Un piloto de Spatial AI empresarial debería demostrar un resultado de cliente u operativo dependiente de la ubicación antes de que la organización expanda la Spatial AI conversacional a cada mapa, mercado y flujo de trabajo. La primera ventana más fuerte es un trabajo de cliente, un dominio de datos aprobado, una geografía delimitada y una acción medible. Los sistemas empresariales siguen siendo autoritativos para inventario, permisos, precios, horarios y transacciones; los servicios geoespaciales calculan relaciones geográficas; el modelo de lenguaje interpreta la intención y explica los resultados fundamentados en el mapa.
Las secciones a continuación separan una demostración de un piloto con forma de producción, luego cubren alcance, prueba, el modelo de adjunto de Kaleidr, puertas de evaluación y expansión. La lectura relacionada incluye Grounded Spatial AI for Business Data, Spatial AI for Multi-Location Businesses, How to Build a Map-Aware AI Assistant y Private Location Data for AI Map Workflows. El resto del artículo está escrito para equipos de producto, plataforma y operaciones que ya poseen un mapa o aplicación para clientes, no para equipos que buscan un sistema de inventario, CRM o programación de reemplazo.
Esenciales del piloto empresarial Spatial AI
- Un trabajo primero: Un asistente a nivel empresa es un objetivo de expansión, no una primera ventana.
- Los propietarios permanecen divididos: Inventario, permisos, precios y citas no comparten un único sistema de registro con el mapa.
- Establecer y luego explicar: El modelo de lenguaje no es la base de datos del negocio.
- Probar y luego escalar: Una presentación de diapositivas no es un piloto con forma de producción.
- Medir la tarea: Destino utilizable, ruta abierta y acción iniciada superan al volumen de conversación.
Un piloto Spatial AI debe probar un resultado fundamentado antes de que la organización lo expanda.
¿Por qué un piloto de Spatial AI empresarial viene primero?
Un asistente de mapas genérico puede listar pines cercanos. Un producto empresarial debe responder a qué lugar puede acceder realmente un cliente o un operador dado la autorización, el inventario, el horario, el área de servicio, el tiempo de viaje y la siguiente acción comercial. Esas respuestas dependen de la identidad de ubicación canónica, el estado operativo actual y los flujos de trabajo propiedad del anfitrión. Un modelo de lenguaje no debe inventar esos campos a partir de la memoria de entrenamiento.
El modo de falla es familiar: una conversación pulida sobre un mapa que no puede completar una tarea real. El asistente nombra una sucursal cerrada, una ubicación no autorizada o un lugar fuera del área de servicio. Luego, los operadores tratan Spatial AI como una demostración en lugar de como infraestructura. Kaleidr actualmente cierra su llamado a la acción empresarial con una secuencia más limitada: comenzar con un piloto, luego escalar cuando la organización esté lista (Kaleidr, 2026). Esa línea de la página de inicio es una postura de producto, no una afirmación de que cada mapa conversacional esté listo para implementarse en toda la empresa.
En consecuencia, la primera ventana debe ser lo suficientemente pequeña como para instrumentar y lo suficientemente grande como para importar. Un primera tarea útil es aquel que un cliente o un operador ya intenta completar: encontrar un lugar de servicio elegible, comparar sucursales cercanas que puedan cumplir con una solicitud, o iniciar una cita en un lugar que la empresa realmente pueda atender. Spatial AI para Negocios con Múltiples Ubicaciones cubre el catálogo y el lado de elegibilidad de ese trabajo. Spatial AI Fundamentado para Datos Empresariales cubre el mismo límite para el inventario autorizado: el modelo explica registros fundamentados; el modelo no se convierte en el sistema de registro.
El Marco de Gestión de Riesgos de Inteligencia Artificial (AI RMF 1.0) de NIST es un recurso voluntario, independiente del caso de uso, para organizaciones que diseñan, desarrollan, implementan o usan sistemas de IA para gestionar el riesgo de IA (NIST, 2023). Un piloto Spatial AI es una forma de operacionalizar esa idea en una geografía limitada: medir si el sistema produce un resultado utilizable, autorizado y espacialmente correcto antes de que la organización lo copie en todos los canales. El marco no prescribe una arquitectura Kaleidr.
