OpenAI dan bioteknologi startup Ligo mengumumkan pada 6 November 2026 peluncuran BioBasicsBench, sebuah kumpulan uji 100 tugas yang diambil dari pekerjaan laboratorium biologi. Tujuannya bukan mengukur seberapa pintar model AI, melainkan apakah agen AI mampu membaca data mentah dari percobaan sehari-hari dan mengakui kapan bukti tidak cukup untuk mendukung suatu kesimpulan.

Pencipta benchmark ini mengakui adanya keterbatasan model saat memahami data laboratorium sehari-hari. "Setiap hari di laboratorium, eksperimen gagal, gambar ambigu, dan observasi bertentangan," tulis OpenAI dalam pengumuman. Skenario inilah yang dijadikan dasar BioBasicsBench.

Daftar tugas mencakup lima area kerja laboratorium rutin: metode protein, pencitraan dan sitometri, kuantifikasi dan asai, metode asam nukleat, serta kloning molekuler. Setiap tugas menggunakan bukti empiris, seperti gambar pita gel, cawan koloni, mikroskopi, berkas sekuensing, serta ekspor instrumen. Model juga diberi video protokol: tujuh video yang menunjukkan pembibitan, inokulasi, pengenceran serial, penyiapan tangki SDS-PAGE, inkubator, hingga penimbangan menggunakan timbangan.

Model yang diuji sebanyak tujuh: GPT-5.2, GPT-5.4, GPT-5.5, GPT-5.6 Sol, GPT-6.1 Sol, GPT-6 Luna, dan GPT-6 Astra. Peringkat dilakukan pada dua pengaturan kesulitan, dengan pengaturan tertinggi mengizinkan lebih banyak penalaran per tugas. Pada pengaturan ini, GPT-6 Astra mencatat 66,7 persen kredit parsial, GPT-6.1 Sol 62,0 persen, dan GPT-5.6 Sol 43,8 persen. Penilaian menggunakan rubrik ahli, serta peninjauan dua lapis: satu ilmuwan wet-lab dari Ligo dan satu doktor profesional laboratorium eksternal.

Angka tersebut bukan persentase bahwa suatu model menjawab benar. OpenAI memakai kredit parsial: setiap rubrik memberi poin untuk elemen pengukuran dan penalaran, termasuk ketika model mengakui data tidak mendukung kesimpulan. Model teratas tetap melakukannya dengan cacat. Dalam contoh agarose gel, GPT-6 Astra menemukan kelompok visual secara benar tetapi salah membaca apa yang ditunjukkan kontrol, sehingga berpotensi memimpin peneliti menentukan DNA yang bukan target.

Artinya, skor tinggi tidak otomatis berarti model layak memimpin percobaan. OpenAI menulis di pengumuman bahwa "Skor papan peringkat yang lebih tinggi belum tentu berarti model dapat membuat penilaian yang andal di laboratorium." Kegagalan teknis yang terlihat kecil pun dapat berakhir pada sampel yang salah, misalnya memilih plasmid yang keliru.

BioBasicsBench lahir dari kesadaran bahwa evaluasi akademik sering menggunakan grafik dan gambar yang dipilih untuk karya ilmiah. Pekerjaan laboratorium sehari-hari mengandung ketidakjelasan dan konflik observasi yang disederhanakan dari gambar karya ilmiah. Dengan merujuk pada bukti mentah, benchmark ini menguji kemampuan agen dalam melakukan analisis lingkungan yang lebih mirip pekerjaan yang sebenarnya.

Desain tugasnya juga tidak hanya menilai kemampuan melihat gambar. Agen harus menghubungkan pengamatan dengan protokol, kontrol, dan pertanyaan eksperimen. Di situlah kesalahan penalaran menjadi penting: model dapat membaca pita atau koloni dengan cukup baik, tetapi tetap mengambil keputusan yang tidak didukung oleh kontrol percobaan. Bagi peneliti, kemampuan menyatakan "belum cukup bukti" sama pentingnya dengan menghasilkan jawaban yang terdengar meyakinkan.

OpenAI menyebut benchmark ini sebagai cara untuk melacak kemajuan menuju bantuan AI yang lebih dapat diandalkan dalam riset. Namun bantuan semacam itu tetap membutuhkan pengawasan ilmuwan. Model yang salah mengenali gambar dapat mengarahkan langkah berikutnya, sementara kesalahan pada kontrol bisa luput jika pengguna hanya memeriksa jawaban akhirnya.

Yang masih belum dipublikasikan meliputi kumpulan data mentah, rubrik lengkap, kode evaluasi, serta hasil mentah setiap model. Berdasarkan pemeriksaan sumber yang tersedia, pengumuman OpenAI tetap menjadi sumber metodologi utama, bukan kumpulan data terbuka.

Tanpa adanya hasil independen yang mengulang tes, pembaca perlu ingat bahwa peringkat ini berasal dari sistem uji yang dibuat dan diumumkan oleh pihak pengembang. Kinerja dapat berubah ketika model diuji ulang dengan prompt, konfigurasi, atau kumpulan tugas berbeda. BioBasicsBench merupakan langkah menuju alat yang lebih tajam untuk mengukur kemampuan laboratorium, tetapi belum dapat dipakai sebagai kualifikasi kesiapan praktik ilmiah.

Sumber https://openai.com/index/measuring-how-ai-agents-handle-wet-lab-science/ Sumber pendukung: https://www.ligo.bio/ Sumber konteks: https://superpowerdaily.com/posts/openai-introduces-100-task-lab-benchmark-as-ai-still-misreads-experimental-evidence Sumber konteks: https://www.unite.ai/openai-introduces-biobasicsbench-to-test-ai-agents-on-wet-lab-data/