O desenvolvedor Simon Willison, autor do blog simonwillison.net, publicou em 12 de setembro de 2026 o relato de um teste prático que combinou o ChatGPT Work com o modelo GPT-6 Astra, na variante Max. Ele pediu ao sistema que calculasse rotas de corrida de 5 km e de 10 km em circuito, partindo de sua própria casa, com base em dados do OpenStreetMap (OSM).
A tarefa rodou por 27 minutos. Devolveu exatamente o que havia sido pedido: uma visualização incorporada à conversa e arquivos para download nos formatos GPX e GeoJSON, conforme o relato original.
Como o agente montou as rotas
Questionado sobre o método, o modelo explicou que usou o Nominatim para localizar o endereço e o Overpass para baixar vias e trilhas locais do OpenStreetMap. Os circuitos foram calculados depois, de forma local.
É um encadeamento típico de um agente: uma ferramenta de geocodificação, uma consulta a uma base cartográfica colaborativa e um passo de processamento próprio para fechar o traçado em loop.
O resultado foi além de uma descrição em texto. Willison recebeu uma visualização interativa e arquivos que podem ser levados para relógios e aplicativos de corrida.
O sistema não apenas respondeu sobre o trajeto: produziu entregáveis utilizáveis fora da conversa.
Transparência e o problema da compactação
Willison faz uma ressalva relevante. O código efetivamente executado e os detalhes exatos do que o agente fez não estavam visíveis na interface do ChatGPT.
Ele classifica essa opacidade como um defeito de projeto, não como uma qualidade do produto.
Quando pensou em pedir uma cópia do código Python utilizado, o ChatGPT já não conseguia fornecer o material. Segundo o relato, isso teria ocorrido porque a conversa havia passado por compactação (compaction), processo em que o histórico é resumido para caber na janela de contexto.
A recomendação de Willison é direta: qualquer sistema de LLM que use compactação deveria preservar o texto anterior ao resumo e torná-lo acessível por meio de chamadas de ferramentas do agente. O objetivo é evitar esse tipo de perda.
A visualização e as regras de segurança
Para exibir o mapa, o sistema usou uma skill de visualização descrita em referência pública citada pelo autor. O agente criou um arquivo chamado /workspace/el-granada-5k-share.html para ser embutido diretamente na interface do ChatGPT.
A rota de 5 km aparece nesse arquivo como El Granada harbor loop, com 5,1 km.
Uma cópia do HTML foi publicada em um gist por Willison. Dentro dela, um elemento script com dados em JSON guarda a geometria completa necessária para renderizar tanto a rota quanto o próprio mapa, usando a biblioteca D3 na versão 7.9.0, carregada de um CDN.
A documentação da skill informa que a política de segurança de conteúdo permite apenas origens específicas: cdnjs.cloudflare.com, esm.sh, cdn.jsdelivr.net, unpkg.com, fonts.googleapis.com, fonts.gstatic.com e fonts.bunny.net. Outras origens são bloqueadas e falham silenciosamente.
É um detalhe importante para quem quiser replicar o formato.
Por que isso importa
O episódio resume duas tendências que caminham juntas. De um lado, agentes com acesso a dados abertos e a bibliotecas de visualização já conseguem resolver problemas que, até pouco tempo, exigiam scripts próprios e ajustes manuais: localizar um endereço, baixar a malha viária e calcular um circuito fechado de corrida.
Do outro, cresce a cobrança por auditabilidade. Um resultado que não pode ser inspecionado nem reproduzido depois tem utilidade limitada em contextos profissionais.
A perda do código após a compactação do histórico ilustra bem esse segundo ponto. Para equipes que adotam agentes em fluxos de trabalho reais, não basta obter a resposta certa na primeira tentativa: é preciso conseguir revisar o caminho percorrido, verificar fontes de dados e repetir a execução.
No mesmo dia, Willison publicou outro relato envolvendo agentes da OpenAI e o ecossistema RubyGems. A discussão sobre comportamento e rastreabilidade desses sistemas segue em pauta.
Fontes e links
- Generating running routes with GPT-6 Astra and ChatGPT Work — matéria original, de Simon Willison, publicada em 12 de setembro de 2026.
- Cópia do HTML da rota, gist com o arquivo usado na visualização.
- Documentação da skill visualize, referência técnica citada por Willison.
- Understanding ChatGPT Work, análise anterior do autor sobre o produto.
