10 月 6 日，OpenAI 宣布与合同生命周期管理公司 Ironclad 展开研究合作，把法务、商务和采购中的真实合同工作流转化为 AI 智能体的训练与评估任务。这是 OpenAI 首次公开披露与垂直 SaaS 厂商深度合作，用生产级工作流来训练 computer-use agent。

合作内容：11 项真实合同任务

双方共同设计了 11 项任务，覆盖法务、商务和采购场景，典型任务包括：

• 设置保密协议（NDA）；
• 创建采购审批流程；
• 按申请人选择的司法辖区更新可复用法律条款；
• 配置协议、审批规则与最终协议记录。

OpenAI 估计，这些工作由熟练用户完成大约需要 30 到 40 分钟。任务的难点不只是单步正确，而是整个流程在多种分支情形下都要成立——例如超过阈值的采购和低于阈值的采购必须走对路径。

关键数据

在研究评测中，GPT-6 Astra 是首个在 Ironclad 任务上训练的前沿模型：

• 平均得分：55.0%（GPT-5.6 Sol 为 41.6%）；
• 单次尝试预估耗时：19.2 分钟（GPT-5.6 Sol 为 37.0 分钟）；
• 相对提升：得分提高约 32%，单次耗时降低约 48%。

值得注意的是，OpenAI 强调这些数字是模拟估计，不代表实际客户节省的时间；训练数据也做了脱敏处理，基于美国 SEC 的 EDGAR 公开合同合成，未使用 OpenAI 或 Ironclad 的客户数据。

为什么值得关注

第一，它标志着 agent 训练从「通用浏览器任务」转向「垂直业务工作流」。 过去的 computer-use benchmark 多在模拟浏览器里做订票、查资料等任务；Ironclad 提供的是真实、多步、有状态、带权限分支的企业工作流。这类数据对训练真正能干活的 agent 更有价值。

第二，SaaS 厂商的产品引擎正在成为 agent 训练的「矿场」。 Ironclad 把自己的工作流引擎开放出来，变成可复现的评估基准。对 OpenAI 来说，这是获取高质量训练信号的捷径；对 Ironclad 来说，这是把产品深度绑定前沿模型的机会。

第三，合同是 agent 落地的理想切口。 合同工作流高度结构化、规则明确、结果可验证，同时价值足够高——一个采购流程配置错误可能带来合规风险。如果 agent 能在合同场景中稳定落地，其他财务、HR、IT 工作流也会加速。

参考：OpenAI 官方公告、Tech in Asia、Web Pulse 2026-10-06/07。