IA spatiale pour les services et équipements du lieu de travail

L'IA spatiale pour les équipements de bureau relie la demande en langage naturel d'un employé aux espaces de bureau autorisés, aux services internes et aux lieux approuvés à proximité afin que le produit puisse recommander une option adaptée à l'accès, à la disponibilité et à la prochaine tâche. Le modèle de langage interprète les intentions complexes, comme une salle calme près de la réunion suivante. Les systèmes de travail restent les autorités pour les réservations, les badges et le statut de fonctionnement. Les services géospatiaux calculent les trajets à pied et les relations sur le campus, et l'IA spatiale explique ensuite la liste restreinte sur la carte.

Les sections ci-dessous distinguent les commodités internes des lieux publics à proximité, puis abordent l'identité, l'éligibilité, le contexte de la journée de travail, la confidentialité, la cartographie publique de Kaleidr, l'évaluation et un petit projet pilote. Les lectures associées incluent Local Amenities: How to Map Nearby Places, Grounded Spatial AI for Business Data, Spatial AI for Multi-Location Businesses et Private Location Data for AI Map Workflows. Le reste de l'article est destiné aux équipes qui possèdent déjà une application de lieu de travail et ont besoin d'une couche spatiale autour de celle-ci, et non aux équipes à la recherche d'une plateforme de gestion des installations de remplacement.

Essentiels des commodités au travail

• La tâche d'abord : Commencez par le travail de l'employé, pas par un plan de bureau décoratif.
• Les propriétaires restent séparés : Les salles internes et les cafés à proximité ne partagent pas un seul système d'enregistrement.
• Autoriser avant de récupérer : Le modèle n'est ni le badge ni le moteur de réservation.
• Utilisable vaut mieux que le plus proche : Les espaces fermés, pleins ou hors du chemin sont retirés en premier.
• Mesurer la tâche : Une sélection valide, un transfert réussi et une géographie sans résultat battent la simple longueur du chat.

L’IA spatiale pour le travail devient utile lorsqu’elle relie l’intention de l’employé aux espaces autorisés, disponibles et à la géographie de la journée de travail.

Pourquoi l’IA spatiale pour les équipements de bureau est-elle un problème d’architecture de bureau ?

Un assistant de recherche locale générique peut lister des restaurants ou des parcs autour d’un point. Un produit pour le lieu de travail doit répondre à des questions comme : quelle salle de concentration l’employé peut-il utiliser, quel lounge pour les locataires est ouvert après six heures, quel café sert encore avant la prochaine réunion, ou quel bâtiment du campus un visiteur peut atteindre sans badge. Ces réponses dépendent de la politique d’accès, de l’état des réservations, des horaires de service, de l’étage ou du bâtiment, et du prochain engagement de l’employé. Un modèle de langage ne devrait pas inventer ces informations à partir de sa mémoire d’entraînement.

L'analyse de Cushman & Wakefield sur les grands baux de bureaux de 2022 considère la demande d’aménagements comme faisant partie d’un mouvement plus large de recherche de qualité : la commodité d’accès, y compris le stationnement et les transports à proximité, la présence de restauration sur place ou à proximité, ainsi que les équipements de bien-être apparaissent parmi les attributs courants des immeubles (Cushman & Wakefield, 2026). Le même rapport précise que le fait d’ajouter des aménagements en soi n’implique pas que les problèmes d’engagement et de présence des occupants soient résolus. L’opportunité produit n’est donc pas un catalogue d’avantages basé sur l’IA. L’emplacement, l’état du lieu de travail et l’intention des employés doivent toujours contribuer à réduire les frictions à l’intérieur et autour du lieu de travail, sans remplacer les systèmes qui gèrent déjà l’accès et les réservations.

Qu’est-ce qui compte comme aménagement de lieu de travail ?

