Bitten Sie ChatGPT Work, eine 5K/10K-Laufstrecke zu planen: Ein Playbook von GPT-6 Astra

GPT-6 Astra und ChatGPT Work können jetzt eine Adresse annehmen und dir eine ordentliche kreisförmige 5-km- oder 10-km-Laufstrecke zurückgeben — echte Straßen, eine echte Distanz, herunterladbar als GPX und GeoJSON, mit einer interaktiven Karte, die im Chat eingebettet ist. Der Trick ist zu wissen, dass sie zwei verschiedene Ebenen sind, die zwei verschiedene Aufgaben erfüllen. ChatGPT Work ist OpenAIs agentische Produktstufe — angekündigt am 9. Juli 2026 für Abonnenten ab 20 $ pro Monat — bei der ein Modell eine halbe Stunde lang über Dateien, eine Shell und das Internet hinweg weiterarbeiten kann. GPT-6 Astra ist das Flaggschiff-Reasoning-Modell, das am 3. September 2026 veröffentlicht wurde, am 5. September die allgemeine Verfügbarkeit über jede kostenpflichtige ChatGPT-Stufe, ChatGPT Work, Codex und die API erreichte und das Modell ist, das eine einzeilige Anfrage in eine mehrstufige, 27-minütige Routenplanungssitzung verwandelt. Dieses Playbook behandelt den funktionierenden Prompt, die Tools, nach denen der Agent tatsächlich greift (OpenStreetMap, Nominatim, Overpass), die zu erwartenden Ausgaben und die ehrlichen Einschränkungen — denn der Workflow ist wirklich nützlich, und weil der Teil, den niemand zeigt, der Teil ist, der beißen kann.

Das Ein-Absatz-Rezept

Die Anfrage, die funktioniert, wie Simon Willison am 12. September demonstrierte, ist fast peinlich kurz:

• Prompt: "Ich wohne in <meine Adresse>. Finde 5-km- und 10-km-Laufstrecken von mir aus, die als Rundkurs von meinem Haus starten und dort wieder enden. Verwende OSM-Daten."

• Was als Nächstes geschah: ChatGPT Work lief 27 Minuten lang mit GPT-6 Astra (Max-Reasoning-Aufwand) und lieferte eine 5-km-Runde und eine 10-km-Runde, jeweils als eingebettete interaktive Karte plus herunterladbare GPX- und GeoJSON-Dateien.

• Die Route war real: Das 5-km-Ergebnis („El Granada harbor loop 5.1 km“) verlief vom Hafen aus nach Norden entlang der Avenue Granada und der Paloma Avenue, nach Osten entlang der San Carlos Avenue, nach Süden die Francisco Street hinunter und nach Westen zurück entlang des Coastal Trail.

Genau dieses letzte Detail ist der springende Punkt eines Playbooks. Das ist keine halluzinierte Liste von Straßennamen – es ist eine Route, die eine Schleife bildet, eine plausible Distanz hat und zum tatsächlichen Straßennetz der Gegend passt. Als das Modell gefragt wurde, wie es sie erstellt hatte, antwortete es schlicht: „Ich habe Nominatim verwendet, um die Adresse zu lokalisieren, und Overpass, um lokale OpenStreetMap-Straßen und -Wege herunterzuladen, und habe dann die Schleifen lokal berechnet.“

Der Workflow ist mit anderen Worten ein echter Agentenlauf: die Adresse geokodieren, echte Kartendaten abrufen, geschlossene Schleifen der richtigen Länge berechnen, eine Visualisierung rendern und standardisierte Austauschformate exportieren. Wenn du dir einen Prompt wie „Plane mir eine Route“ gewünscht hast, der tatsächlich funktioniert, dann sieht er so aus.

