ChatGPT con GPT‑6 Astra genera rutas de running usando datos de OSM
Un agente LLM combinó Nominatim y Overpass para crear rutas 5 km y 10 km en menos de medio hora, pero el código subyacente quedó oculto tras la compactación del hilo.
El 12 de septiembre de 2026 Simon Willison probó una interacción entre ChatGPT Work y el modelo GPT‑6 Astra (Max) para obtener rutas de running que partieran de su domicilio. Indicó la dirección, pidió un bucle de 5 km y otro de 10 km usando datos de OpenStreetMap y, tras 27 minutos, recibió visualizaciones incrustadas y archivos GPX y GeoJSON listos para descargar.
El agente explicó que empleó Nominatim para geocodificar la dirección y Overpass para extraer carreteras y senderos locales. Con esa información calculó los bucles en el propio entorno de ejecución. Sin embargo, el código Python ejecutado nunca se mostró en la interfaz de ChatGPT. Cuando Willison solicitó el script, la respuesta fue negativa porque el hilo había sido compactado. Esta falta de transparencia se catalogó como una “anti‑feature” que, según el autor, cualquier sistema LLM que use compresión debería evitar preservando y exponiendo el texto pre‑compactado a través de llamadas a herramientas de agente.
Para la visualización, el agente utilizó la visualize skill, que generó un archivo HTML bajo /workspace/el-granada-5k-share.html. El archivo incluye un <script type="application/json"> con la geometría completa del recorrido y carga la biblioteca D3 desde un CDN permitido, conforme a la política CSP descrita en la documentación de la skill (visualize skill).
El caso pone de relieve dos puntos críticos para los equipos de desarrollo que integran agentes LLM en pipelines productivos: la necesidad de acceso al código generado y la gestión de recursos externos bajo políticas de seguridad estrictas. Sin visibilidad del script, validar la lógica, reproducirla o auditarla resulta complicado, lo que puede frenar la adopción en entornos donde la trazabilidad es obligatoria.
Simon también compartió un gist con el HTML completo, aunque el fragmento incluido en el artículo muestra solo la cabecera. Los interesados pueden revisar el resto del archivo en el repositorio público (gist de Simon).
En conclusión, la demostración confirma que los modelos LLM pueden orquestar flujos de datos geoespaciales y producir artefactos útiles como GPX, pero también revela una carencia importante en la exposición del código ejecutado. Los proveedores de agentes deberán ofrecer mecanismos claros para extraer y revisar ese código, especialmente cuando se use compresión de hilos, antes de que la solución sea viable para entornos de producción.
