Un concierge IA pour clients est un assistant destiné à l’hôtellerie qui répond aux questions sur l’établissement, recommande des lieux proches approuvés et guide les clients vers un itinéraire, une réservation, une demande de service ou l’aide du personnel. Une version consciente de la carte utilise l’établissement actif, ses équipements, le catalogue de partenaires et le contexte de déplacement afin d’afficher les lieux et itinéraires sur une carte interactive. Les systèmes hôteliers restent la référence pour les réservations, les règles et les dossiers clients ; un modèle de langage interprète l’intention à partir de ces sources.
Les sections suivantes traitent de la tâche du client, des quatre couches d’information, de l’éligibilité et de l’état cartographique partagé, des limites relatives aux réservations et à la confidentialité, d’un pilote à faible risque et de la place actuelle de Kaleidr. Pour aller plus loin, consultez Cartes d’expérience client fondées sur la Location Intelligence, Comment créer un assistant IA conscient de la carte et Comment créer une carte touristique alimentée par l’IA.
Principes essentiels
- L’établissement d’abord : un hôtel actif reste l’ancrage spatial et éditorial.
- Catalogue approuvé : recommandez les partenaires que l’hôtel souhaite réellement présenter.
- Filtres stricts avant le classement : ouvert, accessible et conforme aux règles prime sur « proche » ou « meilleur ».
- L’IA interprète l’intention : les services géospatiaux calculent les itinéraires ; les systèmes hôteliers détiennent les faits.
- Relais rapide : service, sécurité, paiements et modifications de réservation relèvent du personnel ou des systèmes hôtes.
Qu’est-ce qu’un concierge IA pour les clients d’hôtel ?
Il s’agit d’une interface conversationnelle conçue autour des workflows hôteliers et non d’une recherche web générique. Les clients demandent l’heure du petit-déjeuner, l’emplacement de la salle de sport, le restaurant recommandé par l’hôtel, le trajet depuis l’aéroport ou le contact pour un problème dans la chambre. Certains produits se limitent aux FAQ. D’autres ajoutent messagerie, tickets de service, ventes additionnelles ou liens de réservation. La forme consciente de la carte ajoute la géographie de l’établissement, un catalogue proche approuvé, les relations de déplacement et l’état actif de la carte, afin de répondre à la fois à « où » et à « quoi ».
La page Spatial AI actuelle de Kaleidr présente pour l’hôtellerie un AI guest concierge qui aide les voyageurs à explorer établissements, équipements et partenaires proches avec une IA consciente de la carte. Elle précise que les réponses peuvent être fondées sur le catalogue, la voix de marque et les règles d’une entreprise plutôt que sur une recherche web générique (AI Map Chat for Customer Discovery). Cette page fait autorité pour le positionnement de Kaleidr. L’architecture ci-dessous constitue un contrat produit pour les hôtels : le modèle interprète la demande ; les systèmes hôteliers, de réservation et spatiaux restent les sources de vérité.
Une question composée est un bon test : « J’ai deux heures avant le dîner. Que puis-je rejoindre à pied depuis l’hôtel, qui convienne aux enfants et soit encore ouvert ? » Elle encode un point de départ, un mode de déplacement, un budget temps, un public et une contrainte d’ouverture. Le modèle peut récupérer ces champs sous forme d’état contrôlable. L’identité du lieu, les horaires, l’approbation et le temps de trajet doivent toujours provenir des systèmes qui possèdent ces faits.
Pourquoi l’hôtellerie est-elle un problème spatial ?
Les hôtels concentrent des décisions dépendantes du lieu dans une petite zone et pendant un séjour court. Un client peut chercher une entrée, un parking, un équipement sur place, un restaurant partenaire accessible dans un certain temps à pied, un lieu sur le chemin d’une destination ou un arrêt pratique avant le départ. Une réponse textuelle comme « le musée se trouve rue Principale » oblige encore à déduire la distance, le mode et la possibilité d’arriver avant le prochain engagement. Une réponse spatialement fondée indique le temps à pied calculé, surligne le lieu sur une carte centrée sur l’hôtel et propose un itinéraire ou un relais humain.
