Be ChatGPT Work planera en 5K/10K-löparrutt: En spelbok från GPT-6 Astra

GPT-6 Astra och ChatGPT Work kan nu ta en adress och ge dig tillbaka en ordentlig cirkulär 5K- eller 10K-löpslinga — riktiga gator, en riktig distans, nedladdningsbar som GPX och GeoJSON, med en interaktiv karta inbäddad i chatten. Tricket är att veta att de är två olika lager som utför två olika uppgifter. ChatGPT Work är OpenAI:s agentiska produktnivå — tillkännagavs den 9 juli 2026, för prenumeranter från 20 dollar i månaden och uppåt — där en modell kan fortsätta arbeta under en halvtimme över filer, ett skal och internet. GPT-6 Astra är flaggskeppsmodellen för resonemang som släpptes den 3 september 2026, blev allmänt tillgänglig den 5 september i alla betalda ChatGPT-nivåer, ChatGPT Work, Codex och API:et, och är modellen som förvandlar en förfrågan på en rad till en flerstegs ruttplaneringssession på 27 minuter. Den här spelboken täcker den fungerande prompten, verktygen som agenten faktiskt tar till (OpenStreetMap, Nominatim, Overpass), resultaten att förvänta sig och de ärliga förbehållen — eftersom arbetsflödet är genuint användbart, och eftersom delen som ingen visar dig är den del som kan bita.

Receptet i ett stycke

Förfrågan som fungerar, såsom Simon Willison demonstrerade den 12 september, är nästan pinsamt kort:

• Prompt: "Jag bor på <my address>. Hitta 5K- och 10K-löprundor från mig som utgår från och återvänder till mitt hus. Använd OSM-data."

• Vad som hände sedan: ChatGPT Work körde med GPT-6 Astra (Max resonemangsinsats) i 27 minuter och returnerade en 5K-slinga och en 10K-slinga, var och en som en inbäddad interaktiv karta plus nedladdningsbara GPX- och GeoJSON-filer.

• Rutten var verklig: 5K-resultatet (”El Granada harbor loop 5,1 km”) gick från hamnen norrut längs Avenue Granada och Paloma Avenue, österut längs San Carlos Avenue, söderut nedför Francisco Street och tillbaka västerut längs Coastal Trail.

Den där sista detaljen är själva poängen med en playbook. Det här är inte en hallucinerad lista med gatunamn — det är en rutt som går i slinga, har en rimlig distans och matchar områdets faktiska vägnät. När modellen tillfrågades om hur den hade byggt den svarade den kort och gott: "Jag använde Nominatim för att lokalisera adressen och Overpass för att ladda ner lokala vägar och stigar från OpenStreetMap, och beräknade sedan slingorna lokalt."

Arbetsflödet är med andra ord en riktig agentkörning: geokoda adressen, hämta verklig kartdata, beräkna slutna slingor av rätt längd, rendera en visualisering och exportera standardiserade utbytesformat. Om du har velat ha en "planera en rutt åt mig"-prompt som faktiskt fungerar, är det så här den ser ut.

Vad ChatGPT Work faktiskt är, och varför det spelar roll här

ChatGPT Work är inte en modell. Det är produktytan där en modell får agera som en agent: den kan köra kod, nå internet, använda en huvudlös webbläsare, behålla en beständig arbetsyta mellan sessioner och köra under lång tid. Den delades, förvirrande nog, upp i två former: Work Cloud (via chatgpt.com eller mobilapparna) och Work Local (skrivbordsappen som tidigare hette Codex, som kan komma åt filer och program på din egen dator). Det är tillgängligt för prenumeranter på planer från 20 dollar i månaden och uppåt – gratisanvändare och Go-användare för 8 dollar får inget av det – och Work-sessioner dras från din Codex-kvot i stället för din chattkvot.

Det är därför ruttgenereringen fungerade där en vanlig chattvända skulle misslyckas: uppgiften kräver kodexekvering, internetåtkomst till geokodnings- och kartdatatjänster samt tillräcklig uthållig uppmärksamhet för att kunna iterera. Vanlig ChatGPT-chatt svarar inom några sekunder och går vidare. ChatGPT Work fortsätter att arbeta. Modellvalet i Work spelar också roll — Open​AI rekommenderar GPT-6 Astra för precis den typ av flerstegsjobb från början till slut som detta är, med resonemangsinsats konfigurerbar upp till Max.

