Un pilote Spatial AI en entreprise devrait démontrer un résultat client ou opérationnel dépendant de l'emplacement avant que l'organisation ne déploie le Spatial AI conversationnel sur toutes les cartes, tous les marchés et tous les flux de travail. La première fenêtre la plus solide est un poste client, un domaine de données approuvé, une géographie délimitée et une action mesurable. Les systèmes commerciaux restent les autorités pour l'inventaire, les autorisations, les prix, les horaires et les transactions ; les services géospatiaux calculent les relations géographiques ; le modèle linguistique interprète l'intention et explique les résultats fondés sur la carte.
Les sections ci-dessous distinguent une démo d'un pilote en phase de production, puis couvrent la portée, la preuve, le modèle d'attachement de Kaleidr, les portes d'évaluation et l'expansion. La lecture connexe inclut Grounded Spatial AI for Business Data, Spatial AI for Multi-Location Businesses, How to Build a Map-Aware AI Assistant, et Private Location Data for AI Map Workflows. Le reste de l'article est rédigé pour les équipes produit, plateforme et opérations qui possèdent déjà une carte ou une application client, et non pour les équipes à la recherche d'un inventaire de remplacement, CRM, ou d'un système de planification.
Essentiels du pilote d'entreprise Spatial AI
- Un travail à la fois : Un assistant à l'échelle de l'entreprise est un objectif d'expansion, pas une première fenêtre.
- Les propriétaires restent séparés : L'inventaire, les permissions, les prix et les rendez-vous ne partagent pas un système d'enregistrement unique avec la carte.
- Poser les bases puis expliquer : Le modèle de langage n'est pas la base de données de l'entreprise.
- Prouver puis passer à l'échelle : Une démonstration avec diaporama n'est pas un pilote conçu pour la production.
- Mesurer la tâche : Destination utilisable, itinéraire ouvert et action commencée l'emportent sur le volume de conversations.
Un pilote Spatial AI doit prouver un résultat concret avant que l'organisation ne l'étende.
Pourquoi un pilote Spatial AI en entreprise vient-il en premier ?
Un assistant cartographique générique peut lister les repères à proximité. Un produit d'entreprise doit répondre à quel endroit un client ou un opérateur peut réellement utiliser en fonction des autorisations, de l'inventaire, des horaires, de la zone de service, du temps de déplacement et de la prochaine action commerciale. Ces réponses dépendent de l'identité de localisation canonique, de l'état opérationnel actuel et des flux de travail détenus par l'hôte. Un modèle de langage ne devrait pas inventer ces champs à partir de la mémoire d'entraînement.
Le mode de défaillance est familier : une conversation polie sur une carte qui ne peut pas accomplir une tâche réelle. L'assistant nomme une branche fermée, un endroit non autorisé ou un lieu en dehors de la zone de service. Les opérateurs considèrent alors Spatial AI comme une démonstration plutôt que comme une infrastructure. Kaleidr termine actuellement son appel à l'action pour l'entreprise avec une séquence plus restreinte : commencer par un pilote, puis passer à l'échelle lorsque l'organisation est prête (Kaleidr, 2026). Cette ligne de page d'accueil est une position produit, pas une affirmation selon laquelle chaque carte conversationnelle est prête pour un déploiement à l'échelle de l'entreprise.
Par conséquent, la première fenêtre doit être suffisamment petite pour être instrumentée et suffisamment grande pour avoir de l'importance. Un premier travail utile est celui qu'un client ou un opérateur essaie déjà d'accomplir : trouver un lieu de service éligible, comparer les agences proches capables de répondre à une demande ou commencer un rendez-vous dans un endroit que l'entreprise peut effectivement desservir. Spatial AI pour les entreprises multi-sites couvre le côté catalogue et éligibilité de ce travail. Spatial AI pour les données d'entreprise couvre la même limite pour l'inventaire autorisé : le modèle explique les enregistrements établis ; le modèle ne devient pas le système de référence.