La Location Intelligence destinée au client suit le même schéma Découvrir → Comparer → Agir. Découvrir récupère des équipements ou partenaires éligibles. Comparer rend visibles temps de trajet, horaires et approbation. Agir correspond à un itinéraire, un lien de réservation, une demande de service ou une escalade humaine. La distance à vol d’oiseau est souvent trompeuse autour d’un hôtel : routes, eau, zones restreintes et entrées piétonnes changent le sens de « proche ». Le produit doit calculer la relation réellement demandée et la montrer comme justification.
La navigation intérieure pas à pas est une capacité distincte. Une carte peut surligner salle de sport, spa ou réception si l’hôtel possède des coordonnées ou un plan. Revendiquer un guidage intérieur sans système de cartographie et de positionnement intérieur exagère la couche spatiale. Les actions doivent correspondre à la géométrie effectivement publiée.
En quoi diffère-t-il d’un assistant FAQ ?
Un assistant FAQ hôtelier traditionnel suit un parcours court : question, recherche dans les contenus, réponse textuelle. Un concierge conscient de la carte ajoute contexte de l’établissement et du client, connaissances approuvées, lieux proches approuvés, calcul spatial, éligibilité, classement, réponse fondée, puis action cartographique, action hôtelière ou relais humain. Ces étapes existent parce que les questions sont souvent composées et que l’étape suivante utile est généralement un lieu, un itinéraire ou une personne, pas un paragraphe supplémentaire.
L’hôtel doit contrôler sa couche de recommandation. Une base générique peut lister des restaurants près d’une coordonnée. Un concierge doit souvent répondre lesquels cet établissement recommande, dans quelles situations et avec quelles exclusions. Partenaires approuvés, catégories préférées, notes d’accessibilité, adéquation à la marque et listes saisonnières appartiennent à un catalogue contrôlé par l’hôtel, même si la carte publique fournit les rues et temps de trajet. Le classement doit expliquer la présence d’un résultat : approuvé, ouvert, accessible dans le délai indiqué ou correspondant à une préférence. Un « meilleur à proximité » non défini masque la règle.
L’éligibilité stricte précède les préférences. Pour « un restaurant recommandé, ouvert maintenant et à moins de 15 minutes à pied », l’ensemble strict doit être approuvé, rattaché à l’établissement actif, classé comme restaurant, ouvert et accessible dans le temps prévu. Le classement souple peut ensuite considérer cuisine, familles, priorité de l’hôtel ou accessibilité. Classer avant de vérifier l’éligibilité favorise des lieux fermés ou hors politique parce que leur description a obtenu un bon score.
Comment l’IA spatiale s’intègre-t-elle au parcours client ?
Le parcours client constitue un meilleur point de départ qu’une liste de fonctions. Avant l’arrivée : trajet aéroport-hôtel, parking, comparaison d’établissements, accessibilité à pied d’un événement et règles de check-in. À l’arrivée : entrée, parking, réception, arrêt de navette et bâtiment. Pendant le séjour : équipements, horaires et orientation. La découverte locale couvre restauration et attractions approuvées. Le service couvre serviettes, maintenance, départ tardif et transport. Le départ couvre checkout, bagages et temps vers l’aéroport. Chaque phase utilise le même établissement comme ancre, avec un mélange différent de faits publics, calcul spatial et données client authentifiées.
Les affirmations spécifiques comme « votre chambre est prête » ou « le bâtiment B vous est attribué » doivent provenir du PMS ou du système de réservation après authentification par l’hôte. Les faits publics et listes de partenaires peuvent servir les visiteurs non authentifiés. Ne mélangez pas ces modes : une session anonyme reste dans le contenu publié ; un workflow de séjour ne récupère que les champs minimaux autorisés.
Le service hôtelier n’est pas principalement une tâche cartographique. Une demande de serviettes, une climatisation en panne, un litige de paiement ou un client enfermé dehors doit créer un ticket ou un relais humain, pas un nouveau paragraphe généré. La couche spatiale aide encore lorsqu’un lieu intervient : quelle entrée, où s’arrête la navette, combien de temps vers l’aéroport. Dans ces cas, l’assistant doit cesser de recommander et acheminer vers réception, entretien, maintenance ou réservations.
Quels systèmes doivent détenir les faits hôteliers ?
