Computernutzung mit Ironclad voranbringen: OpenAI macht Vertragsabläufe zu Trainingsaufgaben für Agenten

Am 6. Oktober 2026 hat OpenAI die Ergebnisse einer Forschungskooperation mit Ironclad veröffentlicht, einem Anbieter von KI-gestützter Vertragssoftware. Auf den ersten Blick wirkt das wie eine Fallstudie zu Vertragswerkzeugen. In der Sache zeigt der Text, wie OpenAI seine Agenten als Nächstes trainieren will. Die Frage lautet nicht mehr, ob ein Modell einen Computer bedienen kann. Gefragt ist, ob es die Geschäftsregeln eines Unternehmens in spezialisierter Software versteht, einen mehrstufigen Ablauf ausführt und prüft, ob sein Ergebnis die ursprünglichen Anforderungen erfüllt. OpenAI verweist darauf, dass schon die Vorstellung von GPT-6 Astra gezeigt habe, wie weit die Modelle bei der Computernutzung für berufliche Aufgaben gekommen sind, vom Erstellen von Dokumenten bis zum Testen von Websites. Das nächste Ziel ist, Agenten leistungsfähiger und effizienter im Umgang mit Spezialsoftware zu machen, um komplexe Geschäftsprobleme zu lösen. Dafür arbeitet OpenAI direkt mit wenigen Softwareunternehmen zusammen, die diese Abläufe am besten kennen. Ironclad ist das erste.

Das Aufgabendesign bildet den Kern der Arbeit. Man stelle sich ein Legal-Operations-Team vor, das einen Prozess für den Softwareeinkauf aufbaut. Die Finanzabteilung muss möglicherweise Käufe über einem bestimmten Betrag genehmigen, die Sicherheitsabteilung prüft bestimmte Anfragen, und die Rechtsabteilung kontrolliert nicht standardisierte Klauseln. Wer den Prozess einrichtet, muss diese kurze Liste in ein Anfrageformular, Dokumentvorlagen, Genehmigungsregeln und eine Aufzeichnung der endgültigen Vereinbarung übersetzen. Ein KI-Agent, der dieselbe Arbeit erledigt, muss diese Anforderungen vom ersten bis zum letzten Klick im Blick behalten. Er muss die Genehmigung der Finanzabteilung oberhalb der Ausgabenschwelle konfigurieren und prüfen, ob Anfragen oberhalb und unterhalb der Schwelle die richtigen Wege nehmen. Einzelne Schritte richtig auszuführen genügt nicht: Der fertige Prozess muss in allen Situationen funktionieren, für die er entworfen wurde. Mitarbeitende von Ironclad und Menschen, die Ironclad bei OpenAI nutzen, halfen den Forschenden, 11 Aufgaben aus den Bereichen Recht, Vertrieb und Beschaffung zu bestimmen. Dazu gehören das Einrichten von Geheimhaltungsvereinbarungen, das Erstellen von Genehmigungsprozessen für die Beschaffung und das Aktualisieren einer wiederverwendbaren Rechtsklausel, damit sie die vom Antragsteller gewählte Rechtsordnung widerspiegelt. OpenAI schätzt, dass ein erfahrener Nutzer pro Aufgabe im Schnitt 30 bis 40 Minuten bräuchte.

Auch das Design von Bewertung und Training verdient einen genauen Blick. Jede Aufgabe wurde je nach Komplexität anhand von 8 bis 50 Kriterien bewertet. Diese Feinheit zeigt, welche Teile ein Modell richtig gelöst hat und wo es scheiterte, statt das Ergebnis auf Erfolg oder Misserfolg zu verkürzen. Ironclad stellte zudem gehostete Softwareumgebungen seines Produkts bereit, in denen die Modelle üben konnten. Die Forschenden von OpenAI bauten synthetische Trainingsaufgaben rund um repräsentative Abläufe und nutzten Reinforcement Learning, damit sich die Modelle durch Übung und Rückmeldung verbessern. Drei Elemente greifen ineinander: Aufgaben, die gemeinsam mit Fachleuten ausgewählt wurden, detaillierte Kriterien und ein Ort zum Üben. Laut OpenAI stellt diese Kombination sicher, dass die Verbesserung bei den realen Aufgaben ansetzt, die für Kunden am wichtigsten sind. Unsere Einschätzung: Ein Aufbau mit echter Software, einzeln aufgeschlüsselten Bewertungsrastern und Reinforcement Learning kommt der Art, wie Unternehmen Arbeit tatsächlich abnehmen, näher als ein öffentlicher Benchmark allein.

Die berichteten Ergebnisse sind konkret. OpenAI verglich GPT-6 Astra mit GPT-5.6 Sol, jeweils in der Einstellung mit der höchsten Punktzahl: Max-Reasoning für Astra und High-Reasoning für Sol. Über die 11 Forschungsaufgaben erreichte Astra im Mittel 55,0 Prozent, Sol 41,6 Prozent, ein relativer Zuwachs von etwa 32 Prozent. Die geschätzte durchschnittliche Zeit pro Versuch sank von 37,0 Minuten bei Sol auf 19,2 Minuten bei Astra, ein Rückgang von rund 48 Prozent. In einer Gegenüberstellung bei einer Aufgabe erfüllte Astra etwa 94 Prozent der Kriterien in geschätzten 20 Minuten, Sol dagegen etwa 85 Prozent in geschätzten 32 Minuten. Ein internes Modell aus der Entwicklung von Astra erreichte bei denselben Aufgaben 63,7 Prozent, und OpenAI will diese weiteren Zugewinne in künftige Modelle bringen. GPT-6 Astra ist das erste Frontier-Modell, das auf Ironclad-Aufgaben trainiert wurde.

Diese Zahlen verlangen Zurückhaltung. Die Stichprobe umfasst 11 Aufgaben. Die Bewertung ist ein eigener Forschungstest von OpenAI und kein unabhängiger Benchmark Dritter. Die Zeiten sind geschätzte, simulierte Werte und keine Messungen aus dem Produktivbetrieb. Außerdem liefen die beiden Modelle mit unterschiedlichen Reasoning-Einstellungen. Die faire Schlussfolgerung ist daher richtungsweisend: Gezieltes Training auf eine bestimmte Software kann Ergebnisqualität und Effizienz zugleich steigern. Für Ironclad prüft die Übung eine Herausforderung, die seine Kunden gut kennen, denn ein Vertragsprozess muss Ausnahmen behandeln und zugleich die Regeln wahren, auf die sich ein Unternehmen verlässt. Für die Branche ist das Signal klarer: Führende Labore verbinden sich mit vertikalen Softwareanbietern, um berufliche Abläufe in trainierbare und bewertbare Aufgaben zu verwandeln. Wer die besten Aufgabendefinitionen und Übungsumgebungen besitzt, hält den Rohstoff für die nächsten Fortschritte der Agenten in der Hand. Wer Agenten bewertet, sollte dieselben aufgeschlüsselten Kriterien verlangen und sich nicht mit einer einzigen Erfolgsquote zufriedengeben.