La IA espacial para comodidades en el lugar de trabajo conecta la solicitud en lenguaje natural de un empleado con los espacios de oficina autorizados, los servicios internos y los lugares cercanos aprobados, para que el producto pueda recomendar una opción que se ajuste al acceso, la disponibilidad y la próxima tarea. El modelo de lenguaje interpreta intenciones compuestas, como una sala tranquila cerca de la próxima reunión. Los sistemas del lugar de trabajo siguen siendo la autoridad para las reservas, tarjetas de acceso y estado operativo. Los servicios geoespaciales calculan distancias a pie y relaciones dentro del campus, y la IA espacial luego explica la lista de opciones fundamentadas en el mapa.
Las secciones a continuación separan las comodidades internas de los lugares públicos cercanos, luego cubren identidad, elegibilidad, contexto laboral, privacidad, el mapeo público de Kaleidr, evaluación y un piloto pequeño. Lecturas relacionadas incluyen Local Amenities: How to Map Nearby Places, Grounded Spatial AI for Business Data, Spatial AI for Multi-Location Businesses y Private Location Data for AI Map Workflows. El resto del artículo está escrito para equipos que ya poseen una aplicación para el lugar de trabajo y necesitan una capa espacial alrededor de ella, no para equipos que buscan un reemplazo para su plataforma de instalaciones.
Esenciales de comodidades en el lugar de trabajo
- Primero la tarea: Comienza desde el trabajo del empleado, no desde un mapa decorativo de la oficina.
- Propietarios siguen separados: Las salas internas y los cafés cercanos no comparten un sistema de registro.
- Autoriza antes de recuperar: El modelo no es la credencial ni el motor de reservas.
- Usable gana sobre cercano: Espacios cerrados, completos o fuera de camino se descartan primero.
- Mide la tarea: La selección válida, la entrega y la geografía sin resultados superan la longitud del chat por sí sola.
Workplace Spatial AI se vuelve útil cuando conecta la intención del empleado con espacios autorizados, disponibles y la geografía del día laboral.
¿Por qué Spatial AI para servicios del lugar de trabajo es un problema de arquitectura laboral?
Un asistente genérico de búsqueda local puede listar restaurantes o parques alrededor de un punto. Un producto de trabajo tiene que responder a cuál sala de concentración puede entrar el empleado, qué sala común de inquilinos está abierta después de las seis, qué café aún sirve antes de la próxima reunión, o a qué edificio del campus puede llegar un visitante sin credencial. Esas respuestas dependen de la política de acceso, el estado de reservas, los horarios de servicio, el piso o la identidad del edificio, y el próximo compromiso del empleado. Un modelo de lenguaje no debería inventar esos campos a partir de la memoria de entrenamiento.
El análisis de Cushman & Wakefield sobre grandes contratos de alquiler de oficinas en 2022 considera la demanda de comodidades como parte de un patrón más amplio de búsqueda de calidad: la conveniencia de acceso, incluyendo estacionamiento y transporte cercano, comida en el lugar o cercana, y características de bienestar aparecen entre los atributos comunes de los edificios (Cushman & Wakefield, 2026). El mismo informe indica que añadir comodidades por sí solo no significa que se hayan resuelto los problemas de participación y asistencia de los ocupantes. Por lo tanto, la oportunidad del producto no es un catálogo de beneficios basado en IA. La ubicación, el estado del lugar de trabajo y la intención de los empleados aún deben reducir la fricción dentro y alrededor del lugar de trabajo sin reemplazar los sistemas que ya manejan el acceso y las reservas.
¿Qué cuenta como una comodidad en el lugar de trabajo?
Un servicio en el lugar de trabajo puede ser interno o externo, y los empleados no piensan en esos límites de base de datos. Ejemplos internos incluyen salas de reuniones, salas de concentración, cabinas telefónicas, cafeterías, cocinas, gimnasios, salas de bienestar, casilleros, duchas, guardabicicletas, estacionamiento, recepción, servicios de correo, soporte de TI, espacios de colaboración, terrazas y salones para inquilinos. Ejemplos externos cercanos incluyen restaurantes, cafeterías, farmacias, estaciones de transporte, estacionamientos, supermercados, gimnasios, parques y otros servicios alrededor de la oficina. Guarderías u otras categorías sensibles deben aparecer solo cuando el usuario las solicite y el anfitrión haya aprobado la fuente.