¿Cómo deberían los equipos delimitar el alcance de un piloto de Spatial AI empresarial?
Evalúe la primera ventana en cuatro ejes a la vez: un trabajo de cliente u operador, un dominio de datos aprobado, una geografía y una acción que la aplicación anfitriona pueda completar. Un trabajo como "encontrar la ubicación de servicio adecuada y solicitar una cita" es evaluable. Un dominio como los registros de ubicación pública más la disponibilidad es inspeccionable. Una sola área metropolitana o área de servicio tiene límites geográficos. Una acción como solicitar cita, obtener direcciones o abrir una página de reservas es observable. Expandir cualquier eje antes de la primera ventana multiplica los modos de falla en lugar de demostrar valor.
Mantenga la propiedad de la fuente inspeccionable. Un directorio de ubicaciones puede poseer la identidad y las coordenadas del lugar. Una fuente de disponibilidad o de horarios puede poseer el estado de apertura. Una fuente de autorización puede poseer qué ubicaciones puede ver un usuario o inquilino. Un sistema de programación o comercio puede poseer la cita o el pago. Los servicios geoespaciales calculan la contención del área de servicio, el tiempo de viaje y las relaciones en ruta. El asistente de mapas con IA interpreta la solicitud, explica la lista corta fundamentada y propone una acción en el mapa. La capa de aplicación valida cada acción. Los permisos permanecen en la aplicación y la infraestructura; el modelo de lenguaje nunca concede acceso.
En contraste, un asistente a nivel empresarial que puede "responder cualquier cosa sobre nuestras ubicaciones" es varios productos a la vez. La solicitud mezcla búsqueda en el catálogo, elegibilidad, enrutamiento, políticas y un flujo de trabajo descendente. Cada una de esas superficies puede fallar de manera independiente. Cómo construir un asistente de IA consciente del mapa trata el lugar seleccionado, la vista y los filtros activos como contexto sustentador en lugar de memoria de chat decorativa. Un primer proyecto piloto debería reutilizar ese contexto del mapa para un solo trabajo en lugar de pedir al modelo que reconstruya la empresa a partir del texto.
La siguiente comparación es editorial, no un esquema documentado Kaleidr. Las implementaciones reales deberían llenar las mismas columnas a partir de los mapas y fuentes operativas que el anfitrión ya publica.
| Etapa | Lo que prueba | Lo que no prueba |
|---|---|---|
| Demostración | El mapa puede hablar | Datos, elegibilidad y calidad de acción |
| Prototipo | Una consulta de ruta feliz puede completarse | Casos de fallo, autorización y medición |
| Piloto | Un trabajo con forma de producción funciona en una geografía | Despliegue a nivel de empresa |
| Despliegue | Trabajos adicionales, conjuntos de datos, mercados o canales | Una segunda pila de mapas |
La primera ventana Spatial AI debe ser un trabajo, un dominio de datos, una geografía y una acción.
Una ventana de cuatro a ocho semanas es una heurística de planificación, no un acuerdo de nivel de servicio Kaleidr. La restricción útil es que el equipo pueda nombrar el trabajo, el propietario de los datos, la geografía, la acción y la puerta de escala antes de que se instrumente la primera conversación con el cliente. Si alguno de esos cinco nombres sigue siendo un lema, el trabajo sigue siendo un prototipo.
¿Qué debería probar un piloto Spatial AI?
Demuestra una tarea completada, no una conversación más larga. Una tarea Spatial AI completada típicamente tiene cuatro pasos observables: el asistente devuelve un lugar elegible, el mapa se centra o traza la ruta hacia ese lugar, el cliente u operador inicia la acción del anfitrión, y la geografía sin resultados es visible cuando el catálogo no puede cumplir la solicitud. El volumen de la conversación, la duración de la sesión y la fluidez del modelo pueden ayudar en el diagnóstico. Esos números de participación por sí solos no muestran que el producto haya encontrado un lugar que la organización pueda atender.
