OpenAI y Ironclad entrenan agentes de operación de computadora para tareas contractuales empresariales

El 6 de octubre de 2026, OpenAI y la empresa de gestión de contratos Ironclad anunciaron una investigación conjunta sobre agentes de operación de computadora diseñados para ejecutar tareas complejas dentro de entornos de software empresarial. Ambas compañías diseñaron once desafíos que abarcan los ámbitos legal, comercial y de adquisiciones, y proporcionaron un mecanismo para evaluar si el agente, más allá de simplemente reproducir los clics del usuario, cumple con los requisitos esperados del flujo de trabajo final. Ironclad puso a disposición un entorno de entrenamiento, mientras que OpenAI entrenó al agente utilizando tareas sintéticas y técnicas de aprendizaje reforzado. Este esfuerzo se posiciona como el primer intento a gran escala para comprobar si la IA puede realizar operaciones a nivel práctico en la automatización de flujos de trabajo digitales empresariales. Los resultados de la investigación se publicarán como un benchmark estándar de la industria y se espera que influyan en el desarrollo de IA de otras compañías.

Contexto de la investigación

Los departamentos legales y los equipos de adquisiciones de las empresas se enfrentan a diario a actividades que requieren mucha intervención manual, como la redacción de documentos contractuales, la gestión de flujos de aprobación y la adaptación de cláusulas según la jurisdicción. Estos procesos generan errores humanos y retrasos procedimentales, lo que a su vez obstaculiza la velocidad del negocio. Si la IA pudiera reproducir con precisión los clics y entradas en la pantalla, además de interpretar el contenido de los documentos y automatizar la personalización de cláusulas, se esperaría una reducción significativa del tiempo de trabajo y una mejora en la calidad. OpenAI e Ironclad se propusieron abordar estos retos entrenando un agente de operación de computadora capaz de actuar a nivel práctico.

Diseño de las tareas

En este estudio se crearon once desafíos que cubren los dominios legal, comercial y de adquisiciones. Cada desafío establece entre ocho y cincuenta criterios, y no solo verifica la finalización de los clics, sino también si el flujo de trabajo resultante satisface los requisitos predefinidos. Por ejemplo, en la creación de un acuerdo de confidencialidad, los criterios incluyen la definición de información confidencial, la autoridad de firma y el período de conservación; en el proceso de aprobación de adquisiciones, se evalúan el límite presupuestario, la evaluación del proveedor y la finalización de los pasos de aprobación. En los desafíos de modificación de cláusulas según la jurisdicción, los criterios abarcan los requisitos legales de la jurisdicción objetivo, la redacción localizada de las cláusulas y la verificación de cumplimiento.

• Creación de acuerdos de confidencialidad
• Ejecución del proceso de aprobación de adquisiciones
• Modificación de cláusulas según jurisdicción

Métodos de evaluación y resultados

El rendimiento del agente se midió mediante evaluaciones basadas en desafíos sintéticos representativos y en aprendizaje reforzado. Según los informes, GPT‑6 Astra alcanzó una tasa de éxito promedio del 55,0 % y redujo el tiempo estimado necesario para completar una tarea de 37,0 minutos a 19,2 minutos, casi la mitad. GPT‑5.6 Sol obtuvo una tasa de éxito del 41,6 % y también mostró una reducción de tiempo comparable. Un modelo interno en desarrollo mostró una tasa de éxito del 63,7 %, superando a los modelos públicos. Estos valores indican que el agente es capaz de ejecutar flujos de trabajo complejos que combinan múltiples clics y decisiones condicionales.

La tasa de éxito del 63,7 % del modelo interno fue particularmente alta en la personalización de cláusulas legales y en procesos de aprobación de adquisiciones con múltiples etapas, demostrando una eficiencia notable. El 55,0 % de GPT‑6 Astra se considera el nivel más alto alcanzado por un modelo generalista, lo que sugiere viabilidad para entornos operacionales reales. En contraste, el 41,6 % de GPT‑5.6 Sol muestra que el desempeño varía según la dificultad del desafío y la complejidad de las condiciones. Estos resultados ponen de manifiesto que la arquitectura del modelo y el diseño de recompensas en el aprendizaje reforzado influyen directamente en la tasa de éxito.

Sin embargo, el 55 % de los once desafíos fueron calificados como imposibles de automatizar completamente, limitando el valor de la investigación a entornos controlados. La implementación real en empresas requerirá funciones de gobernanza como gestión de permisos, registros de auditoría y verificación de configuraciones erróneas. Las acciones del agente asumen que el acceso al sistema está restringido y que se registra el historial de cambios, con el objetivo de minimizar riesgos en caso de modificaciones de cláusulas incorrectas o aprobaciones inapropiadas. Por lo tanto, trasladar los resultados de la investigación a entornos de producción exigirá evaluaciones de seguridad adicionales y capacitación de los usuarios.

El impacto concreto que este estudio sugiere incluye la reducción del tiempo de elaboración de borradores iniciales de documentos contractuales, la disminución de costos mediante la automatización del flujo de aprobación de adquisiciones y la mitigación de riesgos de cumplimiento gracias a la generación dinámica de cláusulas según la jurisdicción. Las empresas pueden aprovechar el entorno de entrenamiento de Ironclad para crear tareas personalizadas alineadas con sus flujos internos y probar los agentes de OpenAI. Las tareas con altas tasas de éxito pueden migrarse gradualmente a entornos productivos bajo supervisión humana (human‑in‑the‑loop), permitiendo a los departamentos legales centrarse en análisis avanzados y a los equipos de adquisiciones acortar sus ciclos de aprobación.

En conjunto, la investigación conjunta de OpenAI e Ironclad representa un paso importante hacia la puesta en práctica de agentes de operación de computadora para el sector empresarial. Actualmente, ambas compañías anunciaron planes para desarrollar guías de implementación y marcos de seguridad basados en los resultados de la investigación, y para ampliar su asociación. Se espera que estas iniciativas permitan a las empresas acelerar la transformación digital de la gestión de contratos y procesos de adquisición liderada por IA, logrando simultáneamente eficiencia operativa y cumplimiento normativo.