Le Cadre de gestion des risques liés à l'intelligence artificielle (AI RMF 1.0) de NIST est une ressource volontaire, indépendante des cas d'utilisation, destinée aux organisations concevant, développant, déployant ou utilisant des systèmes d'IA pour gérer le risque lié à l'IA (NIST, 2023). Un projet pilote Spatial AI est une façon de mettre cette idée en pratique dans une zone géographique limitée : mesurer si le système produit un résultat utilisable, autorisé et spatialement correct avant que l'organisation ne le reproduise dans tous les canaux. Le cadre ne prescrit pas d'architecture Kaleidr.
Comment les équipes devraient-elles définir l'étendue d'un pilote Spatial AI en entreprise ?
Ciblez la première fenêtre sur quatre axes en même temps : un client ou un travail d'opérateur, un domaine de données approuvé, une zone géographique et une action que l'application hôte peut accomplir. Un travail tel que « trouver le bon emplacement de service et demander un rendez-vous » est testable. Un domaine tel que les registres de lieux publics plus la disponibilité est inspectable. Une seule métropole ou zone de service est géographiquement délimitée. Une action telle que demander un rendez-vous, obtenir des itinéraires ou ouvrir une page de réservation est observable. Étendre n'importe quel axe avant la première fenêtre multiplie les modes d'échec au lieu de prouver la valeur.
Conservez la propriété des sources consultable. Un répertoire de localisation peut détenir l'identité du lieu et ses coordonnées. Une source d'horaires ou de disponibilité peut détenir l'état d'ouverture. Une source d'autorisation peut détenir les informations sur les endroits qu'un utilisateur ou un locataire peut voir. Un système de planification ou de commerce peut détenir le rendez-vous ou le passage en caisse. Les services géospatiaux calculent la couverture des zones de service, le temps de trajet et les relations sur le chemin. L'assistant de carte IA interprète la demande, explique la liste restreinte et propose une action sur la carte. La couche applicative valide chaque action. Les autorisations restent dans l'application et l'infrastructure ; le modèle linguistique ne donne jamais accès.
En revanche, un assistant à l'échelle de l'entreprise capable de « répondre à tout sur nos emplacements » regroupe plusieurs produits en même temps. La demande mélange recherche dans le catalogue, éligibilité, routage, politique et un flux de travail en aval. Chacune de ces interfaces peut échouer indépendamment. Comment Construire un Assistant IA Conscient de la Carte traite le lieu sélectionné, la vue et les filtres actifs comme un contexte porteur plutôt que comme une mémoire de chat décorative. Un premier pilote devrait réutiliser ce contexte cartographique pour un seul travail plutôt que de demander au modèle de reconstruire l'entreprise à partir de texte.
La comparaison suivante est éditoriale, et non un schéma Kaleidr documenté. Les déploiements réels devraient remplir les mêmes colonnes à partir des cartes et flux opérationnels que l'hôte publie déjà.
| Étape | Ce que cela prouve | Ce que cela ne prouve pas |
|---|---|---|
| Démo | La carte peut parler | Données, éligibilité et qualité de l'action |
| Prototype | Une requête réussie peut être complétée | Cas d'échec, autorisation et mesure |
| Pilote | Un travail en production fonctionne dans une seule zone géographique | Déploiement au niveau de l'entreprise |
| Déploiement | Travaux supplémentaires, ensembles de données, marchés ou canaux | Une deuxième pile de cartes |
La première fenêtre Spatial AI devrait être un travail, un domaine de données, une zone géographique et une action.
Une fenêtre de quatre à huit semaines est un heuristique de planification, pas un accord de niveau de service Kaleidr. La contrainte utile est que l'équipe puisse nommer le travail, le propriétaire des données, la géographie, l'action et la barrière de l'échelle avant que la première conversation client soit instrumentée. Si l'un de ces cinq noms est encore un slogan, le travail est encore un prototype.