Une commodité au travail peut être interne ou externe, et les employés ne pensent pas en termes de ces frontières de base de données. Des exemples internes incluent les salles de réunion, les salles de concentration, les cabines téléphoniques, les cafés, les cuisines, les centres de fitness, les salles de bien-être, les casiers, les douches, les rangements pour vélos, le parking, l'accueil, les services de courrier, le support informatique, les espaces de collaboration, les terrasses et les salons des locataires. Des exemples externes à proximité incluent les restaurants, les cafés, les pharmacies, les stations de transport, les parkings, les supermarchés, les salles de sport, les parcs et d'autres services autour du bureau. Les services de garde d'enfants ou d'autres catégories sensibles ne devraient apparaître que lorsque l'utilisateur les demande et que l'hôte a approuvé la source.

La tâche composée est le point central. Un employé qui a quarante-cinq minutes avant une réunion demande un espace utilisable ou un repas qui lui permette de revenir à temps, pas un annuaire complet. Une liste statique des commodités répond à ce qui existe. L'IA spatiale pour les commodités au travail répond à l'option autorisée et actuellement utilisable qui correspond à la tâche, à l'origine et à l'étape suivante.

Pourquoi les commodités internes et les lieux à proximité doivent-ils rester séparés ?

Ne fusionnez pas toutes les commodités dans une seule base de données générique. Le système de travail possède l'identité interne, l'état de fonctionnement, la politique d'accès, la capacité, l'état des réservations et les détails des services internes. Une source de lieu approuvée possède les entreprises externes à proximité, les adresses publiques, les catégories et les informations publiques de fonctionnement si elles sont disponibles. Un service de routage ou de marche possède l'itinéraire, la distance et les estimations du temps de trajet. L'application principale du lieu de travail possède l'identité des employés, l'affectation des bureaux, les permissions des visiteurs et les demandes de services. La couche IA possède l'interprétation des intentions, les clarifications, les explications et les actions supportées sur la carte ou le flux de travail.

Le partage de propriétaire est le modèle de confiance. Un flux des heures d’un café ne peut pas autoriser une salle de concentration verrouillée, et un enregistrement de réservation de salle ne peut pas remplacer un restaurant public. Gardez les propriétaires vérifiables afin qu’une mauvaise recommandation puisse être retracée jusqu’au système qui a produit le champ.

La couche IA coordonne le contexte du lieu de travail et du quartier ; elle ne remplace pas les systèmes de réservation, d’accès ou d’installations.

Comment l’IA spatiale pour le lieu de travail devrait-elle être architecturée ?

Une séquence de production peut se dérouler selon la demande de l'employé, l'identité et le contexte du lieu de travail, les services autorisés, l'éligibilité stricte, la disponibilité ainsi que le calcul spatial, le classement contextuel, l'explication fondée, la carte et la liste, puis une réservation ou une action de service détenue par l'hôte. L'ordre est porteur. Le modèle linguistique ne devrait pas recevoir chaque enregistrement de chambre privée pour ensuite être invité à deviner ce auquel l'utilisateur peut accéder. L'autorisation vient avant la récupération, le même schéma que Private Location Data for AI Map Workflows définit pour d'autres enregistrements contrôlés par le locataire.

Commencez par le poste de l’employé plutôt que par une carte décorative du lieu de travail. Les tâches typiques incluent trouver un espace calme près d’une salle nommée, imprimer près d’une zone d’équipe, manger et revenir avant la prochaine réunion, comparer deux bureaux pour le trajet d’un visiteur, demander quel salon de locataire le badge peut ouvrir, ou planifier un bloc de concentration puis un café près de la gare. Les filtres ordinaires deviennent encombrants une fois que plusieurs de ces contraintes apparaissent dans une phrase. La couche IA est utile quand elle identifie la question à laquelle les systèmes du lieu de travail doivent répondre, pas quand elle invente la disponibilité.

Pourquoi les identifiants d’équipements canoniques sont-ils importants ?

Chaque service interne devrait conserver un identifiant durable partagé dans l'annuaire de l'entreprise, la fonction de carte, le flux de disponibilités, l'action de réservation, l'explication IA et les analyses. Les noms affichés comme « Salle Focus 3 » se répètent à travers les étages et les bâtiments, ce sont donc des étiquettes plutôt que des identités. Une hiérarchie utile conserve l'organisation, le campus ou le site, le bâtiment, l'étage et le service. Sans cette hiérarchie, « une salle près de moi » peut renvoyer un espace portant un nom similaire dans une autre tour.