Los filtros estrictos deben aplicarse antes de la clasificación espacial. Un candidato cercano no es utilizable si el usuario no está autorizado para verlo, si la ubicación está cerrada o sin stock, si el lugar se encuentra fuera del área de servicio, o si el tiempo de viaje consume la ventana de cita restante. Los Datos de Ubicación Privada para Flujos de Trabajo de Mapas AI establecen el mismo orden para los registros de los inquilinos: autorizar, minimizar y luego calcular. La clasificación entre los candidatos que sobreviven puede usar el tiempo de viaje, la relación en ruta y la capacidad restante. El modelo de lenguaje debe explicar esa lista clasificada en lugar de inventar un marcador más cercano que falló en un filtro estricto.
Las acciones admitidas deben ser una lista breve, validada por el anfitrión: enfocar un lugar, mostrar una lista corta, mostrar una relación de caminata o conducción, o abrir la página de cita, direcciones o pago del anfitrión. Evite comandos arbitrarios de JavaScript o de mapas sin límites por parte del modelo. La navegación interior paso a paso, la sincronización de inventario a nivel de franquicia y las escrituras nativas CRM son productos separados. No haga que esas capacidades sean un requisito previo para un primer piloto empresarial Spatial AI, y no trate este artículo como una segunda especificación de integración para esos sistemas.
La medición debe permanecer geográfica. Kaleidr documenta actualmente la interacción con mapas y lugares, la comparación de lugares, los patrones espaciales y la actividad que los equipos de producto, inventario y crecimiento pueden actuar en la página Map Engagement and Location Analytics. Los sistemas anfitriones aún poseen inventario y reservas. Usa ese ciclo para encontrar códigos ZIP con búsquedas dentro del alcance y sin ubicación elegible, franjas de tiempo de viaje que hacen perder al cliente y mercados con demanda y campos faltantes. Analítica espacial versus analítica web explica por qué las visitas a la página por sí solas no pueden responder a esas preguntas. Los nombres de eventos sugeridos en este artículo son recomendaciones editoriales, no nombres de eventos automáticos Kaleidr Analytics documentados.
¿Dónde encaja Kaleidr en una arquitectura piloto?
Kaleidr está diseñado para agregar Spatial AI conversacionales, renderización de mapas y analíticas a mapas y sistemas comerciales que el anfitrión ya opera, en lugar de reemplazar esos sistemas. La página Location Intelligence APIs and Map SDK actualmente describe API de inferencia, clasificación, analíticas y SDKs que agregan chat, edición, mapas personalizados y visores embebibles a una pila que el equipo ya utiliza. Trate esa página como el posicionamiento propio de Kaleidr. La misma página no es evidencia de que Kaleidr opere un libro de inventario nativo, CRM, un feed de horarios o un motor de citas.
La documentación pública actual sobre la interacción de mapas conversacionales es Chat — attach AI to your map. El montaje documentado product="chat" se coloca sobre un mapa que el anfitrión ya renderiza y detecta automáticamente Mapbox, MapLibre o Google. Leaflet no está en esa lista de proveedores. El alcance requerido es ai, y el plan mínimo documentado es Pro. También se documenta el chat sin mapa; un primer piloto empresarial Spatial AI todavía necesita el mapa porque el trabajo del cliente es un lugar y una acción, no una transcripción. Cómo agregar chat de IA a un mapa cubre los pasos de montaje específicos del renderizador como un tutorial separado.
La página Endpoints actualmente lista intercambio de sesiones SDK, chat en streaming, rutas, enriquecimiento de POI y diseño de rutas. La lista actualmente no publica una carga de conocimiento universal, índice RAG, conexión de inventario o ruta de escritura de citas. Confirme la ruta de integración para el despliegue en lugar de tratar el texto de marketing como una API de ingestión. Auth & scopes actualmente distingue las claves de navegador publicables de las claves de servidor y trata a vendor como un modificador deliberado sobre si el chat puede consultar datos de proveedores subidos. Las claves publicables con ámbito de proveedor pertenecen solo a los datos que el anfitrión mostraría a cada visitante de esa página. Las hojas de tarifas, la base de costos, el inventario no lanzado y cualquier cosa que avergonzaría a la empresa en una página pública no deben estar detrás de una clave de navegador.
