OpenAI 与 Ironclad 在企业合同业务中训练计算机操作代理

2026年10月6日，OpenAI 与合同管理公司 Ironclad 公布了在企业软件环境中执行复杂业务的计算机操作代理的联合研究。双方设计了覆盖法务、商务、采购三个领域的 11 项任务，提供了一套机制，用于评估代理是否能够超越用户的点击操作，满足最终工作流所期望的要求。Ironclad 提供了练习用环境，OpenAI 则使用合成任务和强化学习方法对代理进行训练。这一举措被视为在企业追求数字工作流自动化的背景下，首次大规模验证 AI 能否在实际业务层面准确执行操作的尝试。研究成果将作为行业标准基准公开，预计也会对其他公司的 AI 开发产生影响。

研究背景

企业的法务部门和采购团队每天都要面对合同文件的起草、审批流的管理以及不同法域条款的调整等大量手工操作。这些流程容易产生人为错误和手续延误，进而阻碍业务的快速推进。如果 AI 不仅能够精准复现屏幕上的点击和输入，还能自动解读文档内容并完成条款的定制化，那么就有望显著缩短作业时间并提升质量。OpenAI 与 Ironclad 正是基于此类痛点，决定共同研发能够在实际工作层面执行操作的计算机代理。

任务设计

本次研究构建了 11 项对应法务、商务、采购三个领域的任务。每项任务设定了 8 到 50 条基准，不仅要求完成点击操作，还要判断最终工作流是否满足预先定义的要求。例如，在起草保密协议时，需要检查机密信息的定义、签署权限以及保存期限等要素；在采购审批流程中，则要评估预算上限、供应商评价和审批步骤的完成情况。针对不同法域的条款修改任务，还会设置该法域的法律要求、本地化条款文本以及合规检查等基准。

• 保密协议的起草
• 采购审批流程的执行
• 法域别条款的修改

评估方法与结果

代理的表现通过代表性的合成任务以及基于强化学习的评估方式进行测量。媒体报道指出，GPT-6 Astra 达到 55.0% 的平均成功率，完成任务所需的估计时间从 37.0 分钟缩短至 19.2 分钟，时间减半。GPT-5.6 Sol 的成功率为 41.6%，同样观察到时间缩短。内部正在开发的模型则实现了 63.7% 的成功率，超越了公开模型的表现。这些数据表明，代理能够组合多次点击和条件判断，执行复杂的工作流。

内部模型的 63.7% 成功率在法务条款定制和采购审批多阶段流程中表现尤为突出。GPT-6 Astra 的 55.0% 被视为通用模型中的最高水平，暗示其在实际业务环境中的适用潜力。相比之下，GPT-5.6 Sol 的 41.6% 则显示任务难度和条件复杂性会导致成果波动。上述结果进一步说明，模型架构和强化学习奖励设计直接影响成功率。

然而，11 项任务中有 55% 被判定为无法完全自动化，仅能在受限环境中进行研究验证。实际企业落地仍需考虑权限管理、审计日志以及错误配置的校验等治理功能。代理的操作前提是系统访问权限受限并记录变更历史，以最小化错误条款修改或不当批准带来的风险。因此，要将研究成果直接迁移到生产环境，还必须进行额外的安全评估并对用户进行培训。

该研究的具体影响包括：缩短合同文件初稿的编写时间、通过自动化采购审批流程降低成本、以及通过动态生成法域别条款降低合规风险。企业可以利用 Ironclad 提供的练习环境，创建符合内部工作流的自定义任务，并对 OpenAI 的代理进行测试。对成功率较高的任务，可分阶段迁移至生产环境，并在人工监督（Human-in-the-Loop）下开始运营。这样，法务部门能够专注于更高层次的分析工作，采购团队则有望将审批周期缩短一半。

总体来看，OpenAI 与 Ironclad 的联合研究标志着企业级计算机操作代理实用化迈出了重要一步。目前，两家公司正基于研究成果制定实施指南和安全框架，并计划扩大合作伙伴关系。随着这些措施的落地，企业有望加速 AI 主导的合同管理和采购流程的数字化转型，实现工作效率与合规性的双重提升。