La comparaison suivante est éditoriale, pas un schéma Kaleidr documenté. Les déploiements réels devraient remplir les mêmes colonnes à partir des systèmes que l'hôte utilise déjà.

Pourquoi l’éligibilité et la disponibilité doivent-elles venir avant le classement ?

Certains espaces ne sont tout simplement pas utilisables pour la demande actuelle : l’employé n’y a pas accès, la salle est réservée, l’agrément est fermé, la capacité est trop faible, le bâtiment est fermé ou un visiteur n’est pas autorisé. Ce sont des contraintes strictes. Les candidats autorisés doivent passer par l’éligibilité, puis le calcul spatial, puis le classement. Une salle restreinte ne devrait jamais devenir la recommandation principale simplement parce qu’elle est proche.

La présence sur la carte n’est pas synonyme d’utilisabilité. Une salle de sport peut exister et être fermée. Un café peut exister et arrêter le service à trois heures. Un parking peut exister et être complet pour ce groupe de badges. Le système opérationnel doit gérer l’utilisabilité actuelle, et la réservation doit être revalidée avant que l’hôte ne la confirme. Si un autre employé a réservé la salle quelques secondes avant, l’application doit le signaler et proposer la prochaine option valide. Le modèle de langage ne devrait jamais être l’autorité de réservation.

Le contexte spatial rend alors l’ensemble restant utile. Même bâtiment, même étage, temps de marche, changement d’étage, distance depuis une salle ou une entrée nommée, temps de trajet jusqu’aux transports, et lien avec la prochaine réunion sont des faits géographiques, pas des détails conversationnels. Place Ranking API traite du classement des emplacements éligibles restants une fois ces calculs effectués.

En quoi la recherche de lieu de travail multi-ancrée diffère-t-elle de la recherche de la salle la plus proche ?

Chercher la salle la plus proche selon la distance n’est souvent pas la bonne règle au travail. Prenons trois salles pour la rédaction : A est à une minute à pied mais indisponible, B est à trois minutes à pied, disponible, et sur le chemin de la prochaine réunion, et C est à deux minutes à pied, disponible, mais nécessite de revenir en arrière. L’éligibilité élimine A. Le contexte de la journée de travail peut faire passer B devant C même si C est plus proche, car l’employé se dirige déjà vers la prochaine réunion. Choisir le classement est un problème d’intelligence géographique, pas de tri de marqueurs.

De nombreuses tâches des employés impliquent plus d’un emplacement : un endroit calme entre le bureau actuel et une réunion avec un client, ou un bureau qui fonctionne si une partie de l’équipe arrive en train et qu’un client arrive de l’aéroport. Le temps appartient au même contexte. Une fenêtre de quarante-cinq minutes avant la prochaine réunion est une contrainte sur le temps de marche et les heures de service, pas une horloge décorative. La navigation intérieure étape par étape est optionnelle et séparée. Beaucoup de flux de travail utiles peuvent se dérouler à partir d’un bureau, d’un bâtiment, d’un étage, d’une salle de réunion ou d’une origine manuelle sélectionnés, car AI Wayfinding Assistant for Venues considère le positionnement intérieur comme une infrastructure supplémentaire plutôt que comme un prérequis pour la recherche conversationnelle.

L'équipement de travail le plus utile est souvent celui qui convient à la tâche suivante, et non celui qui est le plus proche en ligne droite.

Comment devraient fonctionner l'autorisation et la confidentialité des emplacements ?

Authentifiez l'utilisateur, déterminez quels espaces et quels champs le rôle peut voir, ne récupérez que ces enregistrements, puis fournissez un paquet contextuel compact à la couche IA. Kaleidr documente actuellement les vérifications d'origine du navigateur et de portée sur les clés publiables sur la page d'attachement du chat (Kaleidr, 2026). L'échange de session et les appels runtime limités apparaissent parmi les Platform API endpoints publics. La page Auth & scopes constitue le contrat pour les propres clés et portes d'origine de Kaleidr. Les pages d'authentification publiques de Kaleidr ne remplacent pas la matrice de badges ou le contrôle d'accès aux salles de l'hôte.

