Vraag ChatGPT Work om een 5K/10K-hardlooproute te plannen: een playbook van GPT-6 Astra

GPT-6 Astra en ChatGPT Work kunnen nu een adres innemen en je een fatsoenlijk rondje hardlopen van 5K of 10K teruggeven — echte straten, een echte afstand, downloadbaar als GPX en GeoJSON, met een interactieve kaart ingebed in de chat. De kunst is te weten dat het twee verschillende lagen zijn die twee verschillende taken uitvoeren. ChatGPT Work is de agentische productlaag van OpenAI — aangekondigd op 9 juli 2026, voor abonnees vanaf $20 per maand — waar een model een half uur lang kan doorwerken over bestanden, een shell en het internet. GPT-6 Astra is het vlaggenschip-redeneermodel dat op 3 september 2026 verscheen, op 5 september algemeen beschikbaar werd op elk betaald ChatGPT-niveau, ChatGPT Work, Codex en de API, en is het model dat een verzoek van één regel omzet in een routeplanningssessie van meerdere stappen en 27 minuten. Deze playbook behandelt de werkende prompt, de tools waar de agent daadwerkelijk naar grijpt (OpenStreetMap, Nominatim, Overpass), de te verwachten uitvoer, en de eerlijke kanttekeningen — omdat de workflow oprecht nuttig is, en omdat het deel dat niemand je laat zien, het deel is dat kan bijten.

Het recept in één alinea

Het verzoek dat werkt, zoals gedemonstreerd door Simon Willison op 12 september, is bijna beschamend kort:

• Opdracht: "Ik woon op <my address>. Bedenk 5K- en 10K-hardlooproutes vanaf mijn locatie die vanuit mijn huis een lus vormen. Gebruik OSM-gegevens."

• Wat er daarna gebeurde: ChatGPT Work draaide 27 minuten met GPT-6 Astra (Max reasoning effort) en leverde een 5K-lus en een 10K-lus op, elk als een ingebedde interactieve kaart plus downloadbare GPX- en GeoJSON-bestanden.

• De route was echt: het 5K-resultaat ("El Granada harbor loop 5.1 km") liep vanaf de haven noordwaarts langs Avenue Granada en Paloma Avenue, oostwaarts langs San Carlos Avenue, zuidwaarts via Francisco Street en weer westwaarts langs de Coastal Trail.

Dat laatste detail is precies waar het in een playbook om draait. Dit is geen gehallucineerde lijst met straatnamen — het is een route die lussen vormt, een plausibele afstand heeft en overeenkomt met het werkelijke wegennet van het gebied. Toen het model werd gevraagd hoe het die had opgebouwd, antwoordde het simpelweg: "Ik heb Nominatim gebruikt om het adres te lokaliseren en Overpass om lokale OpenStreetMap-wegen en -paden te downloaden, en daarna de lussen lokaal berekend."

De workflow is, met andere woorden, een echte agent-run: het adres geocoderen, echte kaartgegevens ophalen, gesloten lussen van de juiste lengte berekenen, een visualisatie renderen en standaard uitwisselingsformaten exporteren. Als je een "plan een route voor me"-prompt wilde die echt werkt, dan is dit de vorm ervan.

Wat ChatGPT Work eigenlijk is, en waarom het hier van belang is

ChatGPT Work is geen model. Het is het productoppervlak waarop een model zich als een agent kan gedragen: het kan code uitvoeren, het internet bereiken, een headless browser gebruiken, over sessies heen een blijvende werkruimte behouden en lang draaien. Het viel, verwarrend genoeg, uiteen in twee vormen: Work Cloud (via chatgpt.com of de mobiele apps) en Work Local (de desktopapp die voorheen Codex heette, die toegang heeft tot bestanden en programma's op je eigen computer). Het is beschikbaar voor abonnees met abonnementen van $20 per maand en hoger — gratis gebruikers en $8 Go-gebruikers krijgen er niets van — en Work-sessies putten uit je Codex-tegoed in plaats van uit je chattegoed.

Daarom werkte de routegeneratie waar een normale chatbeurt zou falen: de taak vereist code-uitvoering, internettoegang tot diensten voor geocoding en kaartgegevens, en voldoende aanhoudende aandacht om te itereren. Een normale ChatGPT-chat antwoordt binnen enkele seconden en gaat verder. ChatGPT Work blijft doorwerken. De modelkeuze binnen Work is ook belangrijk — Open​AI raadt GPT-6 Astra aan voor precies het soort meerstaps end-to-endtaak dat dit is, met redeneerinspanning die tot Max instelbaar is.