Så spelbokens första regel: det här är en Work-uppgift, inte en Chat-uppgift. Öppna ChatGPT Work, välj GPT-6 Astra och låt sessionen köra i stället för att förvänta dig ett omedelbart svar.

Verktygen under huven: OSM, Nominatim, Overpass

Inget av det riktiga maskineriet är Open​AI:s eget. Agenten satte ihop rutten från offentlig geografisk infrastruktur, och det är värt att veta vad varje del gör – både så att du kan göra en rimlighetskontroll av resultatet och så att du själv skulle kunna återskapa pipelinen om du någon gång vill köra den utanför ChatGPT.

• OpenStreetMap (OSM) är den fria, crowdsourcade kartan över världen – datakällan för de vägar och leder som rutten följer.

• Nominatim är OSM:s geokodningstjänst: den omvandlar en mänsklig adress (”jag bor på <min adress>”) till kartkoordinater.

• Overpass är fråge-API:et för OSM-data: agenten använde det för att ladda ner de lokala vägarna och stigarna runt dessa koordinater.

• Själva slingberäkningen ("beräknade slingorna lokalt") kördes i agentens egen arbetsyta — den tog den råa väggrafen och hittade slutna kretsar av ungefär rätt längd.

Den uppdelningen är den reproducerbara kärnan. Om du ville bygga samma sak själv är pipelinen: geokoda med Nominatim, hämta ett vägnät med Overpass, beräkna slingor, exportera GPX/GeoJSON, rendera med ett kartbibliotek. ChatGPT Work gjorde precis allt detta åt dig, utan API-nycklar, utan research om routingbibliotek och utan kod som du behövde skriva.

Vad du får tillbaka: visualiseringsfärdigheten och filerna

Utdata är den del som får detta att kännas färdigt i stället för demoaktigt. På visningssidan använde agenten ChatGPTs inbyggda visualiseringsfärdighet för att skapa en fristående HTML-fil – i den observerade körningen /workspace/el-granada-5k-share.html – som bäddade in kartan direkt i ChatGPTs gränssnitt. HTML-filen lagrar hela rutgeometrin i ett <script type="application/json">-element och renderar kartan med D3.js laddat från ett CDN. Funktionens innehållssäkerhetspolicy tillåter endast en specifik lista över externa ursprung – cdnjs.cloudflare.com, esm.sh, cdn.jsdelivr.net, unpkg.com, fonts.googleapis.com, fonts.gstatic.com och fonts.bunny.net – och "andra ursprung blockeras och misslyckas tyst." Den detaljen spelar roll om du någonsin granskar en genererad fil: kartan fungerar med de biblioteken och degraderar tyst utan dem.

På filsidan får du två utbytesformat som alla GPS-appar och kartverktyg redan förstår:

• GPX — standardformatet för GPS-utbyte. Importera det till Strava, Garmin Connect eller valfri ruttapp så visas det som en rutt att följa.

• GeoJSON — det geospatiala JSON-formatet. Använd det i QGIS, Leaflet, Mapbox eller vilka geospatiala verktyg som helst; det är också formatet som den inbäddade visualiseringen lagrar sin geometri i.

Om målet är en rutt som du faktiskt kan köra, är GPX-filen själva leveransen – den inbäddade kartan är beviset för att den är vettig, och GeoJSON är kopian för allt programmatiskt.

Vad demon inte berättar: två verkliga förbehåll

Ruttgenereringen är verklig, men den ärliga bilden av ChatGPT Work kommer från dess felmoder, och personen som testade det lyfte fram två av dem samma morgon.

1. Utförandet är ogenomskinligt. Agentens kod och dess exakta steg var inte synliga i ChatGPT-gränssnittet – endast den sammanfattande förklaringen ("Jag använde Nominatim… och beräknade sedan slingorna lokalt"). För en rutt är det okej; för allt som får konsekvenser är det en lucka i transparensen som du bör utgå från finns. Willison kallar det "en anti-funktion": du ser resultatet och modellens egen redogörelse för resultatet, inte koden som producerade det.