Que devrait prouver un pilote Spatial AI ?
Prouvez une tâche complétée, pas une conversation plus longue. Une tâche Spatial AI complétée présente généralement quatre étapes observables : l’assistant renvoie un lieu éligible, la carte se concentre ou indique l’itinéraire vers ce lieu, le client ou l’opérateur lance l’action de l’hôte, et une géographie sans résultat est visible lorsque le catalogue ne peut pas satisfaire la demande. Le volume de conversation, la durée de la session et la fluidité du modèle peuvent aider au diagnostic. Ces chiffres d’engagement ne montrent pas à eux seuls que le produit a trouvé un lieu que l’organisation peut desservir.
Les filtres stricts doivent être appliqués avant le classement spatial. Un candidat à proximité est inutilisable si l'utilisateur n'est pas autorisé à le voir, si le lieu est fermé ou en rupture de stock, si l'endroit se situe en dehors de la zone de service, ou si le temps de trajet consomme la fenêtre de rendez-vous restante. Les données de localisation privées pour les flux de travail AI Map établissent le même ordre pour les enregistrements des locataires : autoriser, minimiser, puis calculer. Le classement parmi les candidats restants peut utiliser le temps de trajet, la relation sur le chemin et la capacité restante. Le modèle de langage doit expliquer la liste restreinte classée plutôt qu'inventer un emplacement plus proche qui n'a pas passé un filtre strict.
Les actions prises en charge doivent être une liste courte, validée par l'hôte : se concentrer sur un lieu, afficher une liste restreinte, montrer une relation à pied ou en voiture, ou ouvrir la page de rendez-vous, d'itinéraire ou de paiement de l'hôte. Évitez les commandes JavaScript arbitraires ou les commandes de carte illimitées provenant du modèle. La navigation intérieure pas à pas, la synchronisation des stocks à l'échelle des franchises et les écritures natives CRM sont des produits distincts. Ne faites pas de ces fonctionnalités un prérequis pour un premier pilote d'entreprise Spatial AI, et ne considérez pas cet article comme une spécification d'intégration secondaire pour ces systèmes.
La mesure doit rester géographique. Kaleidr documente actuellement l'engagement sur les cartes et les lieux, la comparaison des lieux, les motifs spatiaux et l'activité sur laquelle les équipes produit, inventaire et croissance peuvent agir sur la page Map Engagement and Location Analytics. Les systèmes hôtes possèdent toujours l'inventaire et la réservation. Utilisez cette boucle pour trouver les codes postaux avec des recherches dans le périmètre mais sans emplacement éligible, les plages de temps de déplacement qui perdent le client, et les marchés avec une demande et des champs manquants. L'analyse spatiale versus l'analyse Web explique pourquoi les seules pages vues ne peuvent pas répondre à ces questions. Les noms d'événements suggérés dans cet article sont des recommandations éditoriales, et non des noms d'événements Kaleidr Analytics automatiques documentés.
Où se situe Kaleidr dans une architecture pilote ?
Kaleidr est conçu pour ajouter des Spatial AI conversationnels, le rendu de cartes et des analyses aux cartes et systèmes commerciaux que l'hôte utilise déjà, plutôt que de remplacer ces systèmes. La page Location Intelligence APIs and Map SDK décrit actuellement des API d'inférence, le classement, les analyses et SDKs qui ajoutent le chat, l'édition, des tuiles personnalisées et des visualiseurs intégrables à une pile que l'équipe exploite déjà. Considérez cette page comme le positionnement propre de Kaleidr. La même page n'est pas une preuve que Kaleidr gère un registre d'inventaire natif, CRM, un flux horaire ou un moteur de prise de rendez-vous.
