Demandez à ChatGPT Work de planifier un parcours de course de 5 km/10 km : un guide pratique de GPT-6 Astra

GPT-6 Astra et ChatGPT Work peuvent désormais prendre une adresse et vous renvoyer une véritable boucle de course circulaire de 5 km ou 10 km — de vraies rues, une vraie distance, téléchargeable au format GPX et GeoJSON, avec une carte interactive intégrée dans le chat. L'astuce, c'est de savoir qu'il s'agit de deux couches distinctes qui accomplissent deux tâches différentes. ChatGPT Work est l'offre produit agentique d'Open​AI — annoncée le 9 juillet 2026, destinée aux abonnés à partir de 20 $ par mois — où un modèle peut continuer à travailler pendant une demi-heure sur des fichiers, un shell et Internet. GPT-6 Astra est le modèle de raisonnement phare lancé le 3 septembre 2026, devenu disponible pour tous le 5 septembre sur chaque offre payante de ChatGPT, ChatGPT Work, Codex et l'API, et c'est le modèle qui transforme une requête d'une seule ligne en une session de planification d'itinéraire de 27 minutes en plusieurs étapes. Ce guide couvre le prompt qui fonctionne, les outils que l'agent sollicite réellement (OpenStreetMap, Nominatim, Overpass), les résultats à attendre et les mises en garde honnêtes — parce que le flux de travail est réellement utile, et parce que la partie que personne ne vous montre est celle qui peut faire mal.

La recette en un paragraphe

La requête qui fonctionne, comme l’a démontré Simon Willison le 12 septembre, est presque embarrassante tant elle est courte :

• Invite : « J'habite à <mon adresse>. Trouve des parcours de course à pied de 5 km et 10 km depuis chez moi qui font une boucle à partir de ma maison. Utilise les données OSM. »

• Ce qui s'est passé ensuite : ChatGPT Work a tourné avec GPT-6 Astra (effort de raisonnement Max) pendant 27 minutes, et a renvoyé une boucle de 5 km et une boucle de 10 km, chacune sous la forme d'une carte interactive intégrée, plus des fichiers GPX et GeoJSON téléchargeables.

• L’itinéraire était réel : le résultat du 5 km (« El Granada harbor loop 5.1 km ») partait du port vers le nord le long d’Avenue Granada et de Paloma Avenue, vers l’est le long de San Carlos Avenue, descendait vers le sud par Francisco Street, puis revenait vers l’ouest le long du Coastal Trail.

Ce dernier détail est justement tout l’intérêt d’un playbook. Il ne s’agit pas d’une liste hallucinée de noms de rues — c’est un itinéraire qui boucle, a une distance plausible et correspond au réseau routier réel de la zone. Lorsqu’on a demandé au modèle comment il l’avait construit, il a répondu simplement : « J’ai utilisé Nominatim pour localiser l’adresse et Overpass pour télécharger les routes et sentiers OpenStreetMap locaux, puis j’ai calculé les boucles en local. »

Le flux de travail, en d'autres termes, est une véritable exécution d'agent : géocoder l'adresse, récupérer de vraies données cartographiques, calculer des boucles fermées de la bonne longueur, produire une visualisation et exporter des formats d'échange standard. Si vous avez souhaité un prompt « planifie-moi un itinéraire » qui fonctionne vraiment, voilà à quoi il ressemble.

Ce qu'est réellement ChatGPT Work, et pourquoi cela compte ici

ChatGPT Work n'est pas un modèle. C'est la surface produit où un modèle peut agir comme un agent : il peut exécuter du code, accéder à Internet, utiliser un navigateur headless, conserver un espace de travail persistant entre les sessions et fonctionner longtemps. Il s'est scindé, de manière déroutante, en deux formes : Work Cloud (via chatgpt.com ou les applications mobiles) et Work Local (l'application de bureau anciennement appelée Codex, qui peut toucher aux fichiers et aux programmes sur votre propre ordinateur). Il est disponible pour les abonnés aux forfaits à partir de 20 $ par mois — les utilisateurs gratuits et les utilisateurs de Go à 8 $ n'y ont pas accès — et les sessions Work puisent dans votre allocation Codex plutôt que dans votre allocation de chat.

C’est pourquoi la génération d’itinéraires a fonctionné là où un tour de chat normal échouerait : la tâche nécessite l’exécution de code, un accès Internet à des services de géocodage et de données cartographiques, ainsi qu’une attention soutenue suffisante pour itérer. Le chat ChatGPT normal répond en quelques secondes et passe à autre chose. ChatGPT Work continue de travailler. Le choix du modèle au sein de Work compte aussi — Open​AI recommande GPT-6 Astra pour exactement le type de tâche de bout en bout en plusieurs étapes dont il s’agit, avec un effort de raisonnement configurable jusqu’à Max.