Un concierge de production lit généralement quatre couches détenues par des responsables distincts. Les connaissances de l’établissement couvrent équipements, horaires, règles et contacts. Le catalogue approuvé couvre partenaires, attractions et transports privilégiés. Le contexte spatial public couvre coordonnées, temps de trajet et géométrie des rues. Le contexte client couvre réservation, dates, établissement attribué et droits au service. La quatrième couche nécessite les contrôles les plus stricts. Le modèle ne doit pas inventer les valeurs de ces systèmes.
| Question du client | Source faisant autorité |
|---|---|
| À quelle heure est le petit-déjeuner ? | Contenu de l’établissement |
| Le spa est-il ouvert ? | Source opérationnelle |
| Quel restaurant l’hôtel recommande-t-il ? | Catalogue de partenaires approuvés |
| Combien de temps à pied ? | Service de routage |
| Ma chambre est-elle prête ? | PMS ou système de réservation |
| Puis-je réserver cette chambre ? | Moteur de réservation |
| Où se trouve l’établissement ? | Fiche vérifiée |
| Qu’y a-t-il près de l’hôtel ? | Catalogue approuvé et services spatiaux |
| Puis-je accéder à cette zone ? | Règle de l’hôtel ou droit du client |
La géométrie exacte relève d’un moteur spatial. OGC Simple Feature Access, également ISO 19125, définit l’architecture commune des géométries simples et les opérations sur points, courbes, surfaces et collections (Simple Feature Access — Part 1). Les W3C and OGC Spatial Data on the Web Best Practices insistent sur une architecture web qui rend les objets géographiques découvrables et réutilisables. Le modèle sélectionne une opération ; un moteur ou une base géospatiale calcule distance, itinéraire, intersection et inclusion.
Règle compacte : le modèle gère l’interprétation et l’explication ; les systèmes sources, les faits ; les systèmes spatiaux, la géographie. L’application valide les actions avant tout accès aux réservations, paiements ou chambres.
Comment modéliser établissements, partenaires et éligibilité ?
Un groupe multi-établissements a besoin de fiches stables, pas de noms libres comme clés. Chaque hôtel doit avoir identifiant durable, coordonnées vérifiées, fuseau horaire, équipements, statut et lien de réservation. Les partenaires doivent être reliés à un ou plusieurs identifiants par une relation explicite — partenaire recommandé — avec catégorie, coordonnées et indicateur d’approbation. Les requêtes filtrent alors sur activePropertyId, pas sur un nom d’affichage modifiable par le marketing.
La sélection de l’établissement est un état de session central. Passer de l’Hôtel A à l’Hôtel B doit modifier ensemble équipements, règles, partenaires, lien de réservation et caméra. Si Chat répond pour le nouvel hôtel alors que la carte affiche encore l’ancien catalogue, c’est un défaut d’état partagé, pas de style. Conversation, liste et carte doivent partager les mêmes identifiants candidats, filtres et lieu sélectionné.
Le groupe peut conserver une expérience de marque unique. Le parcours utile : choisir l’établissement, afficher présentation et équipements, charger les recommandations approuvées, accepter une question, puis actualiser carte et action. Chaque hôtel conserve coordonnées, règles et catalogue local. L’assistant doit connaître le contexte actif avant toute récupération ou tout classement.
Comment carte, liste et conversation partagent-elles l’état ?
L’interface contient souvent chat, carte, fiches de lieux, sélecteur et filtres. Tous lisent un état commun : établissement actif, lieux approuvés, contraintes, identifiants visibles et lieu sélectionné. Pour « lequel est le plus proche ? » ou « quelque chose comme le deuxième, mais plus près », l’assistant a besoin d’identifiants structurés et non d’un résumé textuel.
Gardez un vocabulaire d’actions limité : afficher établissement, équipement ou lieux ; ouvrir un lieu ; cadrer les lieux ; afficher une route ; ouvrir réservation ou itinéraire ; demander une aide humaine. Le modèle propose, le produit valide selon la politique puis exécute. Le modèle n’émet pas de script arbitraire et n’écrit pas dans les réservations. OWASP Top 10 for LLM Applications 2025 définit l’Excessive Agency comme des actions dommageables issues d’une sortie inattendue, ambiguë ou manipulée lorsque trop de fonctions, permissions ou autonomie sont accordées (OWASP Top 10 for LLM Applications 2025). Modifier des réservations, rembourser ou déverrouiller une porte depuis un appel généré est la version hôtelière de ce risque.
