Egy beszerzési folyamat akkor működik, ha a megfelelő összeg fölött valóban jóváhagyást kér a pénzügytől. Az OpenAI október 6-án bemutatott Ironclad-együttműködése ilyen összetett feladatokon tanítja és értékeli a számítógépet használó AI-ügynököket. A cél nem néhány sikeres kattintás, hanem az üzleti szabályokat megtartó munkafolyamat létrehozása.
Az Ironclad munkatársaival és a terméket használó OpenAI-dolgozókkal 11 kutatási feladatot állítottak össze. Ezek között titoktartási megállapodások, beszerzési jóváhagyások és újrahasználható szerződéses szövegek beállítása is szerepelt. Feladatonként 8–50 szemponttal értékelték az eredményt; a tanításhoz a kutatók szintetikus feladatokat és visszajelzésen alapuló megerősítéses tanulást használtak.
A vállalat saját értékelésében a GPT-6 Astra átlagos pontszáma 55,0 százalék volt, a GPT-5.6 Solé 41,6 százalék. Ez az értékelési szempontok teljesítésének átlaga, nem a maradéktalanul megoldott feladatok aránya. A két modellt eltérő gondolkodási beállítással vizsgálták: az Astrát Max, a Solt High fokozaton.
Az eredmény a gyártó kutatási beszámolója, nem független teszt vagy kész jogi automatizálás bejelentése. A tanulság a mérésben van: egy ügynök munkáját a kész folyamat viselkedésén is ellenőrizni kell. Egy helyesen kitöltött űrlap még nem bizonyítja, hogy a jóváhagyási kivételek is működnek.