Pídele a ChatGPT Work que planifique una ruta de running de 5K/10K: un manual de GPT-6 Astra

GPT-6 Astra y ChatGPT Work ahora pueden tomar una dirección y devolverte un circuito de running circular de 5K o 10K como es debido — calles reales, una distancia real, descargable como GPX y GeoJSON, con un mapa interactivo incrustado en el chat. El truco está en saber que son dos capas diferentes que hacen dos trabajos diferentes. ChatGPT Work es el nivel de producto agéntico de Open​AI — anunciado el 9 de julio de 2026, para suscriptores de $20 al mes en adelante — donde un modelo puede seguir trabajando durante media hora a través de archivos, una shell e internet. GPT-6 Astra es el modelo de razonamiento insignia que se lanzó el 3 de septiembre de 2026, alcanzó disponibilidad general el 5 de septiembre en todos los niveles de pago de ChatGPT, ChatGPT Work, Codex y la API, y es el modelo que convierte una solicitud de una línea en una sesión de planificación de rutas de varios pasos y 27 minutos. Este manual cubre el prompt que funciona, las herramientas que el agente realmente utiliza (OpenStreetMap, Nominatim, Overpass), los resultados que puedes esperar y las advertencias honestas — porque el flujo de trabajo es genuinamente útil, y porque la parte que nadie te muestra es la que puede morder.

La receta de un solo párrafo

La solicitud que funciona, como demostró Simon Willison el 12 de septiembre, es casi vergonzosamente corta:

• Indicación: «Vivo en <mi dirección>. Calcula rutas de running de 5K y 10K desde mi ubicación que formen un circuito desde mi casa. Usa datos de OSM.»

• Qué sucedió después: ChatGPT Work se ejecutó con GPT-6 Astra (esfuerzo de razonamiento máximo) durante 27 minutos y devolvió un circuito de 5K y un circuito de 10K, cada uno como un mapa interactivo integrado además de archivos GPX y GeoJSON descargables.

• La ruta era real: el resultado de 5K ("El Granada harbor loop 5.1 km") iba desde el puerto hacia el norte por Avenue Granada y Paloma Avenue, hacia el este por San Carlos Avenue, hacia el sur por Francisco Street, y de vuelta hacia el oeste por el Coastal Trail.

Ese último detalle es el quid de un manual de estrategia. Esto no es una lista alucinada de nombres de calles: es una ruta que forma un bucle, tiene una distancia plausible y coincide con la red vial real de la zona. Cuando se le preguntó al modelo cómo la había construido, respondió sin rodeos: «Usé Nominatim para localizar la dirección y Overpass para descargar carreteras y senderos locales de OpenStreetMap, y luego calculé los bucles localmente».

En otras palabras, el flujo de trabajo es una ejecución real de un agente: geocodificar la dirección, extraer datos reales de mapas, calcular bucles cerrados de la longitud correcta, renderizar una visualización y exportar formatos de intercambio estándar. Si has querido un prompt de «planéame una ruta» que realmente funcione, esta es su forma.

Qué es realmente ChatGPT Work y por qué importa aquí

ChatGPT Work no es un modelo. Es la superficie del producto donde un modelo puede actuar como un agente: puede ejecutar código, acceder a internet, usar un navegador headless, mantener un espacio de trabajo persistente entre sesiones y ejecutarse durante mucho tiempo. Se dividió, de forma confusa, en dos formas: Work Cloud (a través de chatgpt.com o las apps móviles) y Work Local (la aplicación de escritorio antes llamada Codex, que puede acceder a archivos y programas en tu propia computadora). Está disponible para suscriptores en planes de $20 al mes o más —los usuarios gratuitos y los usuarios de Go de $8 no obtienen nada de esto—, y las sesiones de Work se cargan a tu cuota de Codex en lugar de a tu cuota de chat.

Por eso la generación de rutas funcionó donde un turno de chat normal fracasaría: la tarea requiere ejecución de código, acceso a internet a servicios de geocodificación y de datos de mapas, y suficiente atención sostenida para iterar. El chat normal de ChatGPT responde en unos segundos y sigue adelante. ChatGPT Work sigue trabajando. La elección del modelo dentro de Work también importa: Open​AI recomienda GPT-6 Astra precisamente para el tipo de trabajo multifase de principio a fin como este, con un esfuerzo de razonamiento configurable hasta Max.