L’injection de prompt est le mode de défaillance associé : une demande client ou un contenu partenaire modifie le comportement involontairement. OWASP LLM01:2025 indique qu’elle peut entraîner accès non autorisé et exécution de commandes. Les mesures comprennent limitation du comportement, validation des formats, moindre privilège et approbation humaine des actions risquées (LLM01:2025 Prompt Injection). Les permissions appartiennent à l’application et à l’infrastructure, jamais au modèle.
Où placer les limites de réservation, de données et de confidentialité ?
Le concierge peut orienter vers une réservation, mais son état appartient au moteur de réservation. Il peut indiquer qu’un établissement semble correspondre à une préférence et ouvrir sa page pour vérifier prix et disponibilité. Disponibilité, tarifs, annulation, confirmation ou modification ne doivent pas être inventés ; ils exigent une intégration autorisée et une écriture validée.
Les PMS contiennent noms, chambres, dates, coordonnées, paiements et notes de service. Un concierge public n’a pas besoin du dossier complet. Authentifiez dans le système hôte, identifiez le séjour, autorisez les champs, récupérez le contexte minimal, puis répondez. Ne chargez pas une extraction PMS illimitée. Données de localisation privées pour les workflows cartographiques IA décrit ce principe de récupération après autorisation.
La position de l’appareil est facultative. La spécification W3C Geolocation, Candidate Recommendation Snapshot du 26 mars 2026, exige une permission explicite et ne garantit pas la position réelle. Beaucoup de questions peuvent utiliser l’hôtel actif, un point sélectionné, une adresse saisie ou une entrée connue. Le NIST Privacy Framework considère la minimisation comme centrale : collecter et conserver uniquement ce qui est nécessaire, limiter identification et inférences inutiles (NIST Privacy Framework: A Tool for Improving Privacy through Enterprise Risk Management, Version 1.0). Ces sources décrivent des règles de plateforme et de risque, pas un avis juridique local.
Une page client ne doit jamais contenir d’identifiants serveur privilégiés. Kaleidr utilise des clés navigateur publiables et des clés serveur pour les backends de confiance, avec des portées (Auth & Scopes). Authentification des API cartographiques explique restrictions d’origine et séparation des clés.
Quand le concierge doit-il passer le relais au personnel ?
Le relais humain est une fonction essentielle. Escaladez immédiatement urgences, sécurité, santé, incidents, litiges de paiement, plaintes sensibles et verrouillages. Après triage : maintenance, entretien, changements de réservation, départ tardif, besoins d’accessibilité et transport. Automatisez seulement les réponses fondées : horaires, emplacement d’un équipement, restaurant approuvé, itinéraire calculé, contacts ou règles publiées.
Les clients multilingues sont un public naturel, mais la traduction n’est qu’une partie du problème. Noms d’établissements, équipements de marque, catégories de chambres, règles et partenaires demandent de la cohérence. Pour les textes de sécurité ou politiques importants, utilisez des traductions approuvées plutôt qu’une traduction improvisée. Même prudence pour l’accessibilité : décrivez les faits publiés, n’inventez pas un aménagement non confirmé.
Comment mesurer le concierge ?
Il apporte de la valeur s’il réduit les frictions ou aide à agir. Événements utiles : ouverture, question, sélection d’établissement ou d’équipement, lieu proche, itinéraire, lien de réservation, relais humain, résolution et aucun résultat. Ce sont des recommandations éditoriales pour l’instrumentation de l’hôte, pas des événements automatiques documentés de Kaleidr Analytics. Celui-ci se concentre actuellement sur l’engagement avec cartes et lieux : sessions, vues, interactions, activité d’audience et tendances spatiales (Map Engagement and Location Analytics).
Les métriques de résolution couvrent taux de réponse fondée, absence de résultat, relais et délai jusqu’à une réponse utile. Les métriques spatiales couvrent recommandations sélectionnées, itinéraires ouverts, interactions avec les équipements et comparaison d’hôtels. Les métriques métier couvrent liens de réservation, recommandations partenaires, demandes commencées et services terminés. Le nombre de messages reste secondaire. L’objectif est l’accomplissement de la tâche liée au lieu.