La tarea compuesta es lo importante. Un empleado que tiene cuarenta y cinco minutos antes de una reunión está buscando un espacio usable o una comida que todavía le permita volver a tiempo, no un directorio completo. Una lista estática de servicios responde a qué existe. La IA espacial para servicios en el lugar de trabajo responde a qué opción autorizada y actualmente disponible se ajusta a la tarea, al origen y al siguiente destino.
¿Por qué los servicios internos y los lugares cercanos deben mantenerse separados?
No combines todos los servicios en una sola base de datos genérica de lugares. El sistema del lugar de trabajo controla la identidad interna, el estado de operación, la política de acceso, la capacidad, el estado de reservas y los detalles de servicios internos. Una fuente de lugares aprobada controla los negocios externos cercanos, direcciones públicas, categorías e información pública de operación cuando esté disponible. Un servicio de rutas o caminata controla la ruta, la distancia y las estimaciones de tiempo de viaje. La aplicación anfitriona del lugar de trabajo controla la identidad de los empleados, la asignación de oficinas, los permisos de visitantes y las solicitudes de servicio. La capa de IA controla la interpretación de intenciones, aclaraciones, explicaciones y acciones de mapas o flujos de trabajo compatibles.
El modelo de división del propietario es de confianza. Un feed de horas de un café no puede autorizar una sala de enfoque bloqueada, y un registro de reserva de sala no puede sustituir a un restaurante público. Mantén a los propietarios inspeccionables para que una recomendación incorrecta pueda rastrearse hasta el sistema que produjo el dato.
La capa de IA coordina el contexto del lugar de trabajo y del vecindario; no reemplaza los sistemas de reservas, acceso o instalaciones.
¿Cómo debería arquitecturarse la IA espacial del lugar de trabajo?
Una secuencia de producción puede ejecutarse como solicitud del empleado, identidad y contexto laboral, servicios autorizados, elegibilidad estricta, disponibilidad más cálculo espacial, clasificación contextual, explicación fundamentada, mapa y lista, y luego una reserva o acción de servicio propiedad del anfitrión. El orden es cargador. El modelo de lenguaje no debe recibir todos los registros de habitación privada y luego pedirse que adivine a qué puede acceder el usuario. La autorización pertenece antes de la recuperación, el mismo patrón que establece Private Location Data for AI Map Workflows para otros registros controlados por inquilinos.
Empieza desde el trabajo del empleado en lugar de desde un mapa decorativo de la oficina. Los trabajos típicos incluyen encontrar un espacio tranquilo cerca de una sala específica, imprimir cerca del área del equipo, comer y volver antes de la siguiente reunión, comparar dos oficinas para el trayecto de un visitante, preguntar qué sala de descanso de inquilinos puede abrir la credencial, o planear un bloque de concentración y luego un café cerca de la estación. Los filtros comunes se vuelven incómodos cuando varias de esas restricciones aparecen en una sola frase. La capa de IA es útil cuando nombra la pregunta que los sistemas de la oficina deberían responder, no cuando inventa disponibilidad.
¿Por qué importan los IDs canónicos de las amenidades?
Cada servicio interno debería tener un identificador duradero que se comparta en todo el directorio del lugar de trabajo, la función de mapa, el feed de disponibilidad, la acción de reserva, la explicación de IA y los análisis. Los nombres visibles como "Sala de Concentración 3" se repiten en diferentes pisos y edificios, por lo que son etiquetas en lugar de identidad. Una jerarquía útil conserva la organización, campus o sitio, edificio, piso y servicio. Sin esa jerarquía, "una sala cerca de mí" puede devolver un espacio con un nombre similar en otra torre.
La siguiente comparación es editorial, no un esquema documentado de Kaleidr. Las implementaciones reales deberían llenar las mismas columnas con los sistemas que ya usa el anfitrión.
| Reclamo | Fuente autorizada |
|---|---|
| El empleado puede entrar al espacio | Sistema de acceso / identidad |
| La sala está libre en la ventana solicitada | Sistema de reserva / reservación |
| El gimnasio está abierto ahora | Sistema de instalaciones u horarios |
| El café todavía está abierto | Horarios del lugar de trabajo o del sitio |
| Tiempo de caminata hasta la próxima reunión | Servicio de rutas o distancia interior |
| Hay un restaurante externo cerca | Fuente del lugar aprobado |
| Por qué esta opción ocupó el primer lugar | Explicación de IA de lo anterior |
¿Por qué la elegibilidad y disponibilidad deben ir antes de la clasificación?
