Peça ao ChatGPT Work para planejar uma rota de corrida de 5K/10K: um playbook do GPT-6 Astra

GPT-6 Astra e ChatGPT Work agora podem receber um endereço e devolver a você um percurso de corrida circular adequado de 5K ou 10K — ruas reais, uma distância real, baixável como GPX e GeoJSON, com um mapa interativo incorporado no chat. O truque é saber que são duas camadas diferentes fazendo dois trabalhos diferentes. O ChatGPT Work é o nível de produto agêntico da OpenAI — anunciado em 9 de julho de 2026, para assinantes de US$ 20 por mês ou mais — em que um modelo pode continuar trabalhando por meia hora entre arquivos, um shell e a internet. O GPT-6 Astra é o modelo de raciocínio carro-chefe que foi lançado em 3 de setembro de 2026, chegou à disponibilidade geral em 5 de setembro em todos os níveis pagos do ChatGPT, no ChatGPT Work, no Codex e na API, e é o modelo que transforma um pedido de uma linha em uma sessão de planejamento de rota de várias etapas e 27 minutos. Este guia prático aborda o prompt que funciona, as ferramentas que o agente realmente usa (OpenStreetMap, Nominatim, Overpass), os resultados esperados e as ressalvas honestas — porque o fluxo de trabalho é genuinamente útil, e porque a parte que ninguém mostra é a parte que pode te morder.

A receita em um único parágrafo

A requisição que funciona, como demonstrado por Simon Willison em 12 de setembro, é quase embaraçosamente curta:

• Prompt: "Eu moro em <meu endereço>. Descubra rotas de corrida de 5K e 10K a partir de mim que façam um circuito saindo da minha casa. Use dados do OSM."

• O que aconteceu a seguir: o ChatGPT Work foi executado com o GPT-6 Astra (esforço de raciocínio máximo) por 27 minutos e retornou um percurso de 5K e um percurso de 10K, cada um como um mapa interativo incorporado, além de arquivos GPX e GeoJSON para download.

• O percurso era real: o resultado do 5K ("circuito do porto de El Granada 5,1 km") seguia do porto para o norte pela Avenida Granada e pela Avenida Paloma, para o leste pela Avenida San Carlos, para o sul pela Rua Francisco, e voltava para o oeste pela Trilha Costeira.

Esse último detalhe é o ponto de um manual. Esta não é uma lista alucinada de nomes de ruas — é uma rota que faz um circuito, tem uma distância plausível e corresponde à rede viária real da área. Quando perguntaram ao modelo como a construiu, ele respondeu sem rodeios: "Usei o Nominatim para localizar o endereço e o Overpass para baixar estradas e trilhas locais do OpenStreetMap, depois calculei os circuitos localmente."

O fluxo de trabalho, em outras palavras, é uma execução real de agente: geocodificar o endereço, buscar dados reais de mapas, calcular circuitos fechados do comprimento certo, renderizar uma visualização e exportar formatos padrão de intercâmbio. Se você sempre quis um prompt de "planeje uma rota para mim" que realmente funcione, é essa a forma dele.

O que o ChatGPT Work realmente é, e por que isso importa aqui

O ChatGPT Work não é um modelo. É a superfície de produto em que um modelo pode agir como um agente: pode executar código, acessar a internet, usar um navegador headless, manter um espaço de trabalho persistente entre sessões e funcionar por muito tempo. Ele se dividiu, de forma confusa, em duas formas: Work Cloud (via chatgpt.com ou os aplicativos móveis) e Work Local (o aplicativo para desktop antes chamado Codex, que pode acessar arquivos e programas no seu próprio computador). Ele está disponível para assinantes em planos de US$ 20 por mês ou mais — usuários gratuitos e usuários do Go de US$ 8 não têm acesso a nada disso — e as sessões do Work consomem sua cota do Codex, e não sua cota de chat.

É por isso que a geração de rotas funcionou onde um turno normal de chat falharia: a tarefa exige execução de código, acesso à internet a serviços de geocodificação e dados de mapas, e atenção sustentada o suficiente para iterar. O chat normal do ChatGPT responde em poucos segundos e segue em frente. O ChatGPT Work continua trabalhando. A escolha do modelo dentro do Work também importa — a OpenAI recomenda o GPT-6 Astra exatamente para o tipo de trabalho de várias etapas de ponta a ponta como este, com esforço de raciocínio configurável até Max.

