Společnost OpenAI zahájila spolupráci s firmou Ironclad s konkrétním cílem zlepšit schopnosti svých agentů při práci se specializovaným softwarem. Iniciativa se zaměřuje na to, aby byly tyto systémy schopnější a efektivnější při řešení složitých firemních problémů. OpenAI přitom zkoumá, jak modely naučit pochopit firemní pravidla, provádět vícekrokové workflow a ověřit, že výsledek odpovídá původnímu zadání.
V rámci tohoto partnerství OpenAI zkoumá metody trénování modelů tak, aby dokázaly plně pochopit specifická pravidla dané společnosti. Vývojáři se snaží naučit velké jazykové modely provádět složité pracovní postupy rozdělené do více kroků a následně ověřit, zda výsledná práce skutečně odpovídá původním požadavkům zadání. Tento přístup má zajistit, aby agenti přesně dodržovali firemní standardy a správně vykonávali zadané úkoly v rámci komplexních digitálních procesů. Tento proces zahrnuje rozvoj schopností modelů v oblasti tzv. vícekrokového plánování, kdy systém neprovádí pouze jednorázovou odpověď, ale rozkládá komplexní obchodní cíl na sérii logických operací. Ověření výsledků pak slouží jako kontrolní mechanismus, který minimalizuje riziko chyb v kritických právních dokumentech a zajišťuje, že finální výstup striktně odpovídá definovaným firemním standardům a interním pravidlům organizace.
Výběr a definice tréninkových úloh
Výběr a definice tréninkových úloh začal identifikací konkrétních procesů, které mají odrážet reálné pracovní postupy. K tomuto účelu OpenAI využila zkušenosti zaměstnanců společnosti Ironclad i uživatelů, kteří tento software v rámci OpenAI provozují. Společně vybrali celkem jedenáct specifických úloh, které pokrývají klíčové oblasti právní administrativy, obchodních operací a nákupních procesů. Tento výběr měl zajistit, aby tréninkové sady odpovídaly skutečným potřebám profesionálního prostředí a testovaly schopnosti agentů v komplexních scénářích.
Mezi konkrétní definované úkoly patřilo například nastavování smluv o mlčenlivosti nebo vytváření schvalovacích procesů pro nákupní oddělení. Vývojáři se zaměřili i na úpravu znovupoužitelných právních klauzulí, aby tyto dokumenty přesně reflektovaly jurisdikci zvolenou žadatelem. Tyto příklady ukazují, že cílem není pouze jednoduchá manipulace s textem, ale schopnost systému správně reagovat na specifické parametry a pravidla v rámci specializovaného softwaru pro správu smluv.
Metodika trénování modelů
Metodika trénování modelů spočívala v tom, že se modely mohly cvičit v hostovaných softwarových prostředích produktů společnosti Ironclad. Výzkumníci z OpenAI vytvořili syntetické tréninkové úlohy podle reprezentativních pracovních postupů a použili zpětnovazební učení, aby se modely zlepšovaly praxí a zpětnou vazbou.
K dalšímu vylepšení schopností modelů bylo nasazeno zpětnovazební učení, konkrétně metoda posilovaného učení. Díky tomuto mechanismu se modely postupně učí z vlastních zkušeností a získávají zpětnou vazbu o správnosti svých kroků, což jim pomáhá optimalizovat procesy při plnění komplexních úloh. Cvičení v kontrolovaném prostředí Ironcladu v kombinaci s iterativním učením umožňuje systémům lépe pochopit logiku ovládání softwaru a zvyšovat přesnost při navigaci v rámci definovaných workflow. Posilované učení (reinforcement learning) v tomto kontextu funguje tak, že model dostává odměnu za správné dokončení úkolu a penalizaci za chyby, což jej nutí iterativně upravovat svou strategii přístupu k problému. Tento cyklus zkoušení a opravy v kontrolovaném prostředí Ironcladu umožňuje systému postupně eliminovat neefektivní kroky a optimalizovat cestu k cíli, což vede k vyšší spolehlivosti při navigaci v komplexních digitálních procesech, kde i malá chyba v postupu může vést k neplatnosti celého workflow.
Srovnání výkonu GPT-6 Astra a GPT-5.6 Sol
Srovnání výkonu GPT-6 Astra a GPT-5.6 Sol ukazuje posun v plnění úloh. OpenAI uvádí, že GPT-6 Astra je prvním frontier modelem, který byl trénován na úlohách od společnosti Ironclad. V rámci výzkumného hodnocení tento model dosáhl průměrného skóre o 32 % vyššího než GPT-5.6 Sol. Odhadovaný čas potřebný na jeden pokus byl přitom o 48 % nižší než u předchůdce.
Konkrétní data z jedenácti výzkumných úloh potvrzují tento trend. GPT-6 Astra (max reasoning) zde zaznamenal průměrné skóre 55,0 %, zatímco GPT-5.6 Sol (high reasoning) dosáhl hodnoty 41,6 %. Rozdíl je patrný i v odhadovaném průměrném čase na jeden pokus, který u modelu Sol činil 37,0 minuty, zatímco u Astry klesl na 19,2 minuty. Výsledky naznačují, že Astra splnila více požadavků zadaných úloh a zároveň k tomu využila méně simulovaného času během každého pokusu.
Omezení výzkumných výsledků
Omezení výzkumných výsledků spočívají především v rozsahu testování, který OpenAI definoval pro svou spolupráci se společností Ironclad. Představená data nejsou univerzálním obrazem všech pracovních postupů v rámci systému Ironclad, ale vztahují se pouze k jedenácti konkrétním výzkumným úlohám. Tento omezený výběr znamená, že výsledky nemusí být plně aplikovatelné na všechny typy workflow, které uživatelé v praxi využívají při správě smluv a dokumentů. Tato metodika s využitím veřejných dat z databáze EDGAR umožnila vytvořit realistické scénáře bez ohrožení soukromí, nicméně zároveň to znamená, že výsledky jsou specifické pro typy dokumentů obsažené v těchto veřejných archivech.
Dalším důležitým faktorem je způsob, jakým byly zjištěny časové údaje. OpenAI uvádí, že uvedené časy nejsou reálnými úsporami naměřenými u skutečných zákazníků, ale jedná se o simulované odhady založené na předpokládané rychlosti zpracování a generování modelů. Výsledky se navíc týkají jen 11 výzkumných úloh, nikoli všech workflow v Ironcladu. Pro potřeby simulací byly vytvořeny úkoly z veřejně dostupných smluv z databáze EDGAR americké komise pro cenné papíry a burzy (SEC), přičemž byly použity filtry určené k odstranění osobních údajů. Uvedené časy je proto nutné vnímat jako simulované odhady, nikoli jako reálné metriky z provozu u zákazníků.
Zdroje
- Advancing computer use with Ironclad | OpenAI — OpenAI News
Článek vznikl s pomocí AI; podklady a odkazy jsou uvedeny výše.