先看证据
考题从合同审阅变成流程配置
2026年10月6日，OpenAI公布了与合同软件公司Ironclad的研究合作，目标是训练和评估能在专业软件中处理复杂工作的智能体。双方把合同、商业和采购流程中的实际任务带入研究，GPT-6 Astra是首个基于Ironclad任务训练的前沿模型。它要面对的不是单份合同里的问答，而是在软件里配置协议、审批和可复用法律条款，并检查最终设置是否满足原始要求。
这与Ironclad在2023年推出的AI Assist有不同的工作边界。早期工具帮助用户识别合同异常、建议红线修改或公司预先批准的条款，用户仍需决定是否接受建议。此次研究把目标推进到多步骤执行：智能体既要操作软件，也要在操作过程中保留规则，判断不同条件下流程是否都走对。变化值得技术负责人留意，因为专业软件自动化的难点正在从“能不能点”转向“能不能把业务规则贯穿到底”。
把业务要求拆成整项任务来验收
双方先由Ironclad员工和OpenAI内部的Ironclad使用者挑选了11项法律、商业和采购任务。例子包括设置保密协议、建立采购审批流程，以及根据请求人选择的司法辖区更新可复用条款。OpenAI估计，经验丰富的用户平均完成每项任务需要30至40分钟。这个基准说明任务涉及实际配置工作，但它是估计值，不是对所有企业流程的实测耗时。
每项任务根据复杂程度设置8至50条评估标准，检查的不只是单个操作是否成功。比如采购流程可能要求超过某个金额时由财务审批，特定请求还要经过安全审查，非标准条款则交由法务处理。智能体需要把这些条件放进表单、模板和审批规则，并确认阈值上下的请求都进入正确路径。以整项流程而非一次点击计分，能暴露模型是否在长链路中遗漏要求，但评测结果仍取决于任务设计和标准覆盖了哪些情形。
训练环境贴近软件，数据边界仍需看清
Ironclad提供其产品的托管软件环境，让模型可以在真实软件形态中练习这些任务。OpenAI围绕代表性工作流制作合成训练任务，再通过强化学习和反馈改进模型。这个组合把懂业务的人对“什么算完成”的判断、可重复执行的任务，以及模型练习的环境连接起来，比只测试通用界面操作更贴近合同工作。
训练材料的来源和边界也需要一并理解。OpenAI称，合成任务来自美国证券交易委员会EDGAR数据库中的公开合同，训练和评估没有使用OpenAI客户数据、OpenAI内部合同或Ironclad非公开客户数据与合同。这降低了依赖客户私有合同进行训练的顾虑，却没有证明模型能自动理解每家公司的内部政策、授权关系和例外规则。公开合同可以提供条款与文件结构的素材，企业流程能否迁移仍是另一个需要单独验证的问题。
得分提高，用时下降，但口径不是生产收益
在11项任务的研究评估中，GPT-6 Astra平均得分为55.0%，GPT-5.6 Sol为41.6%。OpenAI将前者概括为高32%，按分数直接相减则相差13.4个百分点。比较时还要注意推理设置不同：Astra使用其得分最高的Max，Sol使用其得分最高的High。因此这组结果说明各自最佳设置下的表现差异，不是把两个模型放在完全相同推理配置中的单变量对照。
用时数据也不是客户实测。OpenAI估算Astra每次尝试平均需要19.2分钟，Sol需要37.0分钟，称Astra低48%，并说明该时间按模型处理和生成速度推算。一个展示任务中，Astra约用20分钟满足约94%的标准，Sol约用32分钟满足约85%，但这是单项示例，不能替代11项任务的平均结果。另有一个用于研发Astra的内部模型得分63.7%，公开材料没有提供模型名称和更多评估细节。这些数字显示进步方向，却不足以推出实际节省工时或可靠完成复杂合同工作的结论。
把评测带回自有流程，而不是直接交出控制权
对技术负责人而言，这项研究最可复用的部分，是把难以自动化的业务规则变成可重复评测的任务。可以从一条审批流程开始，明确金额阈值、角色权限、例外情形和最终验收条件，再记录智能体在哪些标准上失败、需要多少人工介入，以及真实完成时间是否变化。这样的评测能把“模型看起来会操作”转化为可定位的工程问题，也能帮助团队决定哪些步骤适合自动执行，哪些仍需人工确认。
但现有证据不能支持把Ironclad研究结果直接外推到所有合同流程。公开材料没有说明研究成果是否已经进入Ironclad客户产品，也没有报告独立第三方复核、11项任务对真实客户工作的代表性，或模型在这些任务之外的表现。55%的平均分意味着相当一部分标准尚未满足，而用时优势又是速度推算。现阶段更稳妥的判断是把这类智能体作为受监督的流程助手，在本地规则和异常路径上逐步验证，再依据失败记录扩大权限，而不是将合同工作整体交给它独立托管。