La documentation publique actuelle pour l’attachement dans l’interaction avec la carte conversationnelle est Chat — attach AI to your map. Le montage product="chat" documenté se place sur une carte déjà rendue par l’hôte et détecte automatiquement Mapbox, MapLibre ou Google. Leaflet ne figure pas dans cette liste de fournisseurs. La portée requise est ai, et le plan minimum documenté est Pro. Le chat sans tête sans carte est également documenté ; un premier pilote d’entreprise Spatial AI a encore besoin de la carte car le travail du client est un lieu et une action, pas une transcription. Comment Ajouter le Chat IA à une Carte couvre les étapes d’attachement spécifiques au rendu comme un guide séparé.
La page Endpoints répertorie actuellement SDK échange de sessions, chat en streaming, itinéraire, enrichissement de POI et conception d'itinéraires. La liste ne publie actuellement pas de téléversement universel de connaissances, d'index RAG, de connexion d'inventaire ou d'itinéraire de prise de rendez-vous. Confirmez le chemin d'intégration pour le déploiement plutôt que de traiter le texte marketing comme une API d'ingestion. Auth & scopes distingue actuellement les clés de navigateur publiables des clés serveur et traite vendor comme un modificateur délibéré pour déterminer si le chat peut consulter les données fournies par le vendeur. Les clés publiables limitées au vendeur ne doivent se trouver que sur les données que l'hôte montrerait à chaque visiteur de cette page. Les grilles tarifaires, les coûts de base, l'inventaire non publié et tout ce qui pourrait embarrasser l'entreprise sur une page publique ne doivent pas se trouver derrière une clé de navigateur.
En pratique, la séparation claire est la suivante : Kaleidr coordonne la récupération conversationnelle, le comportement de la carte et l'analyse ; l'hôte reste autoritaire pour l'identité, l'inventaire, l'éligibilité, le prix et la transaction. Une implémentation Kaleidr peut soutenir cette séparation sur une carte existante. Selon la configuration, une équipe sans carte de production peut publier une carte Kaleidr tout en conservant les systèmes commerciaux comme système de référence. Ne pas importer de jetons, copier les identifiants des clients ou demander au modèle de langage quelles lignes un utilisateur peut voir.
Comment les équipes devraient-elles évaluer et définir les critères de passage à l’échelle ?
Évaluez le pilote sur quatre dimensions éditoriales : convivialité, qualité des réponses, responsabilité opérationnelle et valeur commerciale. La convivialité demande si un client ou un opérateur peut accomplir la tâche sans qu’un spécialiste soit à côté de la carte. La qualité des réponses demande si les lieux renvoyés sont autorisés, éligibles, spatialement corrects et actuels. La responsabilité opérationnelle demande si les équipes nommées possèdent l’annuaire des emplacements, le flux de disponibilité, la règle d’autorisation et le chemin des incidents. La valeur commerciale demande si l’action accomplie vaut la peine d’être étendue. Un nombre élevé de conversations avec peu de démarrages d’action échoue à la dernière dimension.
Le projet de brouillon public initial de NIST du cadre TEVV-Athlon, annoncé le 7 août 2026, décrit une approche structurée et personnalisable pour évaluer l'impact et les résultats réels des systèmes d'IA, et note que le Cadre de gestion des risques liés à l'IA appelle à une méthodologie de test, d'évaluation, de vérification et de validation (NIST, 2026). Le document est un brouillon, pas une certification Kaleidr finale. L'implication utile pour un pilote Spatial AI est plus limitée : personnaliser l'évaluation en fonction du travail que le produit prétend accomplir, puis recueillir des preuves de l'impact de ce travail avant de copier l'assistant sur tous les marchés.