Así que la primera regla del manual: esta es una tarea de Work, no una tarea de Chat. Abre ChatGPT Work, selecciona GPT-6 Astra y deja que la sesión se ejecute en lugar de esperar una respuesta instantánea.

Las herramientas bajo el capó: OSM, Nominatim, Overpass

Ninguna de las maquinarias reales es propiedad de OpenAI. El agente ensambló la ruta a partir de infraestructura geográfica pública, y vale la pena saber qué hace cada pieza —tanto para que puedas comprobar que el resultado tiene sentido como para que puedas reproducir el pipeline por tu cuenta si alguna vez quieres ejecutarlo fuera de ChatGPT.

• OpenStreetMap (OSM) es el mapa libre y colaborativo del mundo — la fuente de datos de las carreteras y los senderos que sigue la ruta.

• Nominatim es el servicio de geocodificación de OSM: convierte una dirección humana ("vivo en <mi dirección>") en coordenadas de mapa.

• Overpass es la API de consulta para datos de OSM: el agente la usó para descargar las carreteras y senderos locales alrededor de esas coordenadas.

• El cálculo de bucles en sí ("calculó los bucles localmente") se ejecutó en el propio espacio de trabajo del agente — tomando el grafo de carreteras sin procesar y encontrando circuitos cerrados de aproximadamente la longitud correcta.

Esa descomposición es el núcleo reproducible. Si quisieras construir lo mismo por tu cuenta, el flujo de trabajo es: geocodificar con Nominatim, extraer una red de carreteras con Overpass, calcular bucles, exportar GPX/GeoJSON, renderizar con una biblioteca de mapas. ChatGPT Work acaba de hacer todo eso por ti, sin claves de API, sin investigar bibliotecas de enrutamiento y sin código que tuvieras que escribir.

Lo que recibes: la habilidad de visualización y los archivos

Los resultados son la parte que hace que esto se sienta terminado en lugar de una demo. Del lado de la visualización, el agente usó la habilidad de visualización integrada de ChatGPT para crear un archivo HTML autocontenido —en la ejecución observada, /workspace/el-granada-5k-share.html— que incrustaba el mapa directamente en la interfaz de ChatGPT. El HTML almacena toda la geometría de la ruta en un elemento <script type="application/json"> y renderiza el mapa con D3.js cargado desde un CDN. La política de seguridad de contenido de la habilidad solo permite una lista específica de orígenes externos —cdnjs.cloudflare.com, esm.sh, cdn.jsdelivr.net, unpkg.com, fonts.googleapis.com, fonts.gstatic.com y fonts.bunny.net— y "otros orígenes están bloqueados y fallan en silencio." Ese detalle importa si alguna vez inspeccionas un archivo generado: el mapa funcionará con esas bibliotecas y se degradará en silencio sin ellas.

En el lado de los archivos, obtienes dos formatos de intercambio que toda aplicación de GPS y herramienta de mapas ya entiende:

• GPX — el formato estándar de intercambio de GPS. Impórtalo en Strava, Garmin Connect o cualquier aplicación de rutas y se mostrará como una ruta que se puede seguir.

• GeoJSON — el formato JSON geoespacial. Úsalo en QGIS, Leaflet, Mapbox o cualquier herramienta geoespacial; también es el formato en el que la visualización integrada almacena su geometría.

Si tu objetivo es una ruta que realmente puedas ejecutar, el archivo GPX es el entregable — el mapa incrustado es la prueba de que tiene sentido, y el GeoJSON es la copia para cualquier cosa programática.

Lo que la demo no te dice: dos advertencias reales

La generación de rutas es real, pero la imagen honesta de ChatGPT Work proviene de sus modos de fallo, y la persona que lo probó sacó a la luz dos de ellos esa misma mañana.

1. La ejecución es opaca. El código del agente y sus pasos exactos no eran visibles en la interfaz de ChatGPT — solo la explicación resumida ("usé Nominatim… y luego calculé los bucles localmente"). Para una ruta, eso está bien; para cualquier cosa trascendente, es una brecha de transparencia que deberías asumir que está presente. Willison lo llama "una anti-función": ves el resultado y la explicación que el propio modelo da del resultado, no el código que lo produjo.

