Entwickler Simon Willison dokumentierte am 12. September 2026 eine Aufgabe mit GPT-6 Astra (Max), bei der das Modell aus einer Wohnadresse Laufrunden über 5 und 10 km erstellte. Die Aufgabe lief 27 Minuten lang in ChatGPT Work und lieferte eine eingebettete Karte sowie GPX- und GeoJSON-Dateien zum Herunterladen.
Willisons Bericht beschreibt einen mehrstufigen Geodaten-Workflow, nicht bloß eine im Dialog formulierte Routenempfehlung. GPT-6 Astra bestimmte die Position der Adresse mit Nominatim, rief über Overpass nahe gelegene Straßen und Wege aus OpenStreetMap ab und berechnete die Rundstrecken lokal. Eine der angezeigten Routen war 5,1 km lang und lag damit nahe an den gewünschten 5 km.
Der Ablauf ist relevant, weil jeder Schritt normalerweise ein eigenes GIS-Werkzeug oder eine separate Integration erfordert. Geocodierung wandelt eine Adresse in Koordinaten um. Overpass ruft die passenden OpenStreetMap-Elemente ab. Eine lokale Berechnung formt daraus Rundstrecken mit vorgegebener Distanz. Visualisierung und Dateiexport machen das Ergebnis anschließend für Menschen und andere Anwendungen nutzbar.
Das System arbeitete wie eine kompakte GIS-Werkbank, die über eine einzige Aufgabenbeschreibung gesteuert wurde. Der praktische Nutzen lag in der Koordination von Datenabruf, Berechnung und Darstellung, nicht in plausibel klingenden Wegbeschreibungen.
Die Visualisierung war eigenständig genug, um direkt in die ChatGPT-Oberfläche eingebettet zu werden. Ihr HTML enthielt die vollständige Routen- und Kartengeometrie in einem JSON-Element. Für die Darstellung nutzte es D3 in Version 7.9.0 aus einem zugelassenen Content Delivery Network. Die Ausgabe nannte außerdem die Mitwirkenden von OpenStreetMap.
Der vorliegende Bericht enthält weder Angaben zur Parameterzahl noch zur Modellarchitektur, zum Training oder zur Größe des Kontextfensters. Auch Informationen zu Lizenz, API-Verfügbarkeit und Preisen fehlen. Der einzige demonstrierte Zugang ist GPT-6 Astra (Max) innerhalb von ChatGPT Work. Damit bleibt offen, ob Entwickler dasselbe Modell oder dieselben Werkzeuge über eine API aufrufen können.
Ebenso fehlen Benchmark-Ergebnisse und kontrollierte Vergleiche mit einem früheren Modell. Dokumentiert ist eine einzelne abgeschlossene Aufgabe, kein Nachweis für einen neuen Spitzenwert beim räumlichen Schlussfolgern. Die Qualität der Routen wurde nicht mit spezialisierten Lauf-Apps verglichen. Tests zu Höhenprofil, Straßenquerungen, Untergrund oder Zugänglichkeit für Fußgänger sind ebenfalls nicht angegeben.
Diese Lücken begrenzen die Aussagekraft des Ergebnisses. Die Demonstration zeigt, dass das Modell den beschriebenen Ablauf abgeschlossen hat. Sie belegt aber nicht, dass die erzeugten Routen sicher, legal oder für einen bestimmten Läufer geeignet sind. Die geometrische Distanz allein reicht als Prüfung nicht aus.
Besonders relevant ist der Workflow für Entwickler, die standortbasierte Werkzeuge prototypisch bauen wollen, ohne zunächst jede Geodaten-Komponente von Hand zu verbinden. Mögliche Anwendungen sind Experimente mit Laufrouten, die Suche nach Wegen in der Umgebung und andere Dienste, die Geometrien in portablen Formaten benötigen. GPX ermöglicht die Übertragung in kompatible Navigations- und Fitnesswerkzeuge. GeoJSON stellt strukturierte geografische Daten für die weitere Verarbeitung bereit.
Ein produktiv eingesetzter Dienst bräuchte weiterhin ausdrückliche Prüfungen auf Einschränkungen für Fußgänger, Straßenquerungen, Gelände und aktuelle Bedingungen. Vor der Übernahme einer von einem Agenten erzeugten Rundstrecke in ein Verbraucherprodukt müsste das vollständige Ergebnis geprüft werden, nicht nur die fertige Karte. Dazu gehören die Gültigkeit der Route, die Genauigkeit der Distanz und die Nutzbarkeit der exportierten Dateien.