Was ChatGPT Work tatsächlich ist und warum es hier wichtig ist

ChatGPT Work ist kein Modell. Es ist die Produktoberfläche, auf der ein Modell wie ein Agent agieren kann: Es kann Code ausführen, auf das Internet zugreifen, einen Headless-Browser verwenden, einen dauerhaften Arbeitsbereich über Sitzungen hinweg beibehalten und lange laufen. Verwirrenderweise teilte es sich in zwei Formen auf: Work Cloud (über chatgpt.com oder die Mobile-Apps) und Work Local (die Desktop-App, die früher Codex hieß und auf Dateien und Programme auf Ihrem eigenen Computer zugreifen kann). Es ist für Abonnenten von Tarifen ab 20 $ pro Monat verfügbar – kostenlose Nutzer und Go-Nutzer für 8 $ bekommen nichts davon – und Work-Sitzungen werden auf Ihr Codex-Kontingent angerechnet, nicht auf Ihr Chat-Kontingent.

Deshalb funktionierte die Routengenerierung dort, wo eine normale Chat-Runde scheitern würde: Die Aufgabe erfordert Codeausführung, Internetzugriff auf Geocoding- und Kartendatendienste und genügend anhaltende Aufmerksamkeit, um zu iterieren. Ein normaler ChatGPT-Chat antwortet in wenigen Sekunden und macht dann weiter. ChatGPT Work arbeitet weiter. Auch die Modellwahl innerhalb von Work ist wichtig – Open​AI empfiehlt GPT-6 Astra genau für die Art von mehrstufiger End-to-End-Aufgabe, um die es hier geht, wobei der Reasoning-Aufwand bis Max konfigurierbar ist.

Also die erste Regel des Playbooks: Dies ist eine Work-Aufgabe, keine Chat-Aufgabe. Öffne ChatGPT Work, wähle GPT-6 Astra aus und lass die Sitzung laufen, statt eine sofortige Antwort zu erwarten.

Die Tools unter der Haube: OSM, Nominatim, Overpass

Nichts von der eigentlichen Maschinerie stammt von OpenAI selbst. Der Agent setzte die Route aus öffentlicher geografischer Infrastruktur zusammen, und es lohnt sich zu wissen, was jeder Baustein bewirkt – zum einen, damit du die Ausgabe auf Plausibilität prüfen kannst, und zum anderen, damit du die Pipeline selbst nachbauen könntest, falls du sie jemals außerhalb von ChatGPT ausführen möchtest.

• OpenStreetMap (OSM) ist die freie, von der Community erstellte Weltkarte – die Datenquelle für die Straßen und Wege, denen die Route folgt.

• Nominatim ist der Geokodierungsdienst von OSM: Er wandelt eine menschenlesbare Adresse („Ich wohne in <my address>“) in Kartenkoordinaten um.

• Overpass ist die Abfrage-API für OSM-Daten: Der Agent nutzte sie, um die lokalen Straßen und Wege rund um diese Koordinaten herunterzuladen.

• Die Schleifenberechnung selbst („berechnete die Schleifen lokal") lief im eigenen Arbeitsbereich des Agenten — sie nahm den rohen Straßengraphen und fand geschlossene Rundkurse von ungefähr der richtigen Länge.

Diese Zerlegung ist der reproduzierbare Kern. Wenn du dasselbe selbst bauen wolltest, sieht die Pipeline so aus: Geocoding mit Nominatim, ein Straßennetz mit Overpass abrufen, Rundstrecken berechnen, GPX/GeoJSON exportieren, mit einer Mapping-Bibliothek rendern. ChatGPT Work hat all das einfach für dich erledigt – ohne API-Schlüssel, ohne Recherche zu Routing-Bibliotheken und ohne Code, den du selbst schreiben musstest.

Was du zurückbekommst: die Visualisierungsfähigkeit und die Dateien

Die Ausgaben sind der Teil, der sich fertig statt wie eine Demo anfühlt. Auf der Anzeigeseite nutzte der Agent den in ChatGPT integrierten Visualisierungs-Skill, um eine in sich geschlossene HTML-Datei zu erstellen – im beobachteten Lauf /workspace/el-granada-5k-share.html –, die die Karte direkt in die ChatGPT-UI einbettete. Die HTML-Datei speichert die gesamte Routengeometrie in einem <script type="application/json">-Element und rendert die Karte mit D3.js, das von einem CDN geladen wird. Die Content-Security-Policy des Skills erlaubt nur eine bestimmte Liste externer Origins – cdnjs.cloudflare.com, esm.sh, cdn.jsdelivr.net, unpkg.com, fonts.googleapis.com, fonts.gstatic.com und fonts.bunny.net – und „andere Origins werden blockiert und schlagen stillschweigend fehl.“ Dieses Detail ist wichtig, wenn Sie jemals eine generierte Datei prüfen: Die Karte funktioniert mit diesen Bibliotheken und verschlechtert sich ohne sie stillschweigend.

