商业观察｜观澜编辑部
说明：本文依据OpenAI十月六日公布的合作与评测整理；对比结果来自企业研究评测，任务规模有限，预计用时是模拟估算，并非客户实际节省。

OpenAI与合同管理软件公司Ironclad合作，把法律、采购和商业运营中的流程任务用于训练和评估计算机代理。任务并非单击一个按钮，而是要把企业规则转成表单、合同模板、审批路径和可复用条款，再检查流程面对不同情况时是否仍然正确。例如采购金额超过门槛后是否必须经过财务审批，异常合同条款是否能交由法务复核。

双方研究人员选出十一项任务，涵盖保密协议、采购审批设置及依申请司法辖区更新合同条款等。每项任务按复杂程度设置八至五十条验收标准，并在托管软件环境中练习。OpenAI报告称，GPT-6 Astra在这些任务上的平均评分为百分之五十五，高于GPT-5.6 Sol的百分之四十一点六；估算平均完成时间从三十七分钟降至十九点二分钟。

评测的边界，比单个分数更重要

这组结果说明，代理评估需要关注任务完整性：只完成页面操作，不代表业务流程配置正确。合同审批中遗漏一个例外条件，可能比操作速度慢更严重。Ironclad提供真实软件环境，业务专家参与定义成功条件，这比泛化的点击基准更贴近企业使用。不过，十一项任务仍远小于实际合同流程的多样性；OpenAI也说明耗时基于处理速度假设，是模拟估算，不是客户工作时间的实测数据。

公司称训练任务由公开的美国证券交易委员会合同材料构造，并对个人信息进行筛除；其说明没有使用OpenAI客户数据、内部合同或Ironclad客户的非公开合同。这个数据边界有助于理解评测，但上线系统仍要另行解决客户授权、访问控制、日志保留及模型错误责任等问题。

从商业角度看，模型公司与垂直软件商共同定义训练任务，可能让通用代理更懂行业流程，也可能把能力绑定到少数平台的界面与数据结构。企业试点时，应要求代理展示每项业务规则对应的证据，提供人工审批、撤销与审计记录，并用自有流程复测。办公代理的竞争，正在从“能不能操作电脑”转向“能否在复杂规则下安全地完成整件工作”。

参考来源：OpenAI：与Ironclad推进专业工作中的计算机使用。