OpenAI e Ironclad treinam agente de operação de computador para tarefas de contrato empresarial

No dia 6 de outubro de 2026, a OpenAI e a Ironclad, empresa especializada em gestão de contratos, divulgaram publicamente um projecto de investigação conjunto que tem como objetivo desenvolver um agente de operação de computador capaz de executar tarefas complexas dentro de ambientes de software empresarial. Ambas as partes definiram, em conjunto, onze desafios que abrangem as áreas de jurídico, comercial e aprovisionamento, e criaram um mecanismo de avaliação que permite medir se o agente consegue, para além de reproduzir cliques de utilizador, cumprir os requisitos finais de fluxo de trabalho esperados. A Ironclad forneceu um ambiente de treino controlado, enquanto a OpenAI utilizou tarefas sintéticas e técnicas de aprendizagem reforçada para treinar o agente. Este esforço representa a primeira tentativa a grande escala de validar se a inteligência artificial pode realizar operações de nível prático com a precisão exigida pelos fluxos de trabalho digitais das empresas, e os resultados da investigação serão publicados como um benchmark aberto que deverá influenciar o desenvolvimento de IA por outras organizações.

Contexto da pesquisa

Os departamentos jurídicos e as equipas de aprovisionamento das empresas enfrentam diariamente tarefas que exigem a criação de documentos contratuais, a gestão de fluxos de aprovação e a adaptação de cláusulas a diferentes jurisdições, processos que ainda dependem fortemente de intervenções manuais. Estas atividades manuais são fontes frequentes de erros humanos e atrasos procedimentais, o que pode reduzir a velocidade dos negócios e criar gargalos operacionais. Se a IA puder não só reproduzir cliques e inserções de dados na interface, mas também interpretar o conteúdo dos documentos e automatizar a personalização de cláusulas, espera‑se uma redução substancial do tempo de execução e uma melhoria da qualidade dos resultados. Foi com este objetivo que a OpenAI e a Ironclad decidiram unir esforços para treinar um agente de operação de computador que funcione a nível prático, capaz de lidar com as exigências reais dos fluxos de trabalho empresariais.

Desenho das tarefas

No âmbito deste estudo, foram criadas onze tarefas que cobrem os domínios jurídico, comercial e de aprovisionamento. Cada tarefa inclui entre oito e cinquenta critérios de avaliação que vão além da simples conclusão de cliques, exigindo que o fluxo de trabalho final satisfaça requisitos pré‑definidos. Por exemplo, na criação de um acordo de confidencialidade, os critérios incluem a definição de informação confidencial, a autoridade de assinatura, o período de retenção e outras condições específicas. No processo de aprovação de aprovisionamento, os critérios avaliam o cumprimento de limites orçamentais, a avaliação de fornecedores, a conclusão de todas as etapas de aprovação e a documentação associada. As tarefas de alteração de cláusulas por jurisdição exigem ainda a consideração de requisitos legais locais, a adaptação de texto de cláusulas ao idioma e contexto regional, e a verificação de conformidade com normas regulatórias específicas.

• Criação de acordo de confidencialidade
• Execução do processo de aprovação de aprovisionamento
• Alteração de cláusulas por jurisdição

Métodos de avaliação e resultados

O desempenho do agente foi medido através de tarefas sintéticas representativas e de avaliações baseadas em aprendizagem reforçada. Segundo relatos da imprensa, o modelo GPT‑6 Astra registou 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, praticamente a metade do tempo original. O modelo GPT‑5.6 Sol alcançou uma taxa de sucesso de 41,6 %, também demonstrando uma diminuição significativa do tempo de execução. Um modelo interno ainda em desenvolvimento superou ambos, atingindo uma taxa de sucesso de 63,7 %, indicando um desempenho superior ao dos modelos públicos disponíveis.

A taxa de sucesso de 63,7 % do modelo interno destacou‑se particularmente nas tarefas de personalização de cláusulas jurídicas e nos processos de aprovação de aprovisionamento com múltiplas etapas, onde a eficiência foi notavelmente alta. O resultado de 55,0 % obtido pelo GPT‑6 Astra foi considerado o melhor desempenho entre os modelos de uso geral, sugerindo que o agente tem potencial para ser aplicado em ambientes de trabalho reais. Em contraste, o GPT‑5.6 Sol, com 41,6 % de sucesso, evidenciou que a dificuldade da tarefa e a complexidade das condições podem influenciar significativamente os resultados, mostrando variações de desempenho conforme o grau de complexidade.

Entretanto, 55 % das onze tarefas foram classificadas como impossíveis de automatizar completamente, limitando o valor da investigação a ambientes controlados. Para uma implementação real nas empresas, são necessárias funcionalidades de governação, como gestão de permissões, registos de auditoria e verificação de configurações erradas. As operações realizadas pelo agente pressupõem restrições de acesso ao sistema e registo de histórico de alterações, de modo a minimizar riscos associados a alterações incorretas de cláusulas ou aprovações inadequadas. Assim, a transição dos resultados da pesquisa para ambientes de produção requer avaliações de segurança adicionais e formação dos utilizadores.

O impacto concreto que esta investigação pode gerar inclui a redução do tempo de elaboração de rascunhos iniciais de documentos contratuais, a diminuição de custos através da automação dos fluxos de aprovação de aprovisionamento e a mitigação de riscos de conformidade ao gerar cláusulas específicas por jurisdição de forma dinâmica. As empresas poderão utilizar o ambiente de treino fornecido pela Ironclad para criar tarefas personalizadas alinhadas com os seus próprios fluxos de trabalho internos e testar o agente da OpenAI. As tarefas que apresentarem altas taxas de sucesso poderão ser migradas gradualmente para ambientes de produção, operando sob supervisão humana (human‑in‑the‑loop) para garantir controlo e segurança. Desta forma, os departamentos jurídicos poderão concentrar‑se em análises avançadas, enquanto as equipas de aprovisionamento poderão reduzir pela metade os ciclos de aprovação.

Em suma, a colaboração entre a OpenAI e a Ironclad representa um passo importante rumo à aplicação prática de agentes de operação de computador no contexto empresarial. Ambas as empresas anunciaram planos para, com base nos resultados da pesquisa, desenvolver guias de implementação e estruturas de segurança, bem como expandir a parceria. Espera‑se que, com estas iniciativas, as organizações possam acelerar a transformação digital dos processos de gestão de contratos e de aprovisionamento, alcançando simultaneamente maior eficiência operacional e conformidade regulatória.