OpenAIはIroncladとの研究協力を通じ、契約software上の11タスクでcomputer use agentを訓練・評価したと発表しました。Astraは平均rubric score 55.0%で、GPT-5.6 Solの41.6%を上回りました。 業務agent評価は、単発操作ではなくbusiness rule、承認flow、例外処理、完了後の検査を含むworkflow全体へ移ります。導入企業は平均scoreだけでなく、人間の監督、sandbox、監査log、rollbackを必須条件にする必要があります。 契約業務をcomputer use評価へ落とし込む OpenAIは2026年10月6日、Ironcladとの研究協力を発表しました。目的は、専門software上で企業ルールを理解し、複数stepのworkflowを実行し、要件に合うかを確認するAI agentを訓練・評価することです。最初のpartnerとして、AI contractingを手がけるIroncladが、契約、承認、再利用可能なlegal termsの設定などを研究課題へ変換しました。OpenAIは、現場を知るsoftware companyと高価値taskを特定する方式を広げたい考えも示しています。 11タスクでAstraとGPT-5.6 Solを比較 OpenAIとIroncladは、legal、commercial、procurementの11タスクを作りました。例として、NDAの設定、調達承認processの作成、requesterが選ぶjurisdictionに応じたlegal clause更新が挙げられています。経験者なら平均30〜40分かかると見積もられる作業で、各タスクは複雑さに応じて8〜50個の基準で評価されました。Astraは平均rubric score 55.0%で、GPT-5.6 Solの41.6%を上回りました。 速度改善は顧客時間短縮とは別に読む 同じ評価で、推定average time per attemptはGPT-5.6 Solの37.0分からAstraの19.2分へ下がりました。OpenAIは、これはresearch task上の結果であり、顧客の実時間短縮を直接測ったものではないと注記しています。導入判断では、平均scoreだけでなく、承認ruleを保てるか、例外処理を壊さないか、完成後にworkflow全体を検査できるかを個別に見る必要があります。失敗時にどのcriteriaを落としたかを残す評価設計も欠かせません。 本番契約platformには人間の監督が残る Ironcladの役割は、契約processが例外を扱いながらbusiness controlsを維持する難しさを研究へ持ち込む点にあります。OpenAIも、agentが途中でruleを見失うと任せられる範囲が制限されるため、人間のoversightと契約platformの統制が重要だと説明しています。企業は、agentに設定を任せる前に、変更承認、sandbox、監査log、rollbackの設計を先に固める必要があります。特に法務と調達では、速さよりも誤った承認経路を残さない確認が優先されます。