GPT-5.2.
Di hari yang sama, firma riset SemiAnalysis merilis GDPx, benchmark yang menguji agen AI pada 206 tugas ahli di 11 bidang profesional, mulai dari desain chip, keamanan siber, biologi, keuangan, hingga hukum. Hasilnya justru sebaliknya: model terbaik sekalipun, Claude Opus 5.5 dari Anthropic, hanya mencetak 12 persen. GPT-6 Astra sendiri berada di posisi ketiga dengan 9,6 persen, di bawah Gemini 4 Carbon dari Google dengan 10,9 persen. Setiap model bahkan mencetak nol pada tugas keuangan dan hukum.
Dua benchmark yang dirilis bersamaan ini bercerita tentang dua sisi agen AI yang sama: makin andal menjadi asisten kehidupan, tapi masih jauh dari kata bisa diandalkan sebagai ahli.
Apa itu LifeVal?
LifeVal dibangun OpenAI dari data tentang bagaimana manusia benar-benar menghabiskan waktu, termasuk American Time Use Survey dari Biro Statistik Tenaga Kerja AS dan Multinational Time Use Study dari Inggris, ditambah survei terhadap sekitar 4.000 responden tentang hal-hal yang mereka harapkan bisa dibantu AI. Tugas-tugasnya mencakup pengasuhan anak, kesehatan, pendidikan, administrasi rumah tangga, keuangan pribadi, belanja, dan layanan pemerintah.
Pada contoh-contoh tugas individual, OpenAI melaporkan skor 93,1 persen untuk menemukan TK yang tepat setelah pindah, 98 persen untuk mengatur relawan banjir, dan 90,4 persen untuk rencana makan bagi penderita diabetes. OpenAI menyebut LifeVal sudah dipakai secara internal selama setahun untuk mengarahkan pengembangan ChatGPT dari sekadar penjawab pertanyaan menjadi asisten yang benar-benar menyelesaikan sesuatu atas nama pengguna, lewat penjelajahan web, penggunaan komputer, dan konektor ke berbagai aplikasi.
Di sinilah catatan pentingnya. LifeVal dibuat, dipilih tugasnya, dan dijalankan oleh OpenAI sendiri, dan sejauh laporan yang beredar, tidak ada verifikasi independen atas angka-angka tersebut. Skor 80,6 persen juga merupakan rata-rata reward yang tidak dijelaskan secara gamblang, bukan persentase tugas yang selesai dengan benar di dunia nyata. Angka ini layak dibaca sebagai klaim dari pembuatnya, bukan vonis final.
Apa itu GDPx, dan mengapa skornya begitu rendah?
GDPx mengambil pendekatan yang berlawanan. Alih-alih tugas sehari-hari, benchmark ini menyusun tugas-tugas ahli yang panjang dan realistis, dibangun bersama 14 mitra data spesialis. Penilaiannya bersifat lulus-gagal dengan standar yang ketat, sehingga model yang "hampir benar" tetap dihitung gagal. Itulah mengapa skor puncaknya hanya 12 persen: agen terbaik saat ini gagal pada roughly tujuh dari delapan tugas ahli.
SemiAnalysis sendiri memberi peringatan penting. Skor keseluruhan ikut tertarik ke bawah oleh filter keamanan (safety classifier) pada domain keamanan siber, biologi, dan alignment: filter yang memblokir keluaran berisiko juga memblokir pekerjaan ahli yang sah. Meski begitu, kesimpulan besarnya tetap berdiri: model-model frontier saat ini adalah asisten yang mengesankan, tetapi ahli yang belum bisa diandalkan.
Apa artinya buat developer dan pengguna di Indonesia?
Pertama, jangan tertukar antara "pintar mengurus" dan "pintar memutuskan". Agen AI sudah cukup baik untuk tugas-tugas yang kesalahannya mudah diperbaiki: menyusun draf rencana, membandingkan opsi, menyiapkan dokumen. Untuk keputusan yang berisiko tinggi — keuangan, hukum, medis, keamanan — GDPx menunjukkan bahwa pengawasan manusia (human-in-the-loop) bukan sekadar formalitas, melainkan keharusan.
Kedua, benchmark buatan vendor harus dibaca dengan kacamata kritis. Ketika pembuat model juga yang membuat tesnya, hasilnya cenderung menguntungkan. Bandingkan selalu dengan benchmark pihak ketiga seperti GDPx, dan perhatikan metodologinya: apa yang diukur, bagaimana penilaiannya, dan siapa yang memverifikasi.
Ketiga, peluang terbesar bagi developer Indonesia justru ada di tengah: membangun agen untuk tugas kehidupan dan operasional yang spesifik — administrasi UMKM, layanan pelanggan, pengelolaan dokumen — dengan batasan yang jelas dan jalur eskalasi ke manusia. Di wilayah inilah LifeVal menunjukkan kemajuan nyata, dan di wilayah inilah produk bisa memberi nilai hari ini tanpa perlu menunggu agen yang sempurna.
Penutup
LifeVal dan GDPx bukan kabar yang bertentangan, melainkan dua potret dari satu kenyataan. AI makin cakap membantu hidup sehari-hari, dan pada saat yang sama masih jauh dari mampu menggantikan keahlian profesional. Memahami kedua sisi itu adalah bekal terpenting sebelum mempercayakan pekerjaan nyata kepada agen AI.
Sumber: laporan CNN tentang pengumuman LifeVal OpenAI (2 November 2026); analisis RR Tech Pulse atas LifeVal dan skor GPT-6 Astra; laporan SemiAnalysis tentang GDPx melalui ShiftDelete dan AI Agent Update (2 November 2026). Angka-angka benchmark adalah klaim dari masing-masing pembuatnya dan belum diverifikasi secara independen.