Faire progresser l'usage de l'ordinateur avec Ironclad : OpenAI transforme les flux contractuels en tâches d'entraînement pour agents

Le 6 octobre 2026, OpenAI a publié les résultats d'une collaboration de recherche avec Ironclad, une entreprise de logiciels de gestion des contrats fondés sur l'IA. En apparence, il s'agit d'une étude de cas sur un outil contractuel. En réalité, le texte révèle la manière dont OpenAI compte entraîner ses agents à l'étape suivante. La question n'est plus de savoir si un modèle sait manipuler un ordinateur. Il s'agit de savoir s'il comprend les règles métier d'une entreprise au sein d'un logiciel spécialisé, s'il exécute un flux de travail en plusieurs étapes et s'il vérifie que son résultat répond aux exigences initiales. OpenAI rappelle que le lancement de GPT-6 Astra avait déjà montré les progrès de ses modèles dans l'usage d'un ordinateur pour des tâches professionnelles, de la préparation de documents au test de sites web. L'objectif suivant est de rendre les agents plus capables et plus efficaces avec des logiciels spécialisés pour résoudre des problèmes d'entreprise complexes. Pour y parvenir, OpenAI s'associe directement avec un petit nombre d'éditeurs qui connaissent le mieux ces flux. Ironclad est le premier.

La conception des tâches est au cœur de la démarche. Prenons une équipe d'opérations juridiques qui met en place un processus d'achat de logiciels. La finance peut devoir approuver les achats au-delà d'un certain montant, la sécurité peut devoir examiner certaines demandes, et le service juridique peut devoir relire les clauses non standard. La personne qui construit le processus doit transformer cette courte liste en formulaire de demande, modèles de documents, règles d'approbation et trace de l'accord final. Un agent d'IA chargé du même travail doit garder ces exigences en tête du premier au dernier clic. Il doit configurer l'approbation de la finance au-dessus du seuil de dépense et vérifier que les demandes situées au-dessus et en dessous suivent les bons circuits. Réussir chaque étape ne suffit pas : le processus terminé doit fonctionner dans toutes les situations pour lesquelles il a été conçu. Des employés d'Ironclad, ainsi que des personnes qui utilisent Ironclad chez OpenAI, ont aidé les chercheurs à identifier 11 tâches couvrant le juridique, le commercial et les achats. Elles comprennent la mise en place d'accords de confidentialité, la création de processus d'approbation des achats et la mise à jour d'une clause juridique réutilisable afin qu'elle reflète la juridiction choisie par le demandeur. OpenAI estime qu'un utilisateur expérimenté aurait besoin en moyenne de 30 à 40 minutes par tâche.

Le dispositif d'évaluation et d'entraînement mérite un examen attentif. Chaque tâche a été notée selon 8 à 50 critères, en fonction de sa complexité. Cette granularité montre quelles parties le modèle a réussies et où il a échoué, au lieu de réduire le résultat à un simple succès ou échec. Ironclad a aussi fourni des environnements hébergés de son produit, dans lesquels les modèles pouvaient s'exercer. Les chercheurs d'OpenAI ont construit des tâches d'entraînement synthétiques autour de flux représentatifs et ont employé l'apprentissage par renforcement pour que les modèles progressent par la pratique et le retour d'information. Trois éléments se combinent : des tâches choisies avec des personnes qui connaissent le métier, des critères détaillés et un lieu d'entraînement. Selon OpenAI, cette combinaison garantit que les progrès portent sur les tâches réelles les plus importantes pour les clients. Notre lecture est qu'un dispositif fondé sur un logiciel réel, des grilles détaillées et l'apprentissage par renforcement se rapproche davantage de la façon dont les entreprises valident réellement un travail qu'un benchmark public seul.

Les résultats publiés sont précis. OpenAI a comparé GPT-6 Astra et GPT-5.6 Sol, chacun avec le réglage qui lui donne son meilleur score : raisonnement Max pour Astra et raisonnement High pour Sol. Sur les 11 tâches de recherche, Astra obtient en moyenne 55,0 %, contre 41,6 % pour Sol, soit un gain relatif d'environ 32 %. Le temps moyen estimé par tentative passe de 37,0 minutes pour Sol à 19,2 minutes pour Astra, soit une baisse d'environ 48 %. Dans une démonstration comparée sur une même tâche, Astra a satisfait environ 94 % des critères en 20 minutes estimées, tandis que Sol en a satisfait environ 85 % en 32 minutes estimées. Un modèle interne utilisé pendant le développement d'Astra a atteint 63,7 % sur ces mêmes tâches, et OpenAI indique viser ces gains supplémentaires pour ses futurs modèles. GPT-6 Astra est le premier modèle de pointe entraîné sur des tâches Ironclad.

Ces chiffres appellent de la retenue. L'échantillon compte 11 tâches. L'évaluation est un test de recherche interne à OpenAI, et non un benchmark indépendant. Les durées sont des valeurs estimées et simulées, non des mesures en production. Les deux modèles ont aussi tourné avec des réglages de raisonnement différents. La conclusion honnête est donc directionnelle : un entraînement ciblé sur un logiciel précis peut améliorer à la fois la qualité d'exécution et l'efficacité. Pour Ironclad, l'exercice teste un défi bien connu de ses clients, puisqu'un processus contractuel doit gérer les exceptions tout en préservant les règles dont l'entreprise dépend. Pour le secteur, le signal est plus net : les laboratoires de pointe s'associent à des éditeurs verticaux pour transformer des flux professionnels en tâches entraînables et notables. Celui qui détient les meilleures définitions de tâches et les meilleurs environnements d'entraînement détient la matière première des prochains gains des agents. Les acheteurs qui évaluent des agents devraient exiger les mêmes critères détaillés, et ne pas se contenter d'un taux de réussite unique.