Les questions sans résultat forment un backlog produit. Des demandes répétées sur un équipement non cartographié, une catégorie absente, des informations de transport manquantes ou une zone trop étroite montrent quoi corriger. Comparez-les à la fiche de l’hôtel et au catalogue plutôt que d’ajouter de la prose générée.
Que comprend un pilote à faible risque ?
Il n’est pas nécessaire de connecter tous les systèmes dès le premier jour. Un déploiement initial peut utiliser un établissement, FAQ et équipements vérifiés, catalogue proche approuvé, chat conscient de la carte, itinéraires ou liens de réservation, relais humain et mesure. Excluez modification des réservations, paiements, accès aux chambres, compensation automatique et décisions d’urgence. Les intégrations sensibles attendent la stabilité du parcours public fondé.
Recueillez les questions récurrentes de la réception, de la conciergerie, de la recherche du site, des messages et des avis lorsque l’hôtel en a le droit. Constituez des tests sur faits, équipements, arrivée, restauration, attractions, itinéraires, transport, services, escalade et questions non prises en charge. Incluez les demandes à refuser : check-in anticipé non garanti, « meilleur restaurant » sans définition et changement d’hôtel. Pour un check-in non garanti, renvoyez la politique ou le contact publiés, sans transformer l’incertitude en promesse.
Où Kaleidr s’intègre-t-il dans la pile hôtelière ?
Kaleidr décrit trois étapes : connecter les lieux, fonder l’IA sur catalogue et règles, déployer sur le site, l’app ou la carte de l’hôte (AI Map Chat for Customer Discovery). En hôtellerie, les lieux incluent établissements, équipements, partenaires et catalogue de destination. Le fondement distingue la recommandation contrôlée par l’hôtel d’une liste web générique. Le déploiement conserve moteur de rendu et systèmes existants.
Un produit disposant déjà d’une carte peut y attacher Chat. La documentation décrit Chat au-dessus de Mapbox, MapLibre, Google Maps ou Leaflet, tandis que l’hôte conserve le moteur de rendu (Chat attach). Comment ajouter un chat IA à une carte explique ce modèle. Studio convient aux guides de quartier, cartes partenaires, resorts et événements sans état de réservation en direct (AI Map Maker for Branded Interactive Maps). Le modèle template.kaleidr.com sert de point de départ. Réservation en direct, identité et PMS restent une intégration développeur.
Kaleidr Enterprise regroupe infrastructure de Location Intelligence, API d’inférence, classement, analyses, SDK et support de déploiement (Location Intelligence APIs and Map SDK). Cette voie peut convenir aux groupes, catalogues privés, usages personnalisés ou support contractuel. Le système hôtelier reste la référence pour réservations, identité et opérations sensibles.
Quelles erreurs les équipes doivent-elles éviter ?
Un assistant FAQ seul laisse la géographie au client. Une règle inventée crée une fausse promesse. Recommander n’importe quel lieu abandonne la couche de recommandation. Assimiler le plus proche au meilleur ignore trajet et éligibilité. Mélanger les établissements affiche de mauvais équipements et liens. Donner un PMS illimité augmente les risques. Autoriser les modifications par le modèle constitue une autonomie excessive. Sans relais humain, les cas sensibles bloquent. Mesurer le volume confond activité et valeur. Promettre la navigation intérieure sans infrastructure exagère la carte.
| Erreur | Résultat | Meilleure approche |
|---|---|---|
| Assistant FAQ seul | Le client déduit la géographie | Ajouter contexte de l’hôtel et de la carte |
| Règle inventée par le modèle | Fausses promesses | Utiliser la source approuvée |
| N’importe quel lieu proche | Perte du contrôle des recommandations | Maintenir un catalogue approuvé |
| Le plus proche gagne | Adéquation trop simplifiée | Utiliser trajet, éligibilité et intention |
| Contexte d’hôtel mélangé | Mauvais équipements et liens | Rendre l’hôtel actif explicite |
| PMS illimité | Risque de confidentialité et d’injection | Autoriser et minimiser les champs |
| Écriture de réservation par le modèle | Risque d’erreur grave | Garder le moteur de réservation maître |
| Aucun relais humain | Cas sensibles bloqués | Définir les parcours d’escalade |
| Volume de chat seulement | L’usage ressemble au succès | Mesurer les tâches résolues |
| Routage intérieur sans infrastructure | Promesse excessive | Adapter les actions à la géométrie publiée |
Créez un concierge conscient de la carte
Découvrez comment carte conversationnelle, catalogues approuvés et API spatiales d’entreprise s’intègrent à une pile hôtelière existante sans remplacer le moteur de rendu ni le PMS. Découvrez Kaleidr Enterprise pour les API, SDK et le support actuels.
