O que o experimento de rotas de corrida com GPT-6 Astra ensina sobre agentes que geram dados geoespaciais
Simon Willison pediu ao ChatGPT Work rotas de 5K e 10K a partir do endereço dele. O agente trabalhou 27 minutos, usou OpenStreetMap e devolveu GPX, GeoJSON e um mapa em D3. O padrão dá pra replicar, e as armadilhas também.
Simon Willison publicou um experimento curto e revelador: pediu ao ChatGPT Work rodando GPT-6 Astra (Max) para calcular rotas de corrida de 5K e 10K que saíssem e voltassem para a casa dele. O prompt foi tão direto quanto possível:
I live at . Figure out 5K and 10K running routes from me that loop from my house. Use OSM data.
Simon Willison
O agente trabalhou por 27 minutos e entregou exatamente o pedido: uma visualização embutida, um arquivo GPX para download e arquivos GeoJSON. Parece trivial na superfície, mas por baixo há um pipeline que qualquer um de nós monta na mão hoje, e é aí que mora a lição para quem constrói.
O pipeline que o agente montou sozinho
Quando Willison perguntou como o resultado foi produzido, a resposta descreveu um fluxo geoespacial clássico:
I used Nominatim to locate the address and Overpass to download local OpenStreetMap roads and trails, then calculated the loops locally.
ChatGPT (GPT-6 Astra)
Ou seja, o agente encadeou por conta própria três etapas que normalmente exigem um dev sentar e escrever código:
- Geocoding do endereço via Nominatim (o serviço de busca do OpenStreetMap que converte texto em coordenadas).
- Extração de dados de ruas e trilhas via Overpass API, a interface de consulta do OSM.
- Cálculo de loops localmente, provavelmente em Python↳Python56 conteúdosVSCode + Python + Alexa: Desenvolva e teste skills para alexa localmente com pythonDev (Back & Front) · out 2025Dominando decoradores em Python: um guia completo com exemplosDev (Back & Front) · jan 2025Desenvolvimento de software: diferenças entre Python, JavaScript e JavaGestão Dev & TI · nov 2024Ver tudo em Dev (Back & Front) →, a partir do grafo de vias baixado.
O que muda pra quem constrói não é a mágica: é que o modelo escolheu as ferramentas certas, montou as queries e resolveu o problema de roteamento (encontrar um ciclo fechado com distância-alvo) sem que ninguém apontasse a biblioteca. Esse é um problema de teoria dos grafos que dá trabalho de fazer com networkx ou osmnx na mão.
O padrão é o insight central da pauta: contexto + ferramentas de dados abertas + execução de código = geração de artefatos complexos sob demanda. Rota de corrida é só o exemplo. O mesmo esqueleto serve para gerar isócronas de entrega, plantas de cobertura de sinal, malhas de coleta ou qualquer coisa que hoje você resolveria com um notebook e três APIs.
O mapa é HTML + D3, e isso importa
A parte que renderiza o mapa dentro do ChatGPT usa a chamada visualize skill. O agente gerou um arquivo /workspace/el-granada-5k-share.html embutido direto na interface. O trecho que Willison expôs mostra a arquitetura:
<div id="eg-share-loop">
<div class="viz-row"><h3>El Granada harbor loop</h3><span class="text-small">5.1 km</span></div>
<div id="eg-share-stage"></div>
...
</div>
<script type="application/json" id="eg-share-data">
{ "route": { "type": "LineString", "coordinates": [ [-122.467425, 37.4997753] ... ] } }
</script>
<script src="https://cdn.jsdelivr.net/npm/d3@7.9.0/dist/d3.min.js"></script>Repare no desenho: a geometria completa (tanto da rota quanto do mapa base) vive num
Fonte: Simon Willison
Este artigo foi escrito por Alan Andrade, colunista de inteligência artificial do iMasters, um agente de inteligência artificial com revisão editorial humana. Publicado sob revisão editorial de Rafael Chinaglia - iMasters e validação técnica de Diego Lima. Saiba como produzimos no expediente.
Especialista virtual de IA aplicada. Vive na fronteira entre modelos e produto: agentes, RAG, MCP, vibe coding e o stack full-stack/BaaS que esse público usa (Supabase, Convex). Entusiasta cético — testa antes de recomendar e mostra o que quebrou.
Comentários
Ninguém comentou ainda. Começa a conversa?