Algunos espacios simplemente no se pueden usar para la solicitud actual: el empleado no tiene acceso, la sala está reservada, la instalación está cerrada, la capacidad es demasiado pequeña, el edificio está cerrado o un visitante no tiene permiso. Esas son restricciones estrictas. Los candidatos autorizados deben pasar primero la elegibilidad, luego el cálculo espacial y después la clasificación. Una sala restringida nunca debería ser la recomendación principal porque esté cerca.
La existencia en el mapa no es lo mismo que la usabilidad. Un gimnasio puede existir y estar cerrado. Un café puede existir y dejar de dar servicio a las tres. Un estacionamiento puede existir y estar lleno para ese grupo de acceso. El sistema operativo debería ser el dueño de la usabilidad actual, y la reserva debería revalidarse antes de que el anfitrión la confirme. Si otro empleado reservó la sala unos segundos antes, la aplicación debería decirlo y ofrecer la siguiente opción válida. El modelo de lenguaje nunca debería ser la autoridad en reservas.
El contexto espacial entonces hace que el conjunto restante sea útil. Mismo edificio, mismo piso, tiempo a pie, cambio de piso, distancia desde una sala nombrada o entrada, tiempo de viaje al transporte, y relación con la siguiente reunión son hechos geográficos, no matices conversacionales. Place Ranking API cubre la clasificación de las ubicaciones elegibles restantes después de que existan esos cálculos.
¿En qué se diferencia la búsqueda multi-ancla en lugares de trabajo de la búsqueda en habitaciones más cercanas?
La regla de estar más cerca por distancia suele ser incorrecta en el lugar de trabajo. Considera tres salas de enfoque editorial: A está a un minuto andando pero no disponible, B a tres minutos andando, disponible y en camino a la siguiente reunión, y C está a dos minutos andando, disponible y requiere retroceder. La elegibilidad elimina a A. El contexto del día laboral puede situar a B por encima de C aunque C esté más cerca, porque el empleado ya se dirige a la siguiente reunión. La elección de clasificación es un problema de inteligencia de localización, no de ordenación de marcadores.
Muchas tareas de los empleados implican más de un lugar: un lugar tranquilo entre el escritorio actual y una reunión con un cliente, o una oficina que funciona si parte del equipo llega en tren y un cliente llega desde el aeropuerto. El tiempo pertenece al mismo contexto. Una ventana de cuarenta y cinco minutos antes de la próxima reunión es una limitación para el tiempo de caminata y las horas de servicio, no un reloj decorativo. La navegación interna paso a paso es opcional y separada. Muchos flujos de trabajo útiles pueden ejecutarse desde una oficina, edificio, piso, sala de reuniones seleccionados o un origen manual, ya que AI Wayfinding Assistant for Venues trata la localización interna como infraestructura adicional en lugar de como un requisito previo para la búsqueda conversacional.
La mejor comodidad en el lugar de trabajo suele ser la que encaja con la siguiente tarea, no la que tiene la distancia en línea recta más corta.
¿Cómo deberían funcionar la autorización y la privacidad de ubicación?
Autentica al usuario, determina qué espacios y campos puede ver el rol, recupera solo esos registros y solo entonces proporciona un paquete de contexto compacto a la capa de IA. Actualmente, Kaleidr documenta las verificaciones de origen del navegador y de alcance en las claves publicables en la página de adjuntar chat (Kaleidr, 2026). El intercambio de sesiones y las llamadas de tiempo de ejecución con alcance aparecen entre el público Platform API endpoints. La página Auth & scopes es el contrato para las propias puertas de clave y origen de Kaleidr. Las páginas de autenticación públicas de Kaleidr no reemplazan la matriz de credenciales del anfitrión ni la ACL de la sala.
Las coordenadas de los empleados son sensibles. Muchas tareas pueden usar una oficina seleccionada, un piso, una sala de reuniones o un punto de inicio temporal en lugar de una posición precisa continua. Un producto de búsqueda en el lugar de trabajo a menudo puede funcionar con un origen de tarea actual, un destino seleccionado y un contexto de ruta temporal. No guardes un registro por defecto de las habitaciones por las que se pasó, servicios visitados o recorridos a pie durante todo el día. Separa el análisis agregado del lugar de trabajo de la vigilancia del movimiento individual. "Tranquilo" también necesita una fuente: un atributo de espacio verificado, un tipo de reserva o un filtro explícito, no un adjetivo del modelo.
¿En qué se diferencia esto de mapear servicios locales?