Les coordonnées des employés sont sensibles. Beaucoup de tâches peuvent utiliser un bureau sélectionné, un étage, une salle de réunion ou un point de départ « commencez ici » temporaire au lieu d’une position précise continue. Un produit de recherche de lieu de travail peut souvent fonctionner avec un point d’origine pour la tâche en cours, une destination sélectionnée et un contexte de trajet temporaire. Ne pas conserver une trace par défaut des salles traversées, des services utilisés ou des chemins de marche toute la journée. Séparez les analyses globales du lieu de travail de la surveillance des déplacements individuels. « Silencieux » a également besoin d’une source : un attribut d’espace vérifié, un type de réservation ou un filtre explicite, pas un adjectif du modèle.

En quoi cela diffère-t-il de la cartographie des services locaux ?

Kaleidr publie déjà Local Amenities: How to Map Nearby Places, qui couvre la catégorisation et la cartographie des lieux à proximité d’un emplacement. L’article sur le lieu de travail est un boulot B2B différent : espaces internes privés, accès, disponibilité, contexte de la journée de travail, services externes approuvés et actions du propriétaire de l’espace. La découverte n’est pas une réservation. Réserver engage une réservation dans le système officiel. La gestion des installations et la planification des espaces sont aussi des problèmes voisins ; la recherche en temps réel des employés ne doit pas être confondue avec la programmation du portefeuille. Un café de quartier peut apparaître dans les deux produits, mais le produit lieu de travail doit toujours savoir si l’employé peut quitter le périmètre du badge, si la prochaine réunion commence bientôt et si l’hôte peut proposer une réservation.

Où Kaleidr s’intègre-t-il dans une pile technologique dédiée au lieu de travail ?

Kaleidr positionne actuellement les Commodités comme une verticale Spatial AI sur la page d'accueil (Kaleidr, 2026). La page AI Map Chat for Customer Discovery décrit actuellement l'ajout de recherche, recommandations, insights et expériences contextuelles basées sur l'IA à une carte existante sans reconstruire la plateforme hôte. La page Chat attach documente product="chat" comme une couche conversationnelle sur une carte que l'hôte rend déjà, en traçant les lieux résolus et en cadrant la caméra au fur et à mesure que la conversation identifie les emplacements. Le modèle naturel B2B consiste en une application de travail existante, une carte et des systèmes de commodités plus une couche spatiale conversationnelle Kaleidr, et non un remplacement du logiciel de travail.

La liste publique actuelle Platform API endpoints inclut l’échange de sessions SDK, le chat en streaming, les itinéraires, l’enrichissement de POI et les points de terminaison de conception. La liste ne publie actuellement pas de routes dédiées /rooms, de réservation de bureau, de disponibilité des lieux de travail ou de contrôle d’accès. Un article sur le lieu de travail ne doit pas laisser entendre que Kaleidr remplace les logiciels de réservation de salles, les systèmes de badges, les plateformes d’occupation ou les systèmes de gestion des installations. Ceux-ci restent des intégrations hôtes sauf si un déploiement d’entreprise pris en charge indique le contraire. La page Location Intelligence APIs and Map SDK décrit actuellement les SDK, le classement et l’analyse pour les produits spatiaux. Selon la configuration, Kaleidr peut prendre en charge une surface de campus, de visiteur ou de quartier personnalisée, tandis que certaines actions privées nécessitent toujours une authentification hôte. Les couches publiques pour les visiteurs et les employés n’ont pas besoin de montrer les mêmes commodités.

Comment les équipes devraient-elles évaluer l’IA spatiale pour le lieu de travail ?