Dus de eerste regel van het playbook: dit is een Work-taak, geen Chat-taak. Open ChatGPT Work, selecteer GPT-6 Astra en laat de sessie lopen in plaats van een onmiddellijk antwoord te verwachten.

De tools onder de motorkap: OSM, Nominatim, Overpass

Niets van de echte machinerie is van OpenAI zelf. De agent stelde de route samen uit openbare geografische infrastructuur, en het is de moeite waard om te weten wat elk onderdeel doet — zowel zodat je de uitvoer kunt controleren, als zodat je de pipeline zelf kunt reproduceren als je die ooit buiten ChatGPT wilt draaien.

• OpenStreetMap (OSM) is de vrije, crowdsourced wereldkaart — de databron voor de wegen en paden die de route volgt.

• Nominatim is de geocoderingsdienst van OSM: het zet een menselijk adres ("Ik woon op <my address>") om in kaartcoördinaten.

• Overpass is de query-API voor OSM-gegevens: de agent gebruikte deze om de lokale wegen en paden rond die coördinaten te downloaden.

• De lusberekening zelf ("berekende de lussen lokaal") vond plaats in de eigen werkruimte van de agent — door de ruwe wegenkaart te nemen en gesloten circuits van ongeveer de juiste lengte te vinden.

Die decompositie is de reproduceerbare kern. Als je hetzelfde zelf wilde bouwen, is de pipeline: geocoderen met Nominatim, een wegennetwerk ophalen met Overpass, lussen berekenen, GPX/GeoJSON exporteren, renderen met een kaartbibliotheek. ChatGPT Work heeft het allemaal gewoon voor je gedaan, zonder API-sleutels, zonder onderzoek naar routeringsbibliotheken en zonder code die je hoefde te schrijven.

Wat je terugkrijgt: de visualisatievaardigheid en de bestanden

De outputs zijn het onderdeel waardoor dit afgerond aanvoelt in plaats van demo-achtig. Aan de weergavekant gebruikte de agent ChatGPT's ingebouwde visualize skill om een op zichzelf staand HTML-bestand te maken — in de geobserveerde run /workspace/el-granada-5k-share.html — dat de kaart rechtstreeks in de ChatGPT-UI embedde. Het HTML-bestand slaat de volledige routegeometrie op in een <script type="application/json">-element en rendert de kaart met D3.js dat vanaf een CDN wordt geladen. Het content-securitybeleid van de skill staat alleen een specifieke lijst met externe origins toe — cdnjs.cloudflare.com, esm.sh, cdn.jsdelivr.net, unpkg.com, fonts.googleapis.com, fonts.gstatic.com en fonts.bunny.net — en "andere origins worden geblokkeerd en falen stil." Dat detail is belangrijk als je ooit een gegenereerd bestand inspecteert: de kaart werkt met die libraries en degradeert stil zonder ze.

Aan de bestandskant krijg je twee uitwisselingsformaten die elke GPS-app en kaarttoepassing al begrijpt:

• GPX — het standaard GPS-uitwisselingsformaat. Importeer het in Strava, Garmin Connect of een willekeurige route-app en het wordt weergegeven als een route die je kunt volgen.

• GeoJSON — het geospatiale JSON-formaat. Gebruik het in QGIS, Leaflet, Mapbox of welke geospatiale tooling dan ook; het is ook het formaat waarin de ingebedde visualisatie haar geometrie opslaat.

Als je doel een route is die je daadwerkelijk kunt afleggen, is het GPX-bestand het eindproduct — de ingesloten kaart is het bewijs dat die klopt, en de GeoJSON is de kopie voor alles wat programmatisch is.

Wat de demo je niet vertelt: twee echte kanttekeningen

De routegeneratie is echt, maar het eerlijke beeld van ChatGPT Work komt voort uit de faalmodi ervan, en de persoon die het testte, bracht er dezelfde ochtend twee aan het licht.

1. De uitvoering is ondoorzichtig. De code van de agent en de exacte stappen waren niet zichtbaar in de ChatGPT-UI — alleen de samenvattende uitleg ("Ik gebruikte Nominatim… en berekende de lussen daarna lokaal"). Voor een route is dat prima; voor alles wat gevolgen heeft, is het een transparantiegat waarvan je moet aannemen dat het aanwezig is. Willison noemt het "een anti-feature": je ziet het resultaat en het eigen verhaal van het model over het resultaat, niet de code die het heeft geproduceerd.

