OpenAI et Ironclad entraînent un agent d'opération informatique pour les tâches contractuelles d'entreprise

Le 6 octobre 2026, OpenAI et la société de gestion de contrats Ironclad ont annoncé une recherche conjointe visant à développer un agent d'opération informatique capable d'exécuter des tâches complexes dans les environnements logiciels destinés aux entreprises. Les deux organisations ont conçu onze défis couvrant les domaines juridiques, commerciaux et d'approvisionnement, afin d'évaluer si l'agent pouvait aller au-delà des simples clics de l'utilisateur et satisfaire les exigences d'un flux de travail final attendu. Ironclad a fourni un environnement d'entraînement, tandis qu'OpenAI a utilisé des scénarios synthétiques et des méthodes d'apprentissage par renforcement pour former l'agent. Cette initiative représente la première tentative à grande échelle visant à vérifier si l'IA peut réaliser des opérations de niveau professionnel dans le cadre de l'automatisation des flux de travail numériques des entreprises. Les résultats de la recherche seront publiés comme référence de référence industrielle, susceptibles d'influencer le développement d'IA par d'autres sociétés.

Contexte de la recherche

Les services juridiques et les équipes d'approvisionnement des entreprises doivent chaque jour gérer des tâches manuelles telles que la rédaction de contrats, la gestion des flux d'approbation et l'ajustement des clauses selon les juridictions. Ces processus entraînent des erreurs humaines et des retards, ralentissant ainsi les activités commerciales. Si l'IA pouvait reproduire avec précision les clics et les saisies, tout en interprétant le contenu des documents et en automatisant la personnalisation des clauses, on pourrait réduire considérablement le temps de travail et améliorer la qualité. OpenAI et Ironclad ont donc décidé de s'attaquer à ces problèmes en entraînant un agent capable d'opérer à un niveau professionnel.

Conception des tâches

Dans le cadre de l'étude, onze défis ont été créés pour les domaines juridique, commercial et d'approvisionnement. Chaque défi comporte entre huit et cinquante critères, évaluant non seulement la réalisation d'un clic, mais aussi la conformité du flux de travail aux exigences définies. Par exemple, la création d'un accord de confidentialité inclut la définition des informations confidentielles, les autorisations de signature et la durée de conservation. Le processus d'approbation d'approvisionnement examine le respect du plafond budgétaire, l'évaluation des fournisseurs et l'achèvement des étapes d'approbation. Les défis de modification de clauses selon les juridictions imposent des exigences légales locales, une rédaction adaptée et des vérifications de conformité.

• Création d'un accord de confidentialité
• Exécution du processus d'approbation d'approvisionnement
• Modification de clauses selon les juridictions

Méthodes d'évaluation et résultats

La performance de l'agent a été mesurée à l'aide de scénarios synthétiques et d'une évaluation basée sur l'apprentissage par renforcement. Selon les rapports, le modèle GPT‑6 Astra a atteint un taux de réussite moyen de 55,0 % et le temps nécessaire pour accomplir les tâches est passé de 37,0 à 19,2 minutes, soit une réduction de moitié. Le modèle GPT‑5.6 Sol a enregistré un taux de réussite de 41,6 % avec une réduction de temps similaire. Un modèle interne en cours de développement a affiché un taux de réussite de 63,7 %, dépassant les performances des modèles publiés. Ces chiffres montrent que l'agent peut exécuter des flux de travail complexes combinant plusieurs clics et évaluations conditionnelles.

Le taux de 63,7 % du modèle interne a démontré une efficacité élevée lors de la personnalisation de clauses juridiques et des processus d'approbation à plusieurs niveaux. Le résultat de 55,0 % de GPT‑6 Astra est considéré comme le meilleur parmi les modèles génériques, suggérant une applicabilité potentielle en environnement réel. En revanche, le taux de 41,6 % de GPT‑5.6 Sol indique que les performances varient selon la difficulté du défi et la complexité des conditions, soulignant l'impact de l'architecture du modèle et de la conception des récompenses d'apprentissage sur le succès.

Cependant, 55 % des onze défis ont été jugés impossibles à automatiser entièrement, limitant la portée de la recherche à des environnements contrôlés. Pour une adoption réelle, des fonctions de gouvernance telles que la gestion des autorisations, les journaux d'audit et la validation des configurations erronées sont indispensables. Les actions de l'agent supposent que les droits d'accès sont restreints et que les historiques de modifications sont enregistrés, afin de minimiser les risques de modifications inappropriées ou d'approbations non conformes. Ainsi, le transfert direct des résultats vers la production nécessite des évaluations de sécurité supplémentaires et une formation adéquate des utilisateurs.

Les impacts attendus comprennent la réduction du temps de rédaction des projets de contrat, la diminution des coûts grâce à l'automatisation du flux d'approbation d'approvisionnement, et la réduction des risques de conformité grâce à la génération dynamique de clauses selon les juridictions. Les entreprises pourront exploiter l'environnement d'entraînement d'Ironclad pour créer des tâches personnalisées alignées sur leurs flux de travail, puis tester les agents d'OpenAI. Les tâches avec un taux de réussite élevé pourront être progressivement déployées en production, sous surveillance humaine (Human‑in‑the‑Loop), permettant aux services juridiques de se concentrer sur des analyses avancées et aux équipes d'approvisionnement de réduire de moitié leurs cycles d'approbation.

Dans l'ensemble, la recherche conjointe d'OpenAI et d'Ironclad représente une étape importante vers la mise en œuvre pratique d'agents d'opération informatique pour les entreprises. Les deux sociétés ont annoncé qu'elles poursuivraient le développement de guides d'implémentation et de cadres de sécurité basés sur les résultats, tout en élargissant leur partenariat. Cette évolution devrait permettre aux entreprises d'accélérer la transformation numérique de leurs processus de gestion de contrats et d'approvisionnement, en conciliant efficacité opérationnelle et conformité réglementaire.