FAQ
Qu’est-ce qu’un concierge IA pour clients ?
Un assistant numérique propre à l’hôtel qui répond aux questions, fournit des informations, recommande lieux ou services et oriente vers itinéraires, réservations, services ou aide humaine.
Qu’est-ce qui le rend conscient de la carte ?
Il reçoit un contexte structuré : hôtel actif, équipement sélectionné, lieux proches, itinéraires et état de la carte. Il peut renvoyer une réponse et une action cartographique.
Est-ce la même chose qu’un chatbot hôtelier ?
Pas nécessairement. Un assistant FAQ répond seulement aux questions fréquentes. Un concierge combine informations, recommandations approuvées, contexte spatial, actions et escalade pendant tout le parcours.
Doit-il remplacer le personnel ?
Non. Il convient aux questions routinières fondées et à la découverte. Les sujets sensibles, ambigus, lourds de conséquences ou de récupération de service nécessitent un relais clair.
Peut-il recommander des restaurants proches ?
Oui, en associant recommandations approuvées, données actuelles et temps de trajet. L’hôtel doit préciser si elles sont éditoriales, algorithmiques ou mixtes.
Doit-il utiliser la position exacte du client ?
Seulement si nécessaire et avec consentement. Beaucoup de questions utilisent l’hôtel, un lieu choisi ou un point de départ saisi.
Peut-il accéder au PMS ?
L’hôte peut intégrer les données à des workflows authentifiés, mais doit authentifier, autoriser et ne fournir que les champs nécessaires. Le modèle ne doit pas recevoir un PMS illimité.
Peut-il modifier une réservation ?
Uniquement par un workflow explicitement autorisé et connecté au système. Il ne doit pas inventer disponibilité, prix, annulation ou état.
Que doit mesurer l’hôtel ?
Réponses fondées, résolution, absence de résultat, itinéraires, recommandations, actions de réservation ou service, relais et retour. Le volume seul n’est pas un résultat métier.
Kaleidr fonctionne-t-il avec une carte existante ?
Oui. La documentation actuelle permet d’attacher Chat à une carte active tandis que l’application conserve son rendu et ses workflows.
Que peut faire Kaleidr Studio pour l’hôtellerie ?
Studio crée et publie des cartes interactives de marque : guides de destination, cartes de propriété, partenaires et expériences locales. Réservations en direct et workflows client restent intégrés aux systèmes hôtes.
