Gerando rotas de corrida com o GPT-6 Astra: um teste prático que expõe um limite de transparência
O desenvolvedor e comentarista Simon Willison publicou um relato curto, mas revelador, sobre o uso do ChatGPT Work com o GPT-6 Astra (Max) para uma tarefa do mundo real: gerar rotas de corrida de 5K e 10K que começassem e terminassem na casa dele.
O pedido foi simples — “descubra rotas de corrida de 5K e 10K a partir do meu endereço, usando dados do OpenStreetMap”. O agente trabalhou por 27 minutos e entregou exatamente o que foi pedido: uma visualização incorporada, além de arquivos GPX e GeoJSON baixáveis. Questionado sobre o método, o sistema explicou ter usado o Nominatim para localizar o endereço e o Overpass para baixar as ruas e trilhas locais, calculando os loops localmente.
Por que isso importa
O relato é um bom retrato do estado atual dos agentes de IA: tarefas que exigiriam uma manhã de trabalho com ferramentas de GIS podem ser delegadas a um assistente e resolvidas em menos de meia hora, com resultados prontos para uso. Para profissionais e entusiastas brasileiros, isso ilustra o salto prático dos chamados agentes de longa duração — sistemas que planejam, executam e verificam etapas por conta própria.
O incômodo da opacidade
Mas o ponto central do post de Willison não é a conveniência — é a falta de transparência. Quando ele pediu uma cópia do código Python que o agente havia executado, o ChatGPT não conseguiu fornecê-lo. A causa provável, segundo ele, é a compactação: o histórico da conversa havia sido resumido internamente para caber na janela de contexto, e o texto original do código se perdeu nesse processo.
A crítica de Willison é direta: qualquer sistema de LLM que use compactação precisa preservar o texto pré-compactado e torná-lo acessível por meio de chamadas de ferramenta do agente. Sem isso, o usuário fica sem auditoria sobre o que a máquina realmente fez — um problema de confiança que só tende a crescer conforme agentes assumem tarefas mais sensíveis.
O relato também destaca o uso da skill de visualização do ChatGPT, que gerou um mapa interativo em HTML com a biblioteca D3 carregada de um CDN permitido — um exemplo de como esses agentes já compõem múltiplas ferramentas (busca, código, visualização) em um único fluxo.
O que isso antecipa
Experimentos como esse deixam claro o próximo grande campo de batalha dos assistentes de IA: não é mais apenas se o agente consegue executar, mas se ele consegue explicar o que fez. A combinação de autonomia com rastreabilidade é o que separará ferramentas confiáveis de caixas-pretas convenientes.
Descubra mais sobre noticiAI
Assine para receber nossas notícias mais recentes por e-mail.