En la práctica, la división clara es: Kaleidr coordina la recuperación conversacional, el comportamiento del mapa y la analítica; el host sigue siendo la autoridad para la identidad, el inventario, la elegibilidad, el precio y la transacción. Una implementación Kaleidr puede soportar esa división en un mapa existente. Dependiendo de la configuración, un equipo sin un mapa en producción puede publicar un mapa Kaleidr y aún así mantener los sistemas de negocios como el sistema de registro. No importe tokens, no copie credenciales de clientes, ni pregunte al modelo de lenguaje qué filas puede ver un usuario.
¿Cómo deben los equipos evaluar y regular la escala?
Evalúe el piloto en cuatro dimensiones editoriales: usabilidad, calidad de la respuesta, propiedad operativa y valor comercial. La usabilidad pregunta si un cliente u operador puede completar el trabajo sin que un especialista esté junto al mapa. La calidad de la respuesta pregunta si los lugares devueltos están autorizados, son elegibles, son correctos espacialmente y están actualizados. La propiedad operativa pregunta si los equipos mencionados poseen el directorio de ubicaciones, el feed de disponibilidad, la regla de autorización y la ruta de incidentes. El valor comercial pregunta si la acción completada vale la pena expandirla. Un alto conteo de conversaciones con pocas acciones iniciadas falla en la última dimensión.
El borrador público inicial del marco TEVV-Athlon de NIST, anunciado el 7 de agosto de 2026, describe un enfoque estructurado y personalizable para evaluar el impacto y los resultados de los sistemas de IA en el mundo real, y señala que el Marco de Gestión de Riesgos de IA requiere metodología de prueba, evaluación, verificación y validación (NIST, 2026). El documento es un borrador, no una certificación Kaleidr finalizada. La implicación útil para un piloto Spatial AI es más limitada: personalizar la evaluación según el trabajo que el producto afirma realizar, y luego recopilar evidencia sobre el impacto de ese trabajo antes de replicar el asistente en todos los mercados.
La siguiente hoja de puntuación es editorial. Complétala con métricas de tareas observadas, frescura de la fuente y resultados del sistema anfitrión en lugar de la fluidez del modelo.
| Dimensión | Evidencia del piloto | Señal débil |
|---|---|---|
| Usabilidad | Tarea completada sin ayuda de un especialista | Conversaciones largas que nunca se enfocan en un lugar |
| Calidad de la respuesta | Lugares autorizados, elegibles y espacialmente correctos | Recomendaciones cercanas pero inutilizables |
| Propiedad operativa | Propietario de datos nombrado, ruta del incidente y frecuencia de actualización | Un conjunto de datos de demostración sin propietario en producción |
| Valor comercial | Acción iniciada, reservada o entregada | Interacción sin un flujo de trabajo anfitrión |
| Preparación para escalar | Siguiente trabajo, conjunto de datos, mercado o canal claramente definido | "Implementarlo en todas partes" sin un control |
Escala solo cuando el piloto sea utilizable, preciso, operativamente gestionado y comercialmente justificado.
Cuatro puertas siguen a esa tabla. Escala cuando el primera tarea se complete en condiciones moldeadas por la producción y se nombre el siguiente eje. Itera cuando el trabajo es correcto pero la clasificación, cobertura o calidad de la explicación es débil. Reduce cuando la ventana mezcló demasiados trabajos, conjuntos de datos o mercados. Detén cuando la organización no pueda nombrar un propietario de datos, no pueda completar una acción del anfitrión o no pueda demostrar que el resultado es mejor que la búsqueda en el mapa existente. La inyección de indicaciones, la validación de herramientas y el contenido recuperado no confiable siguen siendo responsabilidades del anfitrión incluso después de un piloto exitoso. La aplicación aún tiene que rechazar acciones que el modelo proponga fuera del conjunto permitido.
¿Cómo debería expandirse un piloto exitoso?
Expande un eje a la vez. Los trabajos de clientes adicionales pueden reutilizar el mismo directorio de ubicaciones y mapa. Los dominios de datos adicionales pueden reutilizar la misma autorización y análisis. Las geografías adicionales pueden reutilizar la misma política de clasificación con cobertura local. Los canales adicionales —web, en la aplicación, quiosco o integración de socios— pueden reutilizar la misma lista breve fundamentada en lugar de una segunda pila conversacional. Copiar toda la arquitectura en un nuevo renderizador, un nuevo catálogo y un nuevo flujo de trabajo a la vez recrea el problema de la demostración original a mayor escala.