La fiche de notation suivante est éditoriale. Remplissez-la à partir des métriques de tâches observées, de la fraîcheur des sources et des résultats du système hôte plutôt qu'à partir de la fluidité du modèle.
| Dimension | Preuve du pilote | Signal faible |
|---|---|---|
| Utilisabilité | Tâche accomplie sans aide spécialisée | Longues discussions qui ne se concentrent jamais sur un lieu |
| Qualité de la réponse | Lieux autorisés, éligibles et spatialement corrects | Recommandations proches mais inutilisables |
| Propriété opérationnelle | Propriétaire des données nommé, chemin de l'incident, et cadence de mise à jour | Un jeu de données de démonstration sans propriétaire en production |
| Valeur commerciale | Action démarrée, réservée ou transférée | Engagement sans flux de travail hôte |
| Préparation à l'échelle | Prochain travail, jeu de données, marché ou canal clair | "Déployer partout" sans contrôle |
Ne misez à grande échelle que lorsque le pilote est utilisable, précis, opérationnellement maîtrisé et justifié commercialement.
Quatre étapes découlent de ce tableau. Passez à grande échelle lorsque le premier travail est terminé dans des conditions de production et que l’axe suivant est nommé. Itérez lorsque le travail est correct mais que le classement, la couverture ou la qualité des explications est faible. Réduisez l’échelle lorsque la fenêtre mélangeait trop de travaux, de jeux de données ou de marchés. Arrêtez lorsque l’organisation ne peut pas nommer un propriétaire de données, ne peut pas réaliser une action hôte ou ne peut pas montrer que le résultat est meilleur que la recherche cartographique existante. L’injection de prompt, la validation des outils et le contenu récupéré non fiable restent des responsabilités de l’hôte même après un pilote réussi. L’application doit toujours refuser les actions proposées par le modèle en dehors de l’ensemble autorisé.
Comment un pilote réussi devrait-il s’étendre ?
Développez un axe à la fois. Les travaux clients supplémentaires peuvent réutiliser le même répertoire de localisation et la même carte. Les domaines de données supplémentaires peuvent réutiliser la même autorisation et les mêmes analyses. Les zones géographiques supplémentaires peuvent réutiliser la même politique de classement avec une couverture locale. Les canaux supplémentaires — web, application, kiosque ou intégration partenaire — peuvent réutiliser la même liste restreinte fondée plutôt qu’un deuxième ensemble conversationnel. Copier l’architecture entière dans un nouveau moteur de rendu, un nouveau catalogue et un nouveau flux de travail en une seule fois recrée le problème de la démonstration originale à une plus grande échelle.
Conservez les mêmes systèmes d'enregistrement pendant que l'empreinte s'étend. L'identité du lieu, la disponibilité et les rendez-vous ne doivent pas se scinder en une « copie IA » parallèle de l'annuaire. Map SDK vs. Map API vs. Map Platform explique pourquoi l'attachement versus le remplacement est un choix d'intégration, et non un choix de marque. Un déploiement réussi nécessite toujours une confirmation humaine pour les actions irréversibles, la traçabilité de la source ayant produit une recommandation, et un moyen de retirer une clé limitée au fournisseur sans attendre l'expiration d'une session. Ces contrôles appartiennent à l'application hôte et à la politique de clé, pas à une invite.
Un pilote Spatial AI réussi se développe à travers plus d’emplois, plus de données, plus de marchés et plus de canaux, et non par un second empilement de cartes.
La séquence de la page d’accueil reste la règle d’expansion : commencez par un pilote, puis passez à l’échelle lorsque les preuves le justifient. Explore Kaleidr Spatial AI pour connecter la recherche de localisation conversationnelle sur une carte existante. Explore Kaleidr Enterprise pour ajouter SDKs et le classement à l’empilement que vous exploitez déjà. Explore Kaleidr Analytics pour mesurer l’engagement sur place et la demande géographique autour de cette première tâche. Confirmez les pages publiques actuelles avant de considérer tout exemple dans cet article comme un engagement fonctionnel pour la production.
FAQ
Pourquoi ne pas commencer par un assistant Spatial AI à l’échelle de l’entreprise ?