Références
- Kaleidr. AI Map Chat for Customer Discovery. Accessed 23 August 2026. https://kaleidr.com/ai
- Kaleidr. AI Map Maker for Branded Interactive Maps. Accessed 23 August 2026. https://kaleidr.com/studio
- Kaleidr. Auth & Scopes. Kaleidr Developer Docs. Accessed 23 August 2026. https://docs.kaleidr.com/platform-api/auth-and-scopes
- Kaleidr. Chat attach. Kaleidr Developer Docs. Accessed 23 August 2026. https://docs.kaleidr.com/sdk/chat-attach
- Kaleidr. Location Intelligence APIs and Map SDK. Accessed 23 August 2026. https://kaleidr.com/enterprise
- Kaleidr. Map Engagement and Location Analytics. Accessed 23 August 2026. https://kaleidr.com/analytics
- National Institute of Standards and Technology. NIST Privacy Framework: A Tool for Improving Privacy through Enterprise Risk Management, Version 1.0. NIST.CSWP.01162020. 16 January 2020. https://nvlpubs.nist.gov/nistpubs/CSWP/NIST.CSWP.01162020.pdf
- Open Geospatial Consortium. Simple Feature Access — Part 1: Common Architecture. OGC 06-103r4 / ISO 19125. Accessed 23 August 2026. https://www.ogc.org/standards/sfa/
- OWASP Gen AI Security Project. LLM01:2025 Prompt Injection. Accessed 23 August 2026. https://genai.owasp.org/llmrisk/llm01-prompt-injection/
- OWASP Gen AI Security Project. OWASP Top 10 for LLM Applications 2025. Accessed 23 August 2026. https://owasp.org/www-project-top-10-for-large-language-model-applications/assets/PDF/OWASP-Top-10-for-LLMs-v2025.pdf
- W3C. Geolocation. W3C Candidate Recommendation Snapshot, 26 March 2026. Accessed 23 August 2026. https://www.w3.org/TR/geolocation/
- W3C and OGC. Spatial Data on the Web Best Practices. W3C Group Draft Note, 19 September 2023. Accessed 23 August 2026. https://www.w3.org/TR/sdw-bp/
@misc{kaleidr_ai_hospitality_2026_08_23, title={AI Map Chat for Customer Discovery}, author={{Kaleidr}}, note={Accessed 23 August 2026}, url={https://kaleidr.com/ai}}
@misc{kaleidr_studio_hospitality_2026_08_23, title={AI Map Maker for Branded Interactive Maps}, author={{Kaleidr}}, note={Accessed 23 August 2026}, url={https://kaleidr.com/studio}}
@misc{kaleidr_auth_scopes_2026_08_23, title={Auth \& Scopes}, author={{Kaleidr}}, note={Kaleidr Developer Docs; accessed 23 August 2026}, url={https://docs.kaleidr.com/platform-api/auth-and-scopes}}
@misc{kaleidr_chat_attach_2026_08_23, title={Chat attach}, author={{Kaleidr}}, note={Kaleidr Developer Docs; accessed 23 August 2026}, url={https://docs.kaleidr.com/sdk/chat-attach}}
@misc{kaleidr_enterprise_hospitality_2026_08_23, title={Location Intelligence APIs and Map SDK}, author={{Kaleidr}}, note={Accessed 23 August 2026}, url={https://kaleidr.com/enterprise}}
@misc{kaleidr_analytics_hospitality_2026_08_23, title={Map Engagement and Location Analytics}, author={{Kaleidr}}, note={Accessed 23 August 2026}, url={https://kaleidr.com/analytics}}
@techreport{nist_privacy_framework_2020, title={NIST Privacy Framework: A Tool for Improving Privacy through Enterprise Risk Management, Version 1.0}, author={{National Institute of Standards and Technology}}, number={NIST.CSWP.01162020}, institution={National Institute of Standards and Technology}, year={2020}, month=jan, url={https://nvlpubs.nist.gov/nistpubs/CSWP/NIST.CSWP.01162020.pdf}}
@misc{ogc_sfa_hospitality_2026_08_23, title={Simple Feature Access -- Part 1: Common Architecture}, author={{Open Geospatial Consortium}}, note={OGC 06-103r4 / ISO 19125; accessed 23 August 2026}, url={https://www.ogc.org/standards/sfa/}}
@misc{owasp_llm01_prompt_injection_2025, title={LLM01:2025 Prompt Injection}, author={{OWASP Gen AI Security Project}}, note={Accessed 23 August 2026}, url={https://genai.owasp.org/llmrisk/llm01-prompt-injection/}}
@misc{owasp_llm_top10_2025, title={OWASP Top 10 for LLM Applications 2025}, author={{OWASP Gen AI Security Project}}, note={Accessed 23 August 2026}, url={https://owasp.org/www-project-top-10-for-large-language-model-applications/assets/PDF/OWASP-Top-10-for-LLMs-v2025.pdf}}
@misc{w3c_geolocation_2026_03_26, title={Geolocation}, author={{W3C}}, note={W3C Candidate Recommendation Snapshot, 26 March 2026; accessed 23 August 2026}, url={https://www.w3.org/TR/geolocation/}}
@misc{w3c_ogc_sdw_bp_2023, title={Spatial Data on the Web Best Practices}, author={{W3C and OGC}}, note={W3C Group Draft Note, 19 September 2023; accessed 23 August 2026}, url={https://www.w3.org/TR/sdw-bp/}}