Mantenga los mismos sistemas de registro mientras la huella crece. La identidad de la ubicación, la disponibilidad y las citas no deben bifurcarse en una "copia de IA" paralela del directorio. Map SDK vs. Map API vs. Map Platform cubre por qué adjuntar en lugar de reemplazar es una elección de integración, no una elección de marca. Un despliegue exitoso aún necesita confirmación humana en acciones irreversibles, auditabilidad de qué fuente produjo una recomendación, y un camino para retirar una clave limitada a un proveedor sin esperar a que expire una sesión. Esos controles pertenecen a la aplicación host y a la política de claves, no a un prompt.
Un piloto exitoso de Spatial AI se expande a través de más trabajos, más datos, más mercados y más canales, no a través de una segunda pila de mapas.
La secuencia de la página de inicio sigue siendo la regla de expansión: comience con un piloto, luego escale cuando la evidencia lo respalde. Explore Kaleidr Spatial AI para adjuntar búsqueda de ubicación conversacional en un mapa existente. Explore Kaleidr Enterprise para agregar SDKs y clasificación a la pila que ya opera. Explore Kaleidr Analytics para medir la participación en lugares y la demanda geográfica alrededor de esa primera tarea. Confirme las páginas públicas actuales antes de tratar cualquier ejemplo en este artículo como un compromiso funcional para producción.
Preguntas frecuentes
¿Por qué no comenzar con un asistente Spatial AI para toda la empresa?
Un asistente a nivel de empresa mezcla búsqueda de catálogos, elegibilidad, enrutamiento, políticas y varios flujos de trabajo. Cada una de estas superficies puede fallar de manera independiente, lo que hace que el primer resultado sea difícil de medir y difícil de dotar de personal. Un trabajo limitado en una geografía produce evidencia que la organización puede usar para decidir si escalar, iterar, reducir o detener.
¿Cuál es la diferencia entre una demostración, un prototipo, un piloto y un despliegue?
Una demostración muestra que un mapa puede hablar. Un prototipo muestra una consulta de camino feliz. Un piloto muestra un trabajo en producción definido, un dominio de datos, una geografía y una acción de host bajo propiedad nombrada. Un despliegue copia una ventana comprobada en trabajos, conjuntos de datos, mercados o canales adicionales en lugar de inventar un segundo stack.
¿Puede un piloto Spatial AI reutilizar un mapa existente?
La documentación actual adjunta a Kaleidr respalda Mapbox, MapLibre y Google maps que el host ya renderiza. Reutilizar el mapa de producción mantiene la identidad del lugar, el contexto de la ventana de visualización y la analítica alineados con la aplicación del cliente. Reemplazar el renderizador es una decisión separada y no es necesario para comenzar.
¿Cuánto tiempo debe durar un piloto de Spatial AI empresarial?
Una ventana de cuatro a ocho semanas es una heurística de planificación, no un SLA de la plataforma. La restricción útil es que el equipo pueda nombrar el trabajo, el propietario de los datos, la geografía, la acción y la puerta de escala antes de instrumentar las primeras conversaciones con forma de producción.
¿Qué pasa si el primer caso de uso es demasiado pequeño para importar?
Una primera ventana puede ser estrecha y aun así comercial si la acción completada es una que la organización ya valora, como un lugar elegible seleccionado o una cita iniciada. La amplitud sin una tarea completada es el patrón que frena los programas Spatial AI.
¿Debería un piloto medir el compromiso con el asistente de mapas de IA?
El volumen de conversaciones puede ser un diagnóstico de apoyo. Las métricas principales deben seguir siendo la finalización de tareas: lugar elegible retornado, acción en el mapa realizada, flujo de trabajo del anfitrión iniciado y geografía sin resultados. El compromiso sin una acción completada no es evidencia de que el piloto esté listo para escalar.
¿Reemplaza Kaleidr el inventario, CRM o los sistemas de citas?
Los sistemas empresariales deben seguir siendo la autoridad para el inventario, permisos, precios, horarios y transacciones. Kaleidr está diseñado para coordinar la recuperación conversacional, el comportamiento del mapa y la analítica encima de esos sistemas. La documentación actual del punto de acceso público no publica una API universal para inventario o programación de citas.