2. Compactie kan het werk uitwissen. Tegen de tijd dat hij om een kopie van de Python-code vroeg, kon de agent die niet meer produceren — de thread was gecompacteerd en de context van vóór de compactie was verdwenen. Elke lange agentsessie waarop je vertrouwt, brengt dit risico met zich mee: de thread wordt samengevat en artefacten of code die nooit in een bestand zijn opgeslagen, zijn niet meer op te vragen. Als je de code nodig hebt, vraag er dan tijdens de run om als bestand, niet achteraf.

Geen van beide voorbehouden ondermijnt het draaiboek — een route plus GPX/GeoJSON-exports is precies het soort oplevering dat compactie overleeft omdat het naar schijf is geschreven. Maar ze stellen verwachtingen: ChatGPT Work is krachtig, niet transparant, en geen duurzame registratie van alles wat het deed.

Waarom dit belangrijker is dan een mooie demo

Onder de routes die draaien gaat een werkelijk nieuwe capaciteit schuil die het waard is om te beprijzen: een frontiermodel dat een verzoek van één regel aanneemt, 27 minuten aan echt meerstapswerk verricht over geocoding, netwerkqueries en lokale berekeningen, en bruikbare bestanden teruglevert. Dat is wat "agentisch werk" in de praktijk betekent, en het verandert wat je van een modelverzoek mag verwachten. Het verandert ook de kostenrekening — en dat is waar de routeringsinvalshoek zijn nut bewijst.

In ChatGPT Work gaat die sessie van 27 minuten ten koste van de Codex-toelage van je abonnement, en op GPT-6 Astra gaan de tokens snel op. Hetzelfde model is per token beschikbaar via de API: GPT-6 Astra staat voor $10 per miljoen inputtokens en $50 per miljoen outputtokens, met een contextvenster van ~1,05 miljoen tokens, en een long-contextlaag boven 272.000 inputtokens tegen hogere tarieven — adviesprijzen van de leverancier. Voor een agent-loop die de hele sessie in context houdt, is die long-contextlaag waar het geld naartoe gaat.

Dat is precies de kost die een routeringslaag hoort te beheren. Één API voor meer dan 200 modellen met de lijstprijs van de provider doorgegeven tegen 0% opslag betekent dat een frontier-model van $10 en $50 zoals GPT-6 Astra naast een GPT-5.6 Sol van $4 en $20 op dezelfde sleutel staat, en je kunt tussen hen wisselen met een model-string — geen tweede contract, geen codewijziging, geen integratie per leverancier. Als je een routeplannings- of andere langetermijn-agent wilt prototypen tegen het nieuwste model zonder er een productiepad op te verwedden, laat automatische failover je een deel van het verkeer erop draaien terwijl een bewezen model eronder blijft. En wanneer een leverancier een prijs verlaagt, betekent de doorgegeven prijs dat de nieuwe prijs dezelfde dag aan onze kant live is — dezelfde lijstprijs, zonder opslaglaag ertussen.

Hetzelfde argument geldt voor het toolingpatroon, niet alleen voor het model. De OSM/Nominatim/Overpass-pijplijn die de agent gebruikte, is precies iets wat een ontwikkelaar deterministisch zou willen aanroepen — en als je die zelf bouwt, zou je de modellaag via één endpoint laten lopen in plaats van één enkele leverancier hard te coderen, zodat het model dat de route plant kan worden vervangen of een failover kan uitvoeren zonder de pijplijn te herschrijven.

Het draaiboek, beknopt

Als je dit zelf wilt reproduceren, is de vorm:

• Gebruik ChatGPT Work (niet de gewone chat), met GPT-6 Astra geselecteerd bij een hoge reasoning-inspanning.

• Prompt met een echt adres en de doelafstanden: "Ik woon op <address>. Stippel 5K- en 10K-hardlooproutes voor mij uit die vanaf mijn huis een lus vormen. Gebruik OSM-gegevens."

• Verwacht dat het tientallen minuten duurt, niet seconden — en verwacht dat het op eigen kracht werkt.

• Vraag gaandeweg om de output in bestandsvorm: GPX voor je horloge of app, GeoJSON voor alles wat programmatisch is, en de visualisatie die het in de chat weergeeft.

• Als je de code die het heeft geschreven nodig hebt, vraag dan of die tijdens de run als bestand kan worden opgeslagen — compactie kan die daarna wissen.

Die laatste stap is degene die iedereen overslaat, en juist degene die je echt pijn doet. Het model plant met alle plezier je loops de hele dag door; het herinnert zich alleen misschien niet meer de code die dat deed op het moment dat je het vraagt.

Dezelfde sleutel geeft toegang tot de rest van de catalogus, en je kunt de volledige modellencatalogus bekijken om te zien wat er nog meer achter één OpenAI-compatibel endpoint zit.