Auf der Dateiseite erhalten Sie zwei Austauschformate, die jede GPS-App und jedes Kartentool bereits versteht:

• GPX — das Standard-GPS-Austauschformat. Importiere es in Strava, Garmin Connect oder eine beliebige Routen-App, und es wird als nachfahrbare Route dargestellt.

• GeoJSON — das Geodaten-JSON-Format. Verwenden Sie es in QGIS, Leaflet, Mapbox oder jedem Geodaten-Tooling; es ist außerdem das Format, in dem die eingebettete Visualisierung ihre Geometrie speichert.

Wenn dein Ziel eine Route ist, die du tatsächlich fahren kannst, ist die GPX-Datei das Ergebnis — die eingebettete Karte ist der Beweis, dass sie sinnvoll ist, und die GeoJSON-Datei ist die Kopie für alles Programmatische.

Was die Demo nicht verrät: zwei echte Einschränkungen

Die Routengenerierung ist real, doch das ehrliche Bild von ChatGPT Work ergibt sich aus seinen Fehlermodi, und die Person, die es testete, deckte am selben Morgen zwei davon auf.

1. Die Ausführung ist undurchsichtig. Der Code des Agenten und seine genauen Schritte waren in der ChatGPT-Oberfläche nicht sichtbar – nur die zusammenfassende Erklärung („Ich habe Nominatim verwendet … und dann die Schleifen lokal berechnet“). Für eine Route ist das in Ordnung; bei allem, was Konsequenzen hat, ist es eine Transparenzlücke, die Sie als vorhanden voraussetzen sollten. Willison nennt es „ein Anti-Feature“: Sie sehen das Ergebnis und die eigene Darstellung des Ergebnisses durch das Modell, nicht den Code, der es erzeugt hat.

2. Kompaktierung kann die Arbeit auslöschen. Zu dem Zeitpunkt, als er um eine Kopie des Python-Codes bat, konnte der Agent sie nicht mehr bereitstellen — der Thread war kompaktiert worden, und der Kontext vor der Kompaktierung war verschwunden. Jede lange Agentensitzung, auf die Sie sich verlassen, birgt dieses Risiko: Der Thread wird zusammengefasst, und Artefakte oder Code, die nie in einer Datei gespeichert wurden, sind nicht mehr abrufbar. Wenn Sie den Code benötigen, fordern Sie ihn während des Laufs als Datei an, nicht danach.

Keiner der beiden Vorbehalte untergräbt das Playbook – eine Route plus GPX-/GeoJSON-Exporte sind genau die Art von Ergebnis, die eine Komprimierung übersteht, weil sie auf die Festplatte geschrieben wurden. Aber sie stecken Erwartungen ab: ChatGPT Work ist leistungsstark, nicht transparent und kein dauerhaftes Protokoll all dessen, was es getan hat.

Warum das wichtiger ist als eine hübsche Demo

Unter den laufenden Routen verbirgt sich eine wirklich neue Fähigkeit, die es wert ist, kalkuliert zu werden: ein Frontier-Modell, das eine einzeilige Anfrage entgegennimmt, 27 Minuten lang echte mehrstufige Arbeit in den Bereichen Geokodierung, Netzwerkabfragen und lokale Berechnungen verrichtet und nutzbare Dateien zurückliefert. Das ist es, was „agentische Arbeit“ in der Praxis bedeutet, und es verändert, was Sie von einer Modellanfrage erwarten sollten. Es verändert auch die Kostenrechnung – und hier zahlt sich der Routing-Aspekt aus.