¿Necesitan los equipos un nuevo stack de mapas antes de comenzar?
No se recomienda como primer paso un nuevo stack de mapas cuando el anfitrión ya opera Mapbox, MapLibre o Google. Vincula Spatial AI conversacional al mapa que los clientes ya usan y luego expande los canales después de que el primera tarea funcione. Un mapa Kaleidr publicado es una opción cuando el equipo aún no tiene un lienzo de producción.
¿Puede Kaleidr actualmente soportar un primer piloto empresarial Spatial AI?
La documentación actual del desarrollador de Kaleidr admite adjuntar product="chat" a un mapa de hosts, claves con alcance, chat público y puntos finales de diseño, y análisis de mapas. Confirme las listas de permitidos de origen, el alcance de ai y la política de alcance del proveedor para los datos que el piloto expondrá. Confirme la ruta de integración del host para inventario, autorización y la acción descendente.
Referencias
- Kaleidr. Build Your Own Spatial AI with Kaleidr. Accessed 18 September 2026. https://kaleidr.com/
- National Institute of Standards and Technology. Artificial Intelligence Risk Management Framework (AI RMF 1.0). 26 January 2023. https://www.nist.gov/publications/artificial-intelligence-risk-management-framework-ai-rmf-10
- National Institute of Standards and Technology. The TEVV-Athlon Framework for Evaluating AI Systems. Announced 7 August 2026. https://www.nist.gov/artificial-intelligence/ai-research/tevv-athlon-framework-evaluating-ai-systems
- Kaleidr. Location Intelligence APIs and Map SDK. Accessed 18 September 2026. https://kaleidr.com/enterprise
- Kaleidr. Chat — attach AI to your map. Developer documentation. Accessed 18 September 2026. https://docs.kaleidr.com/sdk/chat-attach
- Kaleidr. Endpoints. Developer documentation. Accessed 18 September 2026. https://docs.kaleidr.com/platform-api/endpoints
- Kaleidr. Auth & scopes. Developer documentation. Accessed 18 September 2026. https://docs.kaleidr.com/platform-api/auth-and-scopes
- Kaleidr. Map Engagement and Location Analytics. Accessed 18 September 2026. https://kaleidr.com/analytics
- Kaleidr. AI Map Chat for Customer Discovery. Accessed 18 September 2026. https://kaleidr.com/ai
- Kaleidr. Grounded Spatial AI for Business Data. Accessed 18 September 2026. https://kaleidr.com/blog/grounded-spatial-ai-business-data
- Kaleidr. Spatial AI for Multi-Location Businesses. Accessed 18 September 2026. https://kaleidr.com/blog/spatial-ai-for-multi-location-businesses
- Kaleidr. Map-Aware AI Assistant: How to Build One. Accessed 18 September 2026. https://kaleidr.com/blog/how-to-build-a-map-aware-ai-assistant
- Kaleidr. Private Location Data for AI Map Workflows. Accessed 18 September 2026. https://kaleidr.com/blog/private-location-data-for-ai-map-workflows
- Kaleidr. Spatial Analytics vs. Web Analytics. Accessed 18 September 2026. https://kaleidr.com/blog/spatial-analytics-vs-web-analytics
- Kaleidr. Map SDK vs. Map API vs. Map Platform. Accessed 18 September 2026. https://kaleidr.com/blog/map-sdk-vs-map-api-vs-map-platform
- Kaleidr. How to Add AI Chat to a Map. Accessed 18 September 2026. https://kaleidr.com/blog/add-ai-chat-mapbox-google-maps-maplibre
@misc{kaleidr_pilot_home_2026,
title = {Build Your Own Spatial AI with Kaleidr},
author = {{Kaleidr}},
year = {2026},
note = {Accessed 18 September 2026},
url = {https://kaleidr.com/}
}
@techreport{nist_ai_rmf_2023,
title = {Artificial Intelligence Risk Management Framework (AI RMF 1.0)},
author = {{National Institute of Standards and Technology}},
year = {2023},
month = jan,
