想象这样一个场景：一家公司的法务运营团队需要为一款新软件的采购配置审批流程。财务部门要批准超过一定金额的采购，安全团队需要审核特定类型的请求，法务要审查非标准条款。做这件事的人必须把这个需求清单变成一个真正能运转的线上系统：一张申请表单、一套文档模板、一组审批规则、一份最终合同记录。
这活儿技术含量不算高，但极其繁琐。过去，这是企业软件实施顾问和资深法务运营人员的专属领域，你既要懂业务规则，又要懂系统配置，还得在几十个界面间来回穿梭，确保不出错。
现在，OpenAI 找到了一个让 AI Agent 学会做这件事的方法。而它的合作者，是一家名为 Ironclad 的合同管理公司。
一次低调的实验，一个不低调的信号
2026 年 10 月 6 日，OpenAI 发布了一篇看似低调的博客文章，标题叫《Advancing computer use with Ironclad》。它没有 DevDay 那样的宏大舞台，没有 GPT-6 Astra 发布时的全行业震动，但这里面藏着一个可能更本质的信号。
三个月前，OpenAI 推出 GPT-6 Astra，首次展示大模型在「使用电脑」方面的跨越式能力，从填写在线表单、更新 CRM 记录，到安装测试软件、运行前端 QA。这是 AI 从「聊天框互动」迈向「桌面级操作」的第一步。但 OpenAI 心里清楚：能操作电脑是一回事，能像专业人士一样在垂直软件里完成复杂业务配置，是另一回事。
于是他们找到了 Ironclad。
Ironclad 是全球领先的 AI 合同生命周期管理平台，年经常性收入已突破 2 亿美元，服务着包括 L'Oréal、Mastercard 在内的数百家大型企业，客户名单里甚至包括 OpenAI 自己。它的核心产品是一个云端合同管理系统，覆盖合同创建、审批、谈判、签署到履行的全流程。
OpenAI 与 Ironclad 的合作路径非常直接：将 Ironclad 平台上的真实工作流程转化为 11 个标准化研究任务。这些任务包括设置保密协议模板、创建采购审批流程、更新跨司法管辖区的标准法律条款。每一个任务由 8 到 50 个评估标准来打分，精确到每一个操作步骤。
结果是什么？GPT-6 Astra 在这 11 项任务上的平均得分为 55.0%，比 GPT-5.6 Sol 的 41.6% 高出 32%。而每次尝试的平均耗时从 Sol 的 37.0 分钟降到了 Astra 的 19.2 分钟，降低了 48%。
更重要的是，一个用于训练的内部模型达到了 63.7%。OpenAI 在文章中明确表示，他们正在把这种提升复制到未来模型中。
这不仅仅是跑分好看。这是一个信号：AI Agent 正在从「能看懂屏幕上的内容」进化到「能理解并执行企业内部的业务规则」。
企业软件最难的壁垒，从来不是界面
过去十年，企业软件领域最大的两个趋势是低代码和无代码。这些工具降低了业务人员配置系统的门槛，让非技术人员也能搭建工作流应用。
但一个根本性的问题始终存在：企业软件的核心价值不在于界面多漂亮，而在于它能编码复杂的业务规则。一个采购审批系统的价值，不在于表单长什么样，而在于它知道「财务审批线设在哪里」「安全审核走什么路径」「非标条款谁来裁决」。这些规则是隐性的、动态的、因公司而异的。
传统上，把这些规则从人的脑袋里搬到系统里，需要两种角色：懂业务的领域专家和懂系统的实施顾问。这是一条深厚的人工和时间沟壑。
OpenAI 和 Ironclad 的实验指向了一个全新的方向：让 AI Agent 直接学会「理解业务规则、配置系统、验证结果」的完整链路。不是教你如何用这个软件，而是帮你把这个软件配置好。这相当于把企业软件的最后一条护城河，即隐性业务知识的系统化，推到了 AI Agent 面前。
从 Computer Use 到 Business Rules Use
GPT-6 Astra 发布时，整个行业为之兴奋的能力是 Computer Use，即 AI 能用鼠标和键盘操作电脑了。但 OpenAI 的这篇新博文揭示了一个更深层的思考方向：Computer Use 只是手段，Business Rules Use 才是目的。
OpenAI 在文章中写道：「让 Agent 理解一家公司的业务规则、执行多步骤工作流、并验证其工作是否符合原始需求。」这实际上定义了一种全新的 AI 能力维度。