2. Kompaktering kan radera arbetet. När han bad om en kopia av Python-koden kunde agenten inte ta fram den – tråden hade kompakterats och kontexten före kompakteringen var borta. Varje lång agentsession som du förlitar dig på innebär denna risk: tråden sammanfattas, och artefakter eller kod som aldrig sparades till en fil går inte längre att få tillbaka. Om du behöver koden, be om den som en fil under körningen, inte efteråt.

Inget av dessa förbehåll undergräver spelboken – en rutt plus GPX-/GeoJSON-exporter är precis den typ av leverabel som överlever komprimering eftersom den skrevs till disk. Men de sätter förväntningar: ChatGPT Work är kraftfullt, inte transparent, och inte en varaktig dokumentation av allt det gjorde.

Varför detta är viktigare än en snygg demo

Under de löpande rutterna ligger en genuint ny förmåga som är värd att prissätta: en frontiermodell som tar en förfrågan på en rad, utför 27 minuters verkligt flerstegsarbete inom geokodning, nätverksfrågor och lokal beräkning, och lämnar tillbaka användbara filer. Det är vad "agentiskt arbete" innebär i praktiken, och det förändrar vad du bör förvänta dig av en modellförfrågan. Det förändrar också kostnadsaritmetiken — och det är här som routingvinkeln visar sitt värde.

I ChatGPT Work belastar den 27 minuter långa sessionen din prenumerations Codex-kvot, och på GPT-6 Astra brinner token snabbt. Samma modell finns per token via API:et: GPT-6 Astra listas till 10 USD per miljon indatatoken och 50 USD per miljon utdatatoken, med ett kontextfönster på cirka 1,05 miljoner token, och en long-context-nivå över 272 000 indatatoken till högre priser – leverantörens listpriser. För en agentloop som behåller hela sessionen i kontexten är det den long-context-nivån som kostnaden ligger på.

Det är precis den kostnad som ett routinglager finns till för att hantera. Ett API över 200+ modeller med leverantörens listpris vidarebefordrat med 0 % påslag innebär att en frontmodell för 10 och 50 dollar som GPT-6 Astra hamnar bredvid en GPT-5.6 Sol för 4 och 20 dollar på samma nyckel, och du kan växla mellan dem med en modellsträng — inget andra kontrakt, ingen kodändring, ingen integration per leverantör. Om du vill prototypa en ruttplaneringsagent eller annan långsiktig agent mot den nyaste modellen utan att satsa en produktionsväg på den, låter automatisk failover dig köra en del av trafiken på den medan en beprövad modell ligger kvar under. Och när en leverantör sänker ett pris innebär vidarebefordran att det nya priset är aktivt på vår sida samma dag — samma listpris, utan något påslagslager emellan.

Samma argument gäller för verktygsmönstret, inte bara modellen. OSM/Nominatim/Overpass-pipelinen som agenten använde är precis en sådan sak som en utvecklare kan vilja anropa deterministiskt — och om du bygger den själv skulle du leda modellagret genom en enda slutpunkt i stället för att hårdkoda en enda leverantör, så att modellen som planerar rutten kan bytas ut eller växlas över vid fel utan att pipelinen behöver skrivas om.

Spelboken, sammanfattad

Om du vill reproducera detta själv är formen:

• Använd ChatGPT Work (inte vanlig chatt), med GPT-6 Astra valt och hög resonemangsansträngning.

• Prompt med en riktig adress och målsträckorna: "Jag bor på <adress>. Hitta 5K- och 10K-löprundor från mig som startar och slutar vid mitt hus. Använd OSM-data."

• Räkna med att det tar tiotals minuter, inte sekunder – och räkna med att det sköter sig själv.

• Be om resultaten i filform allt eftersom: GPX för din klocka eller app, GeoJSON för allt programmatiskt, och visualiseringen som den renderar i chatten.

• Om du behöver koden den skrev, be att den sparas som en fil under körningen – komprimering kan radera den efteråt.

Det sista steget är det som alla hoppar över, och det som faktiskt biter. Modellen planerar gärna dina loopar hela dagen; den kanske bara inte minns koden som gjorde det när du väl frågar.

Samma nyckel når resten av katalogen, och du kan bläddra i hela modellkatalogen för att se vad mer som finns bakom en Open​AI-kompatibel endpoint.