Ainsi, la première règle du playbook : il s’agit d’une tâche Work, pas d’une tâche Chat. Ouvrez ChatGPT Work, sélectionnez GPT-6 Astra, et laissez la session se dérouler plutôt que d’attendre une réponse instantanée.

Les outils sous le capot : OSM, Nominatim, Overpass

Aucune partie de la machinerie réelle n'appartient à OpenAI. L'agent a assemblé l'itinéraire à partir d'infrastructures géographiques publiques, et il vaut la peine de savoir ce que fait chaque élément — à la fois pour que vous puissiez vérifier la cohérence de la sortie et pour que vous puissiez reproduire le pipeline vous-même si vous souhaitez un jour l'exécuter en dehors de ChatGPT.

• OpenStreetMap (OSM) est la carte libre et collaborative du monde — la source de données des routes et sentiers que suit l'itinéraire.

• Nominatim est le service de géocodage d'OSM : il transforme une adresse humaine (« J'habite au <mon adresse> ») en coordonnées cartographiques.

• Overpass est l'API de requête pour les données OSM : l'agent l'a utilisée pour télécharger les routes et sentiers locaux autour de ces coordonnées.

• Le calcul des boucles lui-même (« a calculé les boucles localement ») s'est déroulé dans l'espace de travail propre de l'agent — prenant le graphe routier brut et trouvant des circuits fermés d'une longueur à peu près correcte.

Cette décomposition est le cœur reproductible. Si vous vouliez construire la même chose vous-même, la chaîne de traitement est la suivante : géocoder avec Nominatim, récupérer un réseau routier avec Overpass, calculer des boucles, exporter en GPX/GeoJSON, effectuer le rendu avec une bibliothèque cartographique. ChatGPT Work vient de tout faire à votre place, sans clés API, sans recherche de bibliothèque de routage et sans code que vous ayez eu à écrire.

Ce que vous obtenez en retour : la compétence de visualisation et les fichiers

Les sorties sont la partie qui donne l'impression d'un résultat fini plutôt que d'une démo. Côté affichage, l'agent a utilisé la compétence visualize skill intégrée de ChatGPT pour créer un fichier HTML autonome — dans l'exécution observée, /workspace/el-granada-5k-share.html — qui intégrait directement la carte dans l'interface de ChatGPT. Le HTML stocke toute la géométrie de l'itinéraire dans un élément <script type="application/json"> et affiche la carte avec D3.js chargé depuis un CDN. La politique de sécurité du contenu de la compétence n'autorise qu'une liste spécifique d'origines externes — cdnjs.cloudflare.com, esm.sh, cdn.jsdelivr.net, unpkg.com, fonts.googleapis.com, fonts.gstatic.com et fonts.bunny.net — et « les autres origines sont bloquées et échouent silencieusement ». Ce détail compte si vous inspectez un jour un fichier généré : la carte fonctionnera avec ces bibliothèques et se dégradera silencieusement sans elles.

Du côté des fichiers, vous disposez de deux formats d’échange que toutes les applications GPS et tous les outils de cartographie comprennent déjà :

• GPX — le format standard d'échange GPS. Importez-le dans Strava, Garmin Connect ou toute application d'itinéraire : il s'affichera comme un itinéraire à suivre.

• GeoJSON — le format JSON géospatial. Utilisez-le dans QGIS, Leaflet, Mapbox ou tout autre outil géospatial ; c’est aussi le format dans lequel la visualisation intégrée stocke sa géométrie.

Si votre objectif est un itinéraire que vous pouvez réellement parcourir, le fichier GPX est le livrable — la carte intégrée est la preuve qu'il est cohérent, et le GeoJSON est la copie pour tout ce qui est programmatique.

Ce que la démo ne vous dit pas : deux véritables mises en garde

La génération d’itinéraires est bien réelle, mais le portrait honnête de ChatGPT Work vient de ses modes de défaillance, et la personne qui l’a testé en a mis au jour deux le même matin.

1. L'exécution est opaque. Le code de l'agent et ses étapes exactes n'étaient pas visibles dans l'interface de ChatGPT — seulement l'explication résumée (« j'ai utilisé Nominatim… puis j'ai calculé les boucles localement »). Pour un itinéraire, cela ne pose pas de problème ; pour tout ce qui a des conséquences, c'est une lacune de transparence dont vous devez supposer qu'elle est présente. Willison appelle cela « une anti-fonctionnalité » : vous voyez le résultat et le récit qu'en fait le modèle lui-même, pas le code qui l'a produit.

