Eksperyment Simona Willisona pokazuje praktyczne możliwości GPT-6 Astra w zadaniach wymagających integracji danych geograficznych i zaawansowanego planowania. Po przekazaniu swojego adresu i wytycznych dotyczących długości tras, model samodzielnie opracował pełne rozwiązanie: zlokalizował adres za pomocą Nominatim, pobierał dane o drogach i ścieżkach z OpenStreetMap poprzez API Overpass, a następnie obliczyć pętle spełniające kryteria dystansu. Rezultat zwrócił w dwóch formatach - interaktywnej wizualizacji HTML osadzonej w interfejsie oraz standardowych formatach GPX i GeoJSON przydatnych dla aplikacji GPS.
Jednak doświadczenie Willisona ujawnia znaczące ograniczenie obecnych systemów LLM z funkcją agenckiej autonomii. ChatGPT nie mogła dostarczyć kodu Pythona, który faktycznie wykonała, ponieważ wiadomości zostały skompresowane przez system. To powoduje niewidoczność procesów decyzyjnych i brak możliwości sprawdzenia dokładnie, jakie algorytmy użyto do obliczenia tras czy jakie parametry kontrolowały wynik. Willison słusznie postuluje, że każdy system LLM używający kompresji powinien zachowywać oryginalny tekst i udostępniać go poprzez narzędzia agenta, aby chronić użytkowników przed utratą bieżących informacji.
To przypadek pokazujący zarówno potencjał współczesnych modeli AI w rozwiązywaniu konkretnych, praktycznych problemów, jak i istotne braki w przejrzystości i kontrolowalności ich działania. GPT-6 Astra może być narzędziem do zaawansowanego planowania tras, geokodowania i wizualizacji, ale bez dostępu do wykonanego kodu i pełnego kontekstu decyzji trudno jest model w pełni zaufać lub go debugować.