如果把 AI Agent 的能力分为三层，大多数产品至今仍停留在第二层。第一层是对话能力，问什么答什么。第二层是工具使用能力，调用 API、操作软件。第三层是业务规则执行能力，理解特定组织的规则、流程和约束，自主完成复杂配置。OpenAI 和 Ironclad 的合作证明，第三层已经从一个研究方向变成了可衡量的实验结果。
为什么是 Ironclad，为什么是法律科技
OpenAI 选择 Ironclad 作为第一个合作伙伴并非偶然。法律科技是训练「业务规则 Agent」的理想环境，有三个原因。
合同管理本质上就是规则管理。每一份合同都是一组业务规则的显式编码，包括价格条款、审批流程、法律管辖、合规要求。不像 HR 或 CRM 系统，合同管理的核心价值就在规则本身。当 Agent 需要在系统中配置这些规则时，它的每一步操作都直接映射到真实的商业逻辑。
法律科技市场正在高速爆发。根据 Technavio 的数据，全球 AI 法律科技市场 2025 年规模约 18.3 亿美元，预计到 2030 年以 32.1% 的年复合增长率增长至超过 55 亿美元。合同生命周期管理是其中最核心的细分赛道。
Ironclad 已经在这个方向上走了很远。2024 年底，Ironclad 发布了 AI 法律助手 Jurist，2025 年公司年经常性收入突破 2 亿美元。它不仅有成熟的产品，还有真实的企业客户环境供 OpenAI 的研究模型练习，这在 AI Agent 训练中是最稀缺的资源。OpenAI 的博客文章中专门提到：「Ironclad 提供了托管软件环境，模型可以在其中练习这些任务。」这句话背后是一个巨大的隐性壁垒：你能找到的真实业务场景越多，你的 Agent 学得就越快。
OpenAI 的企业 Agent 战略正在成型
从 GPT-6 Astra 的 Computer Use 能力，到与 Ironclad 的 Business Rules 实验，再到正在邀请更多软件公司参与研究合作，OpenAI 正在勾勒一条清晰的路线图：让 Agent 成为能操作企业软件的「数字员工」。
9 月底的 DevDay 2026 上，OpenAI 发布了 GPT-6.1 Sol，定价仅为 Astra 的五分之一，上下文窗口扩展到 105 万 tokens，明确面向长时运行的 Agent 场景。更便宜的模型、更长的上下文、更强的业务规则理解能力，这三个要素指向同一个商业目标：让 AI Agent 大规模地交付企业级结果。
这不只是 OpenAI 自己想做的。据 Gartner 数据，2026 年 Q1 有 80% 的企业应用嵌入了至少一个 AI Agent，但只有 31% 的组织有 Agent 真正在生产环境中运行。两者之间的差距，说明企业需要的不是「你帮我写一封邮件」这样的轻量任务，而是「你帮我把整个采购审批系统配置好，并验证所有场景都能跑通」这样的重活。OpenAI 和 Ironclad 的实验，恰恰在攻克这个最后一公里。
谁最危险，谁最该行动
如果你只盯着「OpenAI 与一家合同管理公司合作」这个表面事实，你会错过真正的信号。
这件事的商业含义有两个维度。
对法律科技行业而言，规则理解型的 AI Agent 将直接改变企业软件的交付模式。以前，一家公司买 Ironclad，需要花 8 到 12 周进行实施部署，由实施顾问配置业务规则。如果 AI Agent 能在几分钟内完成同样的事，即使一开始做得不够完美，企业软件的实施周期这个价值数百亿美元的产业环节将被根本性地重构。当配置成本趋近于零，软件本身的价值才真正浮出水面。
对更广泛的 SaaS 行业而言，OpenAI 发出的邀请函意味着：OpenAI 在选择合作伙伴时，优先看重的不是这家公司的名气大小，而是这个领域能否为 Agent 提供高价值的训练场景。这是一条「让每个 SaaS 品类的专业知识反馈给模型进化」的飞轮。参与越早的公司，越有可能让自家软件的规则成为下一代 Agent 模型评估基准的一部分。
谁最危险？那些靠系统集成和实施服务吃饭的传统企业软件咨询公司。当 AI Agent 能直接读懂业务规则并配置系统，中间商的价值将急剧缩水。
谁最应该关注这件事？所有正在做企业 SaaS 的公司。你今天的产品壁垒是封装了复杂的业务逻辑，而明天，AI Agent 或许就能在几分钟内学会这套逻辑。
Computer Use 让 AI 看到了屏幕，Business Rules Understanding 让 AI 读懂了业务。从看到到看懂，是整个企业软件行业的下一步棋，而这盘棋的第一局，已经在法律科技的棋盘上下完了。
快报