OpenAI e Ironclad treinam agente de operação de computador para tarefas contratuais corporativas

No dia 6 de outubro de 2026, a OpenAI e a Ironclad, empresa especializada em gestão de contratos, divulgaram publicamente uma pesquisa colaborativa que visa desenvolver um agente de operação de computador capaz de executar tarefas complexas dentro de ambientes de software corporativo. As duas organizações criaram onze desafios que abrangem as áreas de jurídico, comercial e compras, e construíram um mecanismo de avaliação que verifica se o agente consegue ir além dos simples cliques do usuário para atender aos requisitos esperados de fluxo de trabalho final. A Ironclad disponibilizou um ambiente de treinamento, enquanto a OpenAI utilizou desafios sintéticos e técnicas de aprendizado por reforço para treinar o agente. Essa iniciativa representa a primeira tentativa em grande escala de validar se a IA pode realizar operações de nível prático com precisão, à medida que as empresas buscam automatizar fluxos de trabalho digitais. Os resultados da pesquisa serão publicados como um benchmark padrão da indústria, com a expectativa de influenciar o desenvolvimento de IA em outras organizações.

Contexto da pesquisa

Os departamentos jurídicos e as equipes de compras das empresas lidam diariamente com tarefas que exigem muita intervenção manual, como a redação de documentos contratuais, a gestão de fluxos de aprovação e a adaptação de cláusulas conforme diferentes jurisdições. Esses processos manuais são fontes frequentes de erros humanos e atrasos, o que pode reduzir a velocidade dos negócios. Se a IA conseguir reproduzir não apenas cliques e entradas de dados, mas também interpretar o conteúdo dos documentos e automatizar a personalização de cláusulas, seria possível reduzir drasticamente o tempo gasto nessas atividades e melhorar a qualidade dos resultados. OpenAI e Ironclad decidiram, portanto, focar no treinamento de um agente de operação de computador que atuasse em nível prático para enfrentar esses desafios.

Projeto dos desafios

Neste estudo, foram criados onze desafios específicos que cobrem as áreas de jurídico, comercial e compras. Cada desafio estabelece entre oito e cinquenta critérios que vão além da simples conclusão de cliques, avaliando se o fluxo de trabalho final cumpre requisitos pré‑definidos. Por exemplo, ao criar um contrato de confidencialidade, os critérios incluem a definição de informações confidenciais, autoridade de assinatura e período de retenção. No processo de aprovação de compras, são avaliados limites orçamentários, avaliação de fornecedores e a conclusão de todas as etapas de aprovação. Já nos desafios de alteração de cláusulas por jurisdição, os requisitos consideram exigências legais da região, redação localizada das cláusulas e verificações de conformidade.

• Criação de contrato de confidencialidade
• Execução do processo de aprovação de compras
• Alteração de cláusulas por jurisdição

Métodos de avaliação e resultados

O desempenho do agente foi medido por meio de avaliações baseadas em desafios sintéticos representativos e em aprendizado por reforço. Segundo relatos da imprensa, o modelo GPT‑6 Astra alcançou uma taxa média de sucesso de 55,0 % e reduziu o tempo estimado para concluir as tarefas de 37,0 minutos para 19,2 minutos, quase metade do tempo original. O modelo GPT‑5.6 Sol registrou uma taxa de sucesso de 41,6 % e também apresentou redução de tempo semelhante. Um modelo interno em desenvolvimento mostrou uma taxa de sucesso de 63,7 %, superando os modelos públicos em desempenho. Esses números indicam que o agente consegue combinar múltiplos cliques e decisões condicionais para executar fluxos de trabalho complexos.

A taxa de sucesso de 63,7 % do modelo interno destacou eficiência particularmente alta em personalização de cláusulas jurídicas e em processos de aprovação de compras com múltiplas etapas. O desempenho de 55,0 % do GPT‑6 Astra foi considerado o melhor entre os modelos de uso geral, sugerindo viabilidade de aplicação em ambientes de trabalho reais. Em contraste, o GPT‑5.6 Sol, com 41,6 % de sucesso, demonstrou que a dificuldade do desafio e a complexidade das condições podem influenciar significativamente os resultados. Esses achados revelam que a arquitetura do modelo e o design da recompensa no aprendizado por reforço têm impacto direto nas taxas de sucesso.

Entretanto, 55 % dos onze desafios foram classificados como impossíveis de automatizar completamente, limitando o valor da pesquisa a ambientes controlados. Para uma implantação real nas empresas, são necessárias funções de governança, como gerenciamento de permissões, registros de auditoria e verificação de configurações incorretas. As operações realizadas pelo agente pressupõem controle de acesso ao sistema e registro de histórico de alterações, a fim de minimizar riscos caso ocorram mudanças de cláusulas inadequadas ou aprovações impróprias. Portanto, migrar os resultados da pesquisa diretamente para produção requer avaliações adicionais de segurança e treinamento dos usuários.

O impacto concreto esperado inclui redução do tempo de elaboração de rascunhos iniciais de documentos contratuais, diminuição de custos por meio da automação do fluxo de aprovação de compras e mitigação de riscos de conformidade graças à geração dinâmica de cláusulas por jurisdição. As empresas podem usar o ambiente de treinamento fornecido pela Ironclad para criar tarefas personalizadas alinhadas aos seus fluxos internos e testar o agente da OpenAI. As tarefas com altas taxas de sucesso podem ser migradas gradualmente para ambientes de produção, operando sob supervisão humana (human‑in‑the‑loop). Isso permitiria que os departamentos jurídicos se concentrassem em análises avançadas, enquanto as equipes de compras reduziriam pela metade seus ciclos de aprovação.

Em resumo, a pesquisa conjunta entre OpenAI e Ironclad representa um passo significativo rumo à aplicação prática de agentes de operação de computador em ambientes corporativos. Ambas as partes anunciaram planos para desenvolver diretrizes de implementação e um framework de segurança, além de ampliar a parceria. Espera‑se que, com esses recursos, as empresas acelerem a transformação digital de processos de gestão de contratos e compras, alcançando maior eficiência operacional e conformidade simultaneamente.