2. La compaction peut effacer le travail. Au moment où il a demandé une copie du code Python, l’agent n’a pas pu la produire — le fil avait été compacté et le contexte d’avant la compaction avait disparu. Toute longue session d’agent sur laquelle vous comptez comporte ce risque : le fil est résumé, et les artefacts ou le code qui n’ont jamais été enregistrés dans un fichier ne peuvent plus être récupérés. Si vous avez besoin du code, demandez-le sous forme de fichier pendant l’exécution, pas après.

Aucune de ces deux réserves ne remet en cause le playbook — un itinéraire accompagné d’exports GPX/GeoJSON est exactement le type de livrable qui survit à la compaction parce qu’il a été écrit sur disque. Mais elles fixent les attentes : ChatGPT Work est puissant, pas transparent, et ne constitue pas un registre durable de tout ce qu’il a fait.

Pourquoi cela compte plus qu'une démo soignée

Sous les itinéraires de course se trouve une capacité véritablement nouvelle qui mérite d’être chiffrée : un modèle de pointe qui prend une requête d’une ligne, effectue 27 minutes de véritable travail en plusieurs étapes mêlant géocodage, requêtes réseau et calcul local, puis renvoie des fichiers exploitables. C’est ce que signifie « travail agentique » en pratique, et cela change ce que vous devriez attendre d’une requête adressée à un modèle. Cela change aussi l’arithmétique des coûts — et c’est là que le volet routage justifie son intérêt.

Dans ChatGPT Work, cette session de 27 minutes est imputée à l'allocation Codex de votre abonnement, et sur GPT-6 Astra, les tokens sont consommés à toute vitesse. Le même modèle est disponible par token via l'API : GPT-6 Astra est affiché à 10 $ par million de tokens d'entrée et à 50 $ par million de tokens de sortie, avec une fenêtre de contexte d'environ 1,05 million de tokens, et un palier de contexte long au-delà de 272 000 tokens d'entrée à des tarifs plus élevés — prix catalogue du fournisseur. Pour une boucle d'agent qui garde toute la session en contexte, c'est dans ce palier de contexte long que se concentre la dépense.

C'est exactement le coût qu'une couche de routage a vocation à gérer. Une seule API pour plus de 200 modèles avec le prix catalogue du fournisseur répercuté à 0 % de marge signifie qu'un modèle de pointe à 10 $ et 50 $ comme GPT-6 Astra côtoie un GPT-5.6 Sol à 4 $ et 20 $ sur la même clé, et vous pouvez passer de l'un à l'autre avec une chaîne de modèle — pas de second contrat, pas de modification du code, pas d'intégration par fournisseur. Si vous voulez prototyper un agent de planification d'itinéraire ou un autre agent à long horizon sur le modèle le plus récent sans miser un chemin de production dessus, le basculement automatique vous permet de faire tourner une partie du trafic dessus tandis qu'un modèle éprouvé reste en dessous. Et lorsqu'un fournisseur baisse un prix, la répercussion signifie que le nouveau prix est actif de notre côté le jour même — le même prix catalogue, sans couche de marge intercalée.

Le même argument s’applique au schéma d’outillage, pas seulement au modèle. Le pipeline OSM/Nominatim/Overpass utilisé par l’agent est exactement le genre de chose qu’un développeur pourrait vouloir appeler de manière déterministe — et si vous le construisez vous-même, vous achemineriez la couche modèle via un seul point de terminaison plutôt que de coder en dur un fournisseur unique, afin que le modèle qui planifie l’itinéraire puisse être remplacé ou basculer en cas de défaillance sans réécrire le pipeline.

Le playbook, condensé

Si vous souhaitez reproduire ceci vous-même, la forme est :

• Utilisez ChatGPT Work (et non le chat classique), avec GPT-6 Astra sélectionné et un effort de raisonnement élevé.

• Invite avec une adresse réelle et les distances cibles : « J'habite à <adresse>. Trouve des parcours de course de 5 km et 10 km au départ de chez moi, en boucle. Utilise les données OSM. »

• Attendez-vous à ce que cela prenne des dizaines de minutes, et non quelques secondes — et attendez-vous à ce que cela fonctionne tout seul.

• Demandez les sorties sous forme de fichier au fur et à mesure : GPX pour votre montre ou application, GeoJSON pour tout usage programmatique, et la visualisation qu’il affiche dans le chat.

• Si vous avez besoin du code qu'il a écrit, demandez à ce qu'il soit enregistré dans un fichier pendant l'exécution — la compaction peut l'effacer par la suite.

Cette dernière étape est celle que tout le monde saute, et celle qui fait vraiment mal. Le modèle planifiera volontiers vos boucles toute la journée ; il se peut simplement qu’il ne se souvienne plus du code qui l’a fait au moment où vous le lui demandez.

La même clé donne accès au reste du catalogue, et vous pouvez parcourir le catalogue complet des modèles pour découvrir ce qui se trouve d'autre derrière un point de terminaison compatible Open​AI.