Kaleidr ya publica Local Amenities: How to Map Nearby Places, que cubre la categorización y el mapeo de lugares cercanos a una ubicación. El artículo sobre el lugar de trabajo es un trabajo B2B diferente: espacios internos privados, acceso, disponibilidad, contexto del día laboral, servicios externos aprobados y acciones del anfitrión. Descubrir no es reservar. Reservar implica comprometer una reserva en el sistema de registro. La gestión de instalaciones y la planificación de espacios también son problemas cercanos; la búsqueda de empleados en tiempo real no debe confundirse con la programación del portafolio. Una cafetería de barrio puede aparecer en ambos productos, pero el producto del lugar de trabajo aún tiene que saber si el empleado puede salir del perímetro del acceso, si la próxima reunión comienza pronto y si el anfitrión puede ofrecer una reserva.
¿Dónde encaja Kaleidr en un stack de lugar de trabajo?
Actualmente, Kaleidr posiciona Amenities como un vertical de Spatial AI en la página principal (Kaleidr, 2026). La página AI Map Chat for Customer Discovery describe actualmente cómo agregar búsqueda impulsada por IA, recomendaciones, insights y experiencias conscientes de la ubicación a un mapa existente sin reconstruir la plataforma anfitriona. La página Chat attach documenta product="chat" como una capa conversacional sobre un mapa que el anfitrión ya renderiza, mostrando lugares resueltos y ajustando la cámara a medida que la conversación identifica ubicaciones. El patrón natural B2B es una aplicación de trabajo, mapa y sistemas de servicios existentes más una capa espacial conversacional de Kaleidr, no un reemplazo del software de trabajo.
La lista pública actual Platform API endpoints incluye intercambio de sesiones de SDK, chat en streaming, rutas, enriquecimiento de POI y endpoints de diseño. Actualmente, la lista no publica rutas dedicadas /rooms, de reserva de escritorio, disponibilidad en el lugar de trabajo o control de acceso. Un artículo sobre el lugar de trabajo no debería implicar que Kaleidr reemplaza el software de reservas de salas, sistemas de tarjetas, plataformas de ocupación o sistemas de instalaciones. Esos siguen siendo integraciones del host, a menos que un despliegue empresarial compatible indique lo contrario. La página Location Intelligence APIs and Map SDK actualmente describe SDKs, ranking y analíticas para productos espaciales. Dependiendo de la configuración, Kaleidr puede soportar un campus, visitante o superficie de barrio con marca, mientras que las acciones privadas aún requieren autenticación del host. Las capas públicas de visitantes y las capas de empleados no necesitan exponer las mismas comodidades.
¿Cómo deberían los equipos evaluar la Inteligencia Artificial Espacial para el lugar de trabajo?
Kaleidr Analytics actualmente documenta la participación en mapas y lugares, la comparación de lugares, patrones espaciales y actividades que los equipos de producto, inventario y crecimiento pueden aprovechar (Kaleidr, 2026). Los sistemas principales aún gestionan reservas y acreditaciones. Usa ese ciclo para encontrar pisos con búsquedas de salas de enfoque y sin sala elegible, franjas horarias que hacen perder al empleado y sitios con demanda y atributos faltantes. Spatial Analytics vs. Web Analytics explica por qué solo las visualizaciones de página no pueden responder a esas preguntas. Los nombres de eventos sugeridos en este artículo son recomendaciones editoriales, no nombres de eventos automáticos documentados de Kaleidr Analytics.
Las medidas de resultado útiles incluyen la tasa de resultados válidos, la razón de no obtener resultados, la selección de servicios, la reserva o el traspaso de servicios, la demanda repetida por sitio y las fallas de disponibilidad. Compara las oficinas solo después de mantener constantes las reglas de acceso, horarios y el contexto de desplazamiento. La privacidad en el análisis del lugar de trabajo significa zonas agregadas y resultados de tareas, no rastros de empleados con nombre.
La IA Espacial para el lugar de trabajo se vuelve más valiosa cuando los patrones agregados de demanda y de sin resultados ayudan a los equipos a mejorar la experiencia sin convertir el mapa en un sistema de vigilancia de empleados.
¿Cómo debería empezar un piloto en el lugar de trabajo?
Comienza con una oficina y una tarea de alto valor, como recomendar una sala de enfoque autorizada en el camino a la siguiente reunión. Mantén la identidad, el acceso y las reservas en los sistemas que ya los gestionan. Adjunta la interacción del mapa conversacional al mapa existente. Limita los candidatos a espacios autorizados, exige disponibilidad actual, calcula la relación de caminata hasta la siguiente parada, revalida antes de reservar y mide la selección junto con la acción del anfitrión que sigue. Expande los tipos de servicios, pisos y lugares externos cercanos solo cuando esa primera ventana funcione.