Então, a primeira regra do playbook: esta é uma tarefa do Work, não uma tarefa do Chat. Abra o ChatGPT Work, selecione o GPT-6 Astra e deixe a sessão correr, em vez de esperar uma resposta instantânea.

As ferramentas nos bastidores: OSM, Nominatim, Overpass

Nenhum dos mecanismos reais é da própria OpenAI. O agente montou a rota a partir de infraestrutura geográfica pública, e vale a pena saber o que cada peça faz — tanto para você poder verificar se a saída faz sentido quanto para poder reproduzir o pipeline por conta própria, caso algum dia queira executá-lo fora do ChatGPT.

• O OpenStreetMap (OSM) é o mapa mundial livre e colaborativo — a fonte de dados para as estradas e trilhas que a rota segue.

• O Nominatim é o serviço de geocodificação do OSM: ele transforma um endereço humano ("moro em <my address>") em coordenadas no mapa.

• Overpass é a API de consulta para dados do OSM: o agente a usou para baixar as estradas e trilhas locais ao redor dessas coordenadas.

• O cálculo dos loops em si ("calculou os loops localmente") foi executado no próprio espaço de trabalho do agente — usando o grafo viário bruto e encontrando circuitos fechados com aproximadamente o comprimento certo.

Essa decomposição é o núcleo reproduzível. Se você quisesse construir a mesma coisa por conta própria, o pipeline é: geocodifique com Nominatim, extraia uma rede viária com Overpass, calcule circuitos, exporte GPX/GeoJSON, renderize com uma biblioteca de mapas. O ChatGPT Work acabou de fazer tudo isso por você, sem chaves de API, sem pesquisa sobre bibliotecas de roteamento e sem código que você tivesse de escrever.

O que você recebe de volta: a habilidade de visualização e os arquivos

As saídas são a parte que faz isso parecer acabado, e não uma demo. Do lado da exibição, o agente usou o recurso interno do ChatGPT, a habilidade de visualização, para criar um arquivo HTML autocontido — na execução observada, /workspace/el-granada-5k-share.html — que incorporou o mapa diretamente na interface do ChatGPT. O HTML armazena toda a geometria da rota em um elemento <script type="application/json"> e renderiza o mapa com D3.js carregado de um CDN. A política de segurança de conteúdo da habilidade permite apenas uma lista específica de origens externas — cdnjs.cloudflare.com, esm.sh, cdn.jsdelivr.net, unpkg.com, fonts.googleapis.com, fonts.gstatic.com e fonts.bunny.net — e "outras origens são bloqueadas e falham silenciosamente". Esse detalhe importa se algum dia você inspecionar um arquivo gerado: o mapa funcionará com essas bibliotecas e sofrerá degradação silenciosa sem elas.

Do lado dos arquivos, você obtém dois formatos de intercâmbio que todos os aplicativos de GPS e ferramentas de mapeamento já entendem:

• GPX — o formato padrão de intercâmbio de GPS. Importe-o para o Strava, Garmin Connect ou qualquer aplicativo de rotas e ele será renderizado como uma rota que pode ser seguida.

• GeoJSON — o formato JSON geoespacial. Use-o no QGIS, Leaflet, Mapbox ou em qualquer ferramenta geoespacial; é também o formato no qual a visualização incorporada armazena a sua geometria.

Se o seu objetivo é uma rota que você realmente possa percorrer, o arquivo GPX é o entregável — o mapa incorporado é a prova de que ela é sensata, e o GeoJSON é a cópia para qualquer uso programático.

O que a demo não lhe conta: duas ressalvas reais

A geração de rotas é real, mas o retrato honesto do ChatGPT Work vem de seus modos de falha, e a pessoa que o testou revelou dois deles na mesma manhã.

1. A execução é opaca. O código do agente e seus passos exatos não estavam visíveis na interface do ChatGPT — apenas a explicação resumida ("Usei o Nominatim… depois calculei os loops localmente"). Para uma rota, tudo bem; para qualquer coisa que tenha consequências, é uma lacuna de transparência que você deve presumir que está presente. Willison chama isso de "uma anti-funcionalidade": você vê o resultado e o próprio relato do modelo sobre o resultado, não o código que o produziu.

