OpenAI 於 2026 年 10 月 6 日公布與 AI 合約平台 Ironclad 的研究合作，重點是把 computer use 由單一點擊任務推向較複雜的專業工作。合作團隊要訓練和評估 agent 是否能理解企業規則、在專門軟件中完成多步驟設定，並確認最後的流程仍然符合原本要求，而不是只看每一個畫面操作是否成功。
研究團隊與 Ironclad 員工及 OpenAI 內部使用者挑選了 11 個 legal、commercial 和 procurement 任務，包括建立保密協議、設定採購審批流程，以及按申請人的司法管轄區更新可重用法律條款。OpenAI 估計，有經驗的使用者平均每項需時約 30 至 40 分鐘；每項任務按複雜程度設定 8 至 50 個評分條件，讓研究者可以看出 agent 是在哪個規則或步驟失敗。
Ironclad 提供託管的軟件環境，研究者以合約公開資料建立 synthetic training tasks，再用 reinforcement learning 讓模型在練習和回饋中改進。OpenAI 表示，這些任務來自 SEC EDGAR 的公開合約，並經過移除個人資料的篩選；沒有使用 OpenAI 客戶資料、內部合約或 Ironclad 客戶的非公開合約作訓練或評估。
在這 11 項研究任務中，GPT-6 Astra 的平均 rubric score 為 55.0%，GPT-5.6 Sol 為 41.6%；OpenAI 同時報告估算的每次嘗試時間由 37.0 分鐘降至 19.2 分鐘。兩個示範片段中，Astra 約用 20 分鐘完成約 94% 的條件，Sol 約用 32 分鐘完成約 85%。OpenAI 明確註明，時間是按模型處理及生成速度推算的 simulated estimates，不是客戶實際節省的時間，而且結果只涵蓋 11 項研究任務。
這個案例的難點在於例外和全局規則。合約流程可能要求 Finance 只在金額超過門檻時審批、Security 只在某類請求介入、Legal 只在非標準條款出現時介入；agent 如果只完成局部設定，最後整條流程仍可能在邊界情況出錯。OpenAI 因此把成功定義為一組可驗證條件，而不是「看起來已經填好」；Ironclad 亦強調人手監督和平台控制仍然重要。
對 computer-use agent 而言，這次合作顯示訓練資料、專業人士定義的 rubric、可重設的軟件環境和端到端驗證，需要一起設計。供應商 benchmark 可以說明研究方向，但不能直接等同於法律意見、客戶生產時間節省或所有合約平台都能得到同樣結果。真正部署時，企業仍要保留權限分隔、例外升級、版本審計和人工批准。