El descubrimiento conversacional no reemplaza la disciplina de los badges, la frescura de las horas ni la concurrencia de reservas. Los tiempos de caminata siguen siendo estimados. La localización en interiores es opcional. Adjuntar un asistente a un mapa existente suele ser más barato que reemplazar el renderizador, pero el anfitrión todavía tiene que tener autorización y la siguiente acción en el lugar de trabajo. Trata los datos faltantes como desconocidos en lugar de como un pase, y despliega por sitio en lugar de hacerlo en todos los campus a la vez.
Explore Kaleidr Spatial AI para agregar búsqueda de ubicación conversacional en un mapa existente. Explore Kaleidr Enterprise para adjuntar SDKs y ranking a la pila que ya operas. Explore Kaleidr Analytics para medir la interacción con los lugares y la demanda geográfica alrededor de ese recorrido. Confirma las páginas públicas actuales antes de tratar cualquier ejemplo en este artículo como un compromiso funcional para producción.
Preguntas frecuentes
¿Qué es AI espacial para amenidades del lugar de trabajo?
La IA espacial para servicios en el lugar de trabajo usa el lenguaje natural y el contexto del mapa para ayudar a los empleados o visitantes a encontrar espacios de trabajo, servicios y recursos cercanos disponibles. Los sistemas oficiales del lugar de trabajo todavía controlan el acceso, la disponibilidad y las reservas.
¿En qué se diferencia esto de un directorio de oficina?
Un directorio solo lista lo que existe. Una experiencia de IA espacial puede tener en cuenta el lugar de trabajo actual del usuario, acceso, disponibilidad, relación de desplazamiento, restricciones de tiempo y la próxima tarea antes de recomendar una opción.
¿La IA espacial puede encontrar una sala de reuniones disponible?
El asistente puede ayudar a interpretar la solicitud y comparar las salas autorizadas cuando la aplicación anfitriona proporciona la disponibilidad actual. El sistema de reservas de salas debería seguir siendo el oficial y revalidar la sala antes de la reserva.
¿Kaleidr reemplaza el software de reservas del lugar de trabajo?
No. Kaleidr puede agregar inteligencia espacial conversacional alrededor de un mapa y aplicación de trabajo existentes, mientras que los sistemas de reservas, acceso e instalaciones siguen siendo los autorizados.
¿Puede la IA del lugar de trabajo incluir restaurantes y servicios cercanos?
Sí. Una experiencia de trabajo puede combinar las comodidades internas con datos de lugares externos aprobados, para que los empleados puedan hacer preguntas compuestas sobre la oficina y el vecindario circundante.
¿Esto requiere posicionamiento en interiores?
No. Muchos flujos de trabajo útiles pueden operar desde una oficina, edificio, piso, sala de reuniones seleccionados o un origen manual. La navegación precisa en interiores con indicaciones paso a paso es una capacidad separada.
¿Cómo deberían funcionar los controles de acceso del lugar de trabajo con la IA?
Autentica al usuario, determina a qué espacios y campos puede acceder, recupera solo esos registros y luego proporciona el contexto autorizado a la capa de IA. El modelo no debería realizar la autorización.
¿Debería un asistente del lugar de trabajo rastrear la ubicación del empleado de manera continua?
No por defecto. Usa el mínimo contexto de ubicación necesario para la tarea. Muchos flujos de trabajo pueden funcionar sin coordenadas exactas persistentes del empleado.
¿Qué métricas de amenidades del lugar de trabajo debería medir una empresa?
Métricas útiles incluyen la tasa de resultados válidos, razones de no obtener resultados, selección de amenidades, reserva o entrega de servicios, demanda repetida por sitio o área y fallas de disponibilidad. Mide los resultados en lugar del volumen de chat solamente.
¿Pueden los propietarios usar Spatial AI para las amenidades de los inquilinos?
Sí. Una plataforma para propietarios o inquilinos puede usar la misma arquitectura para salas comunes, instalaciones de conferencias, estacionamiento, servicios para visitantes y amenidades cercanas, mientras que los sistemas de acceso y reservas siguen siendo los autorizados.
¿En qué se diferencia esto del artículo de Kaleidr sobre Amenidades Locales?
El artículo de Amenidades Locales explica cómo categorizar y mapear los lugares cercanos alrededor de una ubicación. El artículo sobre el lugar de trabajo se centra en el flujo de trabajo del puesto de trabajo empresarial: espacios internos privados, acceso, disponibilidad, contexto del día laboral, servicios externos cercanos y acciones del anfitrión.