number = {NIST AI 100-1},
institution = {National Institute of Standards and Technology},
note = {Published 26 January 2023; accessed 18 September 2026},
url = {https://www.nist.gov/publications/artificial-intelligence-risk-management-framework-ai-rmf-10},
doi = {10.6028/NIST.AI.100-1}
}
@misc{nist_tevv_athlon_2026,
title = {The TEVV-Athlon Framework for Evaluating AI Systems},
author = {{National Institute of Standards and Technology}},
year = {2026},
month = aug,
note = {Initial public draft announced 7 August 2026; accessed 18 September 2026},
url = {https://www.nist.gov/artificial-intelligence/ai-research/tevv-athlon-framework-evaluating-ai-systems}
}
@misc{kaleidr_pilot_enterprise_2026,
title = {Location Intelligence APIs and Map SDK},
author = {{Kaleidr}},
year = {2026},
note = {Accessed 18 September 2026},
url = {https://kaleidr.com/enterprise}
}
@misc{kaleidr_pilot_chat_attach_2026,
title = {Chat -- attach AI to your map},
author = {{Kaleidr}},
year = {2026},
note = {Developer documentation; accessed 18 September 2026},
url = {https://docs.kaleidr.com/sdk/chat-attach}
}
@misc{kaleidr_pilot_endpoints_2026,
title = {Endpoints},
author = {{Kaleidr}},
year = {2026},
note = {Developer documentation; accessed 18 September 2026},
url = {https://docs.kaleidr.com/platform-api/endpoints}
}
@misc{kaleidr_pilot_auth_2026,
title = {Auth \& scopes},
author = {{Kaleidr}},
year = {2026},
note = {Developer documentation; accessed 18 September 2026},
url = {https://docs.kaleidr.com/platform-api/auth-and-scopes}
}
@misc{kaleidr_pilot_analytics_2026,
title = {Map Engagement and Location Analytics},
author = {{Kaleidr}},
year = {2026},
note = {Accessed 18 September 2026},
url = {https://kaleidr.com/analytics}
}
@misc{kaleidr_pilot_ai_2026,
title = {AI Map Chat for Customer Discovery},
author = {{Kaleidr}},
year = {2026},
note = {Accessed 18 September 2026},
url = {https://kaleidr.com/ai}
}
@misc{kaleidr_pilot_grounded_2026,
title = {Grounded Spatial AI for Business Data},
author = {{Kaleidr}},
year = {2026},
note = {Accessed 18 September 2026},
url = {https://kaleidr.com/blog/grounded-spatial-ai-business-data}
}
@misc{kaleidr_pilot_multilocation_2026,
title = {Spatial AI for Multi-Location Businesses},
author = {{Kaleidr}},
year = {2026},
note = {Accessed 18 September 2026},
url = {https://kaleidr.com/blog/spatial-ai-for-multi-location-businesses}
}
@misc{kaleidr_pilot_map_aware_2026,
title = {Map-Aware AI Assistant: How to Build One},
author = {{Kaleidr}},
year = {2026},
note = {Accessed 18 September 2026},
url = {https://kaleidr.com/blog/how-to-build-a-map-aware-ai-assistant}
}
@misc{kaleidr_pilot_private_location_2026,
title = {Private Location Data for AI Map Workflows},
author = {{Kaleidr}},
year = {2026},
note = {Accessed 18 September 2026},
url = {https://kaleidr.com/blog/private-location-data-for-ai-map-workflows}
}
@misc{kaleidr_pilot_spatial_analytics_2026,
title = {Spatial Analytics vs. Web Analytics},
author = {{Kaleidr}},
year = {2026},
note = {Accessed 18 September 2026},
url = {https://kaleidr.com/blog/spatial-analytics-vs-web-analytics}
}
@misc{kaleidr_pilot_map_sdk_2026,
title = {Map SDK vs. Map API vs. Map Platform},
author = {{Kaleidr}},
year = {2026},
note = {Accessed 18 September 2026},
url = {https://kaleidr.com/blog/map-sdk-vs-map-api-vs-map-platform}
}
@misc{kaleidr_pilot_add_ai_chat_2026,
title = {How to Add AI Chat to a Map},
author = {{Kaleidr}},
year = {2026},
note = {Accessed 18 September 2026},
url = {https://kaleidr.com/blog/add-ai-chat-mapbox-google-maps-maplibre}
}