Kaleidr Analytics documente actuellement l'engagement sur les cartes et lieux, la comparaison des lieux, les modèles spatiaux et l'activité sur laquelle les équipes produit, inventaire et croissance peuvent agir (Kaleidr, 2026). Les systèmes hôtes gèrent toujours les réservations et les badges. Utilisez cette boucle pour trouver les étages avec des recherches de salles de concentration sans salle éligible, les créneaux horaires où les employés se perdent, et les sites avec de la demande mais des attributs manquants. Spatial Analytics vs. Web Analytics explique pourquoi les seuls pages vues ne peuvent répondre à ces questions. Les noms d'événements suggérés dans cet article sont des recommandations éditoriales, pas des noms d'événements automatiques documentés de Kaleidr Analytics.

Les mesures de résultats utiles incluent le taux de résultats valides, la raison de l'absence de résultat, le choix des commodités, la réservation ou le transfert de service, la demande répétée par site et les échecs de disponibilité. Comparez les bureaux uniquement après avoir tenu compte des règles d'accès, des horaires et du contexte de déplacement. La confidentialité dans l'analyse du lieu de travail signifie des zones et des résultats de tâches agrégés, pas des traces d'employés nommés.

L'IA spatiale pour le lieu de travail devient plus précieuse lorsque les modèles de demande agrégée et de non-résultats aident les équipes à améliorer l'expérience sans transformer la carte en système de surveillance des employés.

Comment un pilote de lieu de travail devrait-il commencer ?

Commencez avec un seul bureau et une tâche à forte valeur ajoutée, comme recommander une salle de concentration autorisée en chemin vers la prochaine réunion. Conservez l'identité, l'accès et les réservations dans les systèmes qui les gèrent déjà. Attachez l'interaction de la carte conversationnelle à la carte existante. Limitez les candidats aux espaces autorisés, exigez la disponibilité actuelle, calculez le trajet jusqu'à la prochaine étape, revalidez avant de réserver et mesurez la sélection ainsi que l'action suivante de l'hôte. Élargissez les types de services, les étages et les lieux externes à proximité uniquement lorsque cette première fenêtre fonctionne.

La découverte conversationnelle ne remplace pas la discipline du badge, la fraîcheur des horaires ou la simultanéité des réservations. Les temps de marche restent des estimations. Le positionnement intérieur est optionnel. Attacher un assistant à une carte existante est généralement moins cher que remplacer le moteur de rendu, mais l’hôte doit toujours posséder l’autorisation et la prochaine action au travail. Traitez les données manquantes comme inconnues plutôt que comme validées, et déployez par site plutôt que sur tous les campus à la fois.

Explore Kaleidr Spatial AI pour ajouter une recherche de localisation conversationnelle sur une carte existante. Explore Kaleidr Enterprise pour connecter les SDK et le classement à la pile que vous utilisez déjà. Explore Kaleidr Analytics pour mesurer l’engagement dans un lieu et la demande géographique autour de ce parcours. Confirmez les pages publiques actuelles avant de traiter tout exemple dans cet article comme un engagement fonctionnel pour la production.

FAQ

Qu’est-ce que l’IA spatiale pour les services et équipements sur le lieu de travail ?

L'IA spatiale pour les équipements de travail utilise l'intention en langage naturel et le contexte de la carte pour aider les employés ou les visiteurs à trouver des espaces de travail utilisables, des services et des ressources à proximité. Les systèmes de travail officiels restent propriétaires de l'accès, de la disponibilité et des réservations.

En quoi est-ce différent d'un annuaire de bureau ?

Un annuaire liste ce qui existe. Une expérience d'IA spatiale peut prendre en compte le lieu de travail actuel de l'utilisateur, l'accès, la disponibilité, la relation avec le trajet, les contraintes de temps et la tâche suivante avant de recommander une option.

L'IA spatiale peut-elle trouver une salle de réunion disponible ?

L'assistant peut aider à interpréter la demande et comparer les salles candidates autorisées lorsque l'application hôte fournit la disponibilité actuelle. Le système de réservation de salles doit rester l'autorité et revalider la salle avant la réservation.