In ChatGPT Work wird diese 27-minütige Sitzung gegen das Codex-Kontingent Ihres Abonnements verrechnet, und bei GPT-6 Astra werden die Tokens schnell verbraucht. Dasselbe Modell ist pro Token über die API verfügbar: GPT-6 Astra wird mit 10 US-Dollar pro Million Input-Tokens und 50 US-Dollar pro Million Output-Tokens gelistet, mit einem Kontextfenster von rund 1,05 Millionen Tokens und einer Long-Context-Stufe oberhalb von 272.000 Input-Tokens zu höheren Sätzen – Listenpreise des Anbieters. Bei einer Agent-Loop, die die gesamte Sitzung im Kontext hält, konzentrieren sich die Ausgaben auf diese Long-Context-Stufe.

Genau dafür gibt es eine Routing-Schicht. Eine API über 200+ Modelle hinweg mit durchgereichten Listenpreisen der Anbieter bei 0 % Aufschlag bedeutet: Ein Frontier-Modell zu $10 und $50 wie GPT-6 Astra steht mit demselben Schlüssel neben einem GPT-5.6 Sol zu $4 und $20, und Sie können mit einem Model-String zwischen ihnen wechseln – kein zweiter Vertrag, keine Code-Änderung, keine Integration pro Anbieter. Wenn Sie einen Agenten zur Routenplanung oder einen anderen Long-Horizon-Agenten gegen das neueste Modell prototypen möchten, ohne einen Produktionspfad darauf zu setzen, können Sie dank automatischem Failover einen Teil des Traffics darüber laufen lassen, während ein bewährtes Modell darunter bleibt. Und wenn ein Anbieter einen Preis senkt, ist der neue Preis dank der Durchreichung noch am selben Tag auf unserer Seite live – derselbe Listenpreis, ohne eine Aufschlagschicht dazwischen.

Dasselbe Argument gilt für das Tooling-Muster, nicht nur für das Modell. Die OSM/Nominatim/Overpass-Pipeline, die der Agent verwendet hat, ist genau die Art von Sache, die ein Entwickler deterministisch aufrufen möchte – und wenn man sie selbst baut, würde man die Modellschicht über einen einzigen Endpunkt leiten, statt einen einzelnen Anbieter fest zu verdrahten, sodass das Modell, das die Route plant, ausgetauscht werden oder ein Failover durchführen kann, ohne die Pipeline umzuschreiben.

Das Playbook, komprimiert

Wenn du das selbst reproduzieren möchtest, ist die Form:

• Verwenden Sie ChatGPT Work (nicht den regulären Chat) mit ausgewähltem GPT-6 Astra und hohem Reasoning-Aufwand.

• Prompt mit einer echten Adresse und den Zieldistanzen: „Ich wohne in <address>. Finde 5K- und 10K-Laufstrecken von mir, die als Rundkurs von meinem Haus starten und dorthin zurückkehren. Verwende OSM-Daten.“

• Rechnen Sie damit, dass es Dutzende Minuten dauert, nicht Sekunden – und dass es von selbst funktioniert.

• Verlange die Ausgaben jeweils in Dateiform: GPX für deine Uhr oder App, GeoJSON für alles Programmatische und die Visualisierung, die im Chat dargestellt wird.

• Wenn Sie den Code benötigen, den es geschrieben hat, bitten Sie darum, dass er während des Laufs als Datei gespeichert wird — die Kompaktierung kann ihn anschließend löschen.

Dieser letzte Schritt ist der, den jeder überspringt – und der einen dann wirklich erwischt. Das Modell plant dir den ganzen Tag lang fröhlich deine Schleifen; es erinnert sich nur vielleicht nicht mehr an den Code, der das getan hat, wenn du danach fragst.

Derselbe Schlüssel erschließt den Rest des Katalogs, und du kannst den vollständigen Modellkatalog durchsuchen, um zu sehen, was sonst noch hinter einem einzigen OpenAI-kompatiblen Endpunkt steckt.