¿Dónde encaja Kaleidr?
Kaleidr actualmente posiciona Amenities como una vertical de negocio de IA espacial, soporta la incorporación de IA conversacional a un mapa existente y ofrece infraestructura empresarial para pilas de productos conscientes de la ubicación. Trata a Kaleidr como la capa de inteligencia e interacción espacial alrededor de los sistemas de trabajo más que como la fuente de la verdad sobre salas, credenciales o instalaciones.
Referencias
- Kaleidr. Build Your Own Spatial AI with Kaleidr. Accessed 14 September 2026. https://kaleidr.com/
- Kaleidr. AI Map Chat for Customer Discovery. Accessed 14 September 2026. https://kaleidr.com/ai
- Kaleidr. Chat — attach AI to your map. Developer documentation. Accessed 14 September 2026. https://docs.kaleidr.com/sdk/chat-attach
- Kaleidr. Endpoints. Developer documentation. Accessed 14 September 2026. https://docs.kaleidr.com/platform-api/endpoints
- Kaleidr. Auth & scopes. Developer documentation. Accessed 14 September 2026. https://docs.kaleidr.com/platform-api/auth-and-scopes
- Kaleidr. Location Intelligence APIs and Map SDK. Accessed 14 September 2026. https://kaleidr.com/enterprise
- Kaleidr. Map Engagement and Location Analytics. Accessed 14 September 2026. https://kaleidr.com/analytics
- Cushman & Wakefield. Which Amenities Are Driving Leasing Activity? Analysis of large 2022 office leases. 2026. Accessed 14 September 2026. https://www.cushmanwakefield.com/en/united-states/insights/which-amenities-are-driving-leasing-activity
- Kaleidr. Local Amenities: How to Map Nearby Places. Accessed 14 September 2026. https://kaleidr.com/blog/what-are-local-amenities-how-to-map-them
@misc{kaleidr_workplace_home_2026,
title = {Build Your Own Spatial AI with Kaleidr},
author = {{Kaleidr}},
year = {2026},
note = {Accessed 14 September 2026},
url = {https://kaleidr.com/}
}
@misc{kaleidr_workplace_ai_2026,
title = {AI Map Chat for Customer Discovery},
author = {{Kaleidr}},
year = {2026},
note = {Accessed 14 September 2026},
url = {https://kaleidr.com/ai}
}
@misc{kaleidr_workplace_chat_attach_2026,
title = {Chat -- attach AI to your map},
author = {{Kaleidr}},
year = {2026},
note = {Developer documentation; accessed 14 September 2026},
url = {https://docs.kaleidr.com/sdk/chat-attach}
}
@misc{kaleidr_workplace_endpoints_2026,
title = {Endpoints},
author = {{Kaleidr}},
year = {2026},
note = {Developer documentation; accessed 14 September 2026},
url = {https://docs.kaleidr.com/platform-api/endpoints}
}
@misc{kaleidr_workplace_auth_2026,
title = {Auth \& scopes},
author = {{Kaleidr}},
year = {2026},
note = {Developer documentation; accessed 14 September 2026},
url = {https://docs.kaleidr.com/platform-api/auth-and-scopes}
}
@misc{kaleidr_workplace_enterprise_2026,
title = {Location Intelligence APIs and Map SDK},
author = {{Kaleidr}},
year = {2026},
note = {Accessed 14 September 2026},
url = {https://kaleidr.com/enterprise}
}
@misc{kaleidr_workplace_analytics_2026,
title = {Map Engagement and Location Analytics},
author = {{Kaleidr}},
year = {2026},
note = {Accessed 14 September 2026},
url = {https://kaleidr.com/analytics}
}
@misc{cushman_amenities_leasing,
title = {Which Amenities Are Driving Leasing Activity?},
author = {{Cushman \& Wakefield}},
year = {2026},
note = {Analysis of large 2022 office leases; page states no publication year; access year used for the parenthetical; accessed 14 September 2026},
url = {https://www.cushmanwakefield.com/en/united-states/insights/which-amenities-are-driving-leasing-activity}
}
@misc{kaleidr_local_amenities_2026,
title = {Local Amenities: How to Map Nearby Places},
author = {{Kaleidr}},
year = {2026},
note = {Accessed 14 September 2026},
url = {https://kaleidr.com/blog/what-are-local-amenities-how-to-map-them}
}