Un assistant à l'échelle de l'entreprise combine la recherche dans le catalogue, l'éligibilité, le routage, la politique et plusieurs flux de travail. Chacun de ces éléments peut échouer indépendamment, ce qui rend le premier résultat difficile à mesurer et difficile à planifier en termes de personnel. Un travail limité dans une géographie produit des preuves que l'organisation peut utiliser pour décider s'il faut élargir, itérer, restreindre ou arrêter.
Quelle est la différence entre une démonstration, un prototype, un projet pilote et un déploiement ?
Une démonstration montre qu'une carte peut communiquer. Un prototype montre une seule requête réussie. Un projet pilote montre un seul travail en conditions de production, un seul domaine de données, une seule géographie et une seule action de l'hôte sous une responsabilité nommée. Un déploiement reproduit une fenêtre éprouvée sur d'autres travaux, ensembles de données, marchés ou canaux plutôt que d'inventer une deuxième pile.
Un projet pilote Spatial AI peut-il réutiliser une carte existante ?
La documentation jointe actuelle Kaleidr prend en charge Mapbox, MapLibre et Google maps que l'hôte rend déjà. Réutiliser la carte de production maintient l'identité du lieu, le contexte de la vue et les analyses alignés avec l'application client. Remplacer le moteur de rendu est une décision séparée et n'est pas nécessaire pour commencer.
Combien de temps un pilote Spatial AI d'entreprise devrait-il durer ?
Une fenêtre de quatre à huit semaines est une heuristique de planification, et non une SLA de la plateforme. La contrainte utile est que l'équipe puisse nommer le poste, le propriétaire des données, la zone géographique, l'action et le seuil d'échelle avant d'instrumenter les premières conversations en forme de production.
Que se passe-t-il si le premier cas d'utilisation est trop petit pour être important ?
Une première fenêtre peut être étroite et rester commerciale si l'action accomplie est déjà valorisée par l'organisation, comme un lieu éligible sélectionné ou un rendez-vous commencé. L'ampleur sans tâche accomplie est le schéma qui bloque les programmes Spatial AI.
Un pilote devrait-il mesurer l'engagement envers l'assistant de cartographie IA ?
Le volume de conversation peut être un diagnostic de soutien. Les métriques principales devraient rester l'accomplissement des tâches : lieu éligible retourné, action sur la carte effectuée, workflow de l'hôte démarré, et géographie sans résultat. L'engagement sans action accomplie n'est pas une preuve que le pilote est prêt à passer à l’échelle.
Kaleidr remplace-t-il les inventaires, CRM, ou les systèmes de rendez-vous ?
Les systèmes d'entreprise doivent rester autoritaires pour l'inventaire, les autorisations, les prix, les horaires et les transactions. Kaleidr est conçu pour coordonner la récupération conversationnelle, le comportement de la carte et l'analyse au-dessus de ces systèmes. La documentation actuelle de l'endpoint public ne publie pas d'API universelle d'inventaire ou de prise de rendez-vous.
Les équipes ont-elles besoin d'une nouvelle pile de cartes avant de commencer ?
Une nouvelle pile de cartes n'est pas la première étape recommandée lorsque l'hôte utilise déjà Mapbox, MapLibre ou Google. Connectez Spatial AI conversationnel à la carte que les clients utilisent déjà, puis élargissez les canaux après que le premier travail fonctionne. Une carte Kaleidr publiée est une option lorsque l'équipe n'a pas encore de canevas de production.
Kaleidr peut-il actuellement prendre en charge un premier pilote d'entreprise Spatial AI ?
La documentation actuelle pour les développeurs Kaleidr prend en charge l'attachement de product="chat" à une carte hôte, des clés avec portée, des discussions publiques et des points de terminaison de conception, ainsi que des analyses de la carte. Confirmez les listes d'autorisation d'origine, la portée ai et la politique de portée fournisseur pour les données que le pilote exposera. Confirmez le chemin d'intégration hôte pour l'inventaire, l'autorisation et l'action en aval.
Références
- 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}
}