OpenAI 在 2026 年 10 月 6 日發布公告，說明如何透過與合約管理平台 Ironclad 的研究合作，訓練與評估 AI agent 處理複雜專業工作。所謂 AI agent，在此指能在軟體環境中自行操作、完成一連串步驟的 AI 系統。這件事的背景是：OpenAI 推出 GPT-6 Astra 時，已展示模型在文件準備、網站測試等電腦操作任務上的進展；下一個目標是讓 agent 更能使用專業軟體解決複雜商業問題，包括理解公司業務規則、執行多步驟工作流，並驗證成果是否符合原始要求。為了加快研究，OpenAI 直接與少數熟悉這些工作流的軟體公司合作，把高價值且困難的任務轉成訓練與評估題目。Ironclad 是第一個合作對象，它是 AI 合約領域的領導者。
從專業流程到可訓練任務
公告以軟體採購流程說明難度。法務營運團隊要建立採購流程時，財務可能需核准超過一定金額的採購，安全團隊需審查特定請求，法務需檢視非標準條款。負責設定流程的人必須把這些要求轉成申請表、文件範本、核准規則與最終協議紀錄。AI agent 做同一件事時，必須在軟體操作過程中持續記住這些要求；例如設定財務在支出門檻以上才需核准，並確認門檻上下的請求都走正確路徑。單一步驟正確不夠，完成後的流程必須在它設計要處理的情境中都能運作。
OpenAI 研究人員與 Ironclad 員工及 OpenAI 內部使用 Ironclad 的人合作，識別出 11 個法律、商業與採購任務，包括設定保密協議、建立採購核准流程，以及更新可重複使用的法律條款，使其反映請求者選擇的管轄區。這些任務估計需要經驗豐富的使用者平均 30 至 40 分鐘完成。每個任務依複雜度以 8 至 50 項標準評估，以看出模型哪些部分做對、哪些不足。Ironclad 也提供其產品的託管軟體環境，讓模型練習。研究人員圍繞代表性工作流製作合成訓練任務，並用強化學習讓模型透過練習與回饋改進。這種組合，也就是由懂工作的人挑選任務、詳細評分標準，以及可供練習的環境，確保改進方向對應真實且重要的客戶任務。
GPT-6 Astra 的評測結果
GPT-6 Astra 是第一個以 Ironclad 任務訓練的前沿模型；前沿模型指能力位於當前最前緣的模型。在研究評估中，Astra 使用 Max reasoning，GPT-5.6 Sol 使用 High reasoning，這是各自得分最高的推理設定。11 個研究任務中，Astra 平均得分 55.0%，Sol 為 41.6%；每次嘗試估計平均時間從 Sol 的 37.0 分鐘降至 Astra 的 19.2 分鐘。整體而言，Astra 平均分比 Sol 高 32%，每次嘗試估計時間低 48%。開發 Astra 時使用的內部模型在這批任務上更達到 63.7%，OpenAI 目標是把這些進展帶到未來模型。
公告中的兩段影片展示同一研究任務：Astra 在估計 20 分鐘內達成約 94% 的任務標準，GPT-5.6 Sol 在估計 32 分鐘內達成約 85%。這代表 Astra 以更少模擬時間滿足更多要求。
對合約流程與產業的意義
Ironclad 的角色反映其客戶熟悉的挑戰：合約流程必須處理例外，同時保留企業依賴的規則。如果 agent 在任務中途遺失某條規則，軟體公司就很難放心把某些工作交給它。這也說明為何在 agent 愈來愈擅長複雜合約任務時，人類監督仍然重要，完整的合約平台仍不可或缺。Ironclad 技術長 Sunita Verma 表示，AI 要在複雜合約領域真正有用，不能只完成個別動作；agent 需要理解完整合約生命週期，包括業務工作流如何連結，同時保留團隊依賴的控制措施。與 OpenAI 的合作把這些真實挑戰帶進研究過程，有助技術推進。
對 Ironclad 而言，與研究團隊合作能把問題帶到基礎模型開發階段共同研究；隨著模型能力提升，Ironclad 也有機會在更多自家產品中使用這些模型。對法律與業務團隊來說，這可能意味 AI 承擔更多複雜合約工作，同時保留所需控制。這種合作模式也顯示，專業軟體公司累積的工作流程知識，正被納入模型訓練與評估迴圈，讓評估標準更貼近實際工作要求。
限制與合作條件
這些結果只涵蓋 11 個研究任務，並非 Ironclad 所有工作流。時間是基於假設的模型處理與生成速度所做的模擬估計，不是實測的客戶省時資料。合成任務來自美國證券交易委員會的 EDGAR 公開資料庫中公開合約，經篩選移除個人資訊；訓練與評估未使用 OpenAI 客戶資料、OpenAI 內部合約或非公開的 Ironclad 客戶資料或合約。
OpenAI 也邀請少數軟體公司與其研究及工程團隊直接合作，針對現今 agent 仍無法可靠完成的重要專業任務。申請者需提出具體例子：要求 agent 做什麼、它在哪裡失敗的證據，以及如何判斷成功結果。合作夥伴還需能提供深入了解工作的人員、安全測試環境，以及可安全用於研究的資料，作為調查失敗並衡量模型是否改善的起點。
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。