2. La compactación puede borrar el trabajo. Para cuando pidió una copia del código de Python, el agente ya no pudo producirla: el hilo se había compactado y el contexto previo a la compactación se había perdido. Cualquier sesión larga de agente en la que confíes conlleva este riesgo: el hilo se resume y los artefactos o el código que nunca se guardaron en un archivo ya no se pueden recuperar. Si necesitas el código, pídelo como archivo durante la ejecución, no después.

Ninguna de las dos advertencias socava el playbook: una ruta más exportaciones en GPX/GeoJSON es exactamente el tipo de entregable que sobrevive a la compactación porque se escribió en disco. Pero establecen expectativas: ChatGPT Work es potente, no transparente y no es un registro duradero de todo lo que hizo.

Por qué esto importa más que una demo pulida

Debajo de las rutas de running hay una capacidad genuinamente nueva que vale la pena valorar: un modelo de frontera que tomará una solicitud de una línea, hará 27 minutos de trabajo real de múltiples pasos en geocodificación, consultas de red y computación local, y devolverá archivos utilizables. Eso es lo que significa "trabajo agéntico" en la práctica, y cambia lo que deberías esperar de una solicitud a un modelo. También cambia la aritmética de costos — y aquí es donde el aspecto de enrutamiento justifica su valor.

En ChatGPT Work, esa sesión de 27 minutos se descuenta de la asignación de Codex de tu suscripción, y en GPT-6 Astra los tokens se consumen rápido. El mismo modelo está disponible por token a través de la API: GPT-6 Astra tiene un precio de lista de $10 por millón de tokens de entrada y $50 por millón de tokens de salida, con una ventana de contexto de ~1,05 millones de tokens, y un nivel de contexto largo por encima de 272.000 tokens de entrada a tarifas más altas — precios de lista del proveedor. Para un bucle de agente que mantiene toda la sesión en el contexto, ese nivel de contexto largo es donde se concentra el gasto.

Ese es exactamente el costo que una capa de enrutamiento existe para gestionar. Una API para más de 200 modelos con el precio de lista del proveedor traspasado con un margen del 0 % significa que un modelo de frontera de $10 y $50 como GPT-6 Astra se encuentra junto a un GPT-5.6 Sol de $4 y $20 en la misma clave, y puedes cambiar entre ellos con una cadena de modelo — sin un segundo contrato, sin cambios en el código, sin integración por proveedor. Si quieres prototipar un agente de planificación de rutas u otro agente de horizonte largo contra el modelo más reciente sin apostar una ruta de producción por él, la conmutación por error automática te permite ejecutar una porción del tráfico en él mientras un modelo probado permanece debajo. Y cuando un proveedor reduce un precio, el traspaso significa que el nuevo precio está activo de nuestro lado el mismo día — el mismo precio de lista, sin una capa de margen de por medio.

El mismo argumento se aplica al patrón de herramientas, no solo al modelo. El pipeline OSM/Nominatim/Overpass que utilizó el agente es exactamente el tipo de cosa que un desarrollador podría querer invocar de forma determinista — y si lo construyes tú mismo, encaminarías la capa del modelo a través de un único endpoint en lugar de codificar directamente un solo proveedor, de modo que el modelo que planifica la ruta se pueda intercambiar o conmutar por error sin reescribir el pipeline.

El manual, condensado

Si quieres reproducir esto tú mismo, la forma es:

• Usa ChatGPT Work (no el chat normal), con GPT-6 Astra seleccionado y un esfuerzo de razonamiento alto.

• Prompt con una dirección real y las distancias objetivo: «Vivo en <address>. Calcula rutas de running de 5K y 10K que salgan de mi casa y hagan un circuito desde ella. Usa datos de OSM.»

• Espera que tarde decenas de minutos, no segundos — y espera que funcione por sí solo.

• Pide las salidas en forma de archivo a medida que avanza: GPX para tu reloj o app, GeoJSON para cualquier uso programático, y la visualización que muestra en el chat.

• Si necesitas el código que escribió, pide que se guarde como archivo durante la ejecución; la compactación puede borrarlo después.

Ese último paso es el que todo el mundo se salta, y el que de verdad muerde. El modelo planificará tus bucles encantado todo el día; simplemente puede que no recuerde el código que lo hizo para cuando se lo preguntes.

La misma clave da acceso al resto del catálogo, y puedes explorar el catálogo completo de modelos para ver qué más hay detrás de un único endpoint compatible con Open​AI.