2. A compactação pode apagar o trabalho. Quando ele pediu uma cópia do código Python, o agente não conseguiu produzi-la — a thread havia sido compactada, e o contexto anterior à compactação tinha se perdido. Qualquer sessão longa de agente com a qual você conta carrega esse risco: a thread é resumida, e artefatos ou código que nunca foram salvos em um arquivo não podem mais ser recuperados. Se você precisa do código, peça-o como arquivo durante a execução, não depois.

Nenhuma das ressalvas prejudica o playbook — uma rota mais exportações em GPX/GeoJSON é exatamente o tipo de entregável que sobrevive à compactação porque foi gravado em disco. Mas elas definem expectativas: o ChatGPT Work é poderoso, não transparente e não é um registro duradouro de tudo o que fez.

Por que isso importa mais do que uma demonstração caprichada

Por baixo das rotas em execução está uma capacidade genuinamente nova que vale a pena precificar: um modelo de fronteira que recebe um pedido de uma linha, realiza 27 minutos de trabalho real em várias etapas, abrangendo geocodificação, consultas de rede e computação local, e devolve arquivos utilizáveis. É isso que "trabalho agêntico" significa na prática, e muda o que você deve esperar de uma solicitação a um modelo. Também muda a aritmética de custos — e é aqui que o ângulo de roteamento se justifica.

No ChatGPT Work, essa sessão de 27 minutos é descontada da sua cota do Codex da assinatura, e no GPT-6 Astra os tokens queimam rápido. O mesmo modelo está disponível por token por meio da API: o GPT-6 Astra tem preço de tabela de US$ 10 por milhão de tokens de entrada e US$ 50 por milhão de tokens de saída, com uma janela de contexto de cerca de 1,05 milhão de tokens e um nível de contexto longo acima de 272.000 tokens de entrada, com tarifas mais altas — preços de tabela do fornecedor. Para um loop de agente que mantém a sessão inteira no contexto, é nesse nível de contexto longo que o gasto se concentra.

Esse é exatamente o custo que uma camada de roteamento existe para gerenciar. Uma API para mais de 200 modelos com o preço de tabela do provedor repassado a 0% de markup significa que um modelo de fronteira de US$ 10 e US$ 50, como o GPT-6 Astra, fica ao lado de um GPT-5.6 Sol de US$ 4 e US$ 20 na mesma chave, e você pode alternar entre eles com uma string de modelo — sem segundo contrato, sem alteração de código, sem integração por fornecedor. Se você quiser prototipar um agente de planejamento de rotas ou outro agente de horizonte longo contra o modelo mais recente sem apostar um caminho de produção nele, o failover automático permite rodar uma fatia do tráfego nele enquanto um modelo comprovado permanece por baixo. E quando um fornecedor corta um preço, o repasse significa que o novo preço entra em vigor do nosso lado no mesmo dia — o mesmo preço de tabela, sem camada de markup no meio.

O mesmo argumento se aplica ao padrão de ferramentas, não apenas ao modelo. O pipeline OSM/Nominatim/Overpass que o agente usou é exatamente o tipo de coisa que um desenvolvedor pode querer chamar de forma determinística — e, se você mesmo o construir, encaminharia a camada de modelo por meio de um único endpoint em vez de codificar diretamente um único fornecedor, de modo que o modelo que planeja a rota possa ser trocado ou entrar em failover sem reescrever o pipeline.

O playbook, condensado

Se você quiser reproduzir isso por conta própria, o formato é:

• Use o ChatGPT Work (não o chat comum), com o GPT-6 Astra selecionado em um nível alto de esforço de raciocínio.

• Prompt com um endereço real e as distâncias desejadas: "Moro em <address>. Descubra rotas de corrida de 5K e 10K a partir de mim que façam um circuito saindo e voltando para a minha casa. Use dados do OSM."

• Espere que demore dezenas de minutos, não segundos — e espere que funcione por conta própria.

• Peça as saídas em formato de arquivo à medida que forem surgindo: GPX para o seu relógio ou aplicativo, GeoJSON para qualquer coisa programática, e a visualização que ele renderiza no chat.

• Se você precisar do código que ele escreveu, peça que ele seja salvo como arquivo durante a execução — a compactação pode apagá-lo depois.

Esse último passo é o que todo mundo pula, e o que realmente cobra seu preço. O modelo vai planejar seus loops alegremente o dia inteiro; só que pode não se lembrar do código que fez isso quando você perguntar.

A mesma chave dá acesso ao restante do catálogo, e você pode navegar pelo catálogo completo de modelos para ver o que mais está por trás de um endpoint compatível com a OpenAI.