Est-ce que Kaleidr remplace le logiciel de réservation de bureau ?

Non. Kaleidr peut ajouter une intelligence spatiale conversationnelle autour d'une carte et d'une application de travail existantes, tandis que les systèmes de réservation, d'accès et d'installations restent les systèmes faisant autorité.

Est-ce que l'IA pour le lieu de travail peut inclure les restaurants et services à proximité ?

Oui. Une expérience de travail peut combiner les équipements internes avec des données approuvées d'endroits externes, pour que les employés puissent poser des questions complexes sur le bureau et le quartier environnant.

Est-ce que cela nécessite un positionnement intérieur ?

Non. Beaucoup de flux de travail utiles peuvent fonctionner à partir d'un bureau, d'un bâtiment, d'un étage, d'une salle de réunion ou d'une origine manuelle sélectionnés. La navigation intérieure précise pas à pas est une capacité séparée.

Comment les contrôles d'accès au lieu de travail devraient-ils fonctionner avec l'IA ?

Authentifiez l’utilisateur, déterminez quels espaces et champs il peut accéder, récupérez uniquement ces enregistrements, puis fournissez le contexte autorisé à la couche IA. Le modèle ne doit pas effectuer d’autorisation.

Un assistant de travail devrait-il suivre en continu la localisation des employés ?

Pas par défaut. Utilisez le minimum de contexte de localisation nécessaire pour la tâche. Beaucoup de flux de travail peuvent fonctionner sans coordonnées exactes et persistantes des employés.

Quels indicateurs de commodités sur le lieu de travail une entreprise devrait-elle mesurer ?

Les indicateurs utiles incluent le taux de résultats valides, la raison pour absence de résultat, la sélection de commodités, la réservation ou le transfert de service, la demande répétée par site ou zone, et les défaillances de disponibilité. Mesurez les résultats plutôt que le volume de chat seulement.

Les propriétaires peuvent-ils utiliser l’IA spatiale pour les commodités des locataires ?

Oui. Une plateforme pour propriétaires ou locataires peut utiliser la même architecture pour les salons partagés, les salles de conférence, le stationnement, les services aux visiteurs et les commodités à proximité, tandis que les systèmes d'accès et de réservation restent officiels.

En quoi est-ce différent de l'article de Kaleidr sur les commodités locales ?

L'article sur les commodités locales explique comment catégoriser et cartographier les endroits à proximité d'un lieu. L'article sur le lieu de travail se concentre sur le flux de travail en entreprise : espaces internes privés, accès, disponibilité, contexte de la journée de travail, services externes à proximité et actions de l'hôte.

Où Kaleidr se situe-t-il ?

Kaleidr positionne actuellement Amenities comme un secteur vertical de l'IA spatiale, permet d'attacher de l'IA conversationnelle à une carte existante, et offre une infrastructure d'entreprise pour des piles de produits sensibles à la localisation. Considérez Kaleidr comme la couche d'intelligence et d'interaction spatiale autour des systèmes de travail plutôt que comme la source de vérité pour les salles, les badges ou les installations.

Références

1. Kaleidr. Build Your Own Spatial AI with Kaleidr. Accessed 14 September 2026. https://kaleidr.com/
2. Kaleidr. AI Map Chat for Customer Discovery. Accessed 14 September 2026. https://kaleidr.com/ai
3. Kaleidr. Chat — attach AI to your map. Developer documentation. Accessed 14 September 2026. https://docs.kaleidr.com/sdk/chat-attach
4. Kaleidr. Endpoints. Developer documentation. Accessed 14 September 2026. https://docs.kaleidr.com/platform-api/endpoints
5. Kaleidr. Auth & scopes. Developer documentation. Accessed 14 September 2026. https://docs.kaleidr.com/platform-api/auth-and-scopes
6. Kaleidr. Location Intelligence APIs and Map SDK. Accessed 14 September 2026. https://kaleidr.com/enterprise
7. Kaleidr. Map Engagement and Location Analytics. Accessed 14 September 2026. https://kaleidr.com/analytics
8. 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
9. 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}
}