공간 AI는 인공지능을 공간적 맥락에 적용합니다. 즉, 사물이 어디에 있는지, 주변에 무엇이 있는지, 장소들이 어떻게 연결되는지, 사람들이 공간을 어떻게 이동하는지, 어떤 지리 조건이 의사결정에 중요한지를 다룹니다. 지도 제품에서는 자연어 요청을 해석하고, 허가된 장소 또는 비즈니스 데이터를 검색하고, 공간 순위를 적용한 뒤, 근거가 있는 지도 동작을 반환할 수 있습니다. 이 용어는 지도, GeoAI, 로봇공학, 도시, 지구과학을 포괄하므로 다루는 규모에 따라 의미가 달라집니다.
아래에서는 정의, 적용 규모, 관련 용어, 핵심 기능, 근거화, 언어 모델의 한계, 사용 사례, Kaleidr 제품, 평가 방법, 흔한 실수를 설명합니다. 관련 제품은 Kaleidr Spatial AI와 Kaleidr Enterprise에서 확인할 수 있습니다. 제품 분야 분류는 AI 매핑을, 기술 스택은 디지털 매핑을 참고하세요.
공간 AI의 핵심
- 포괄적 용어: 지도, GeoAI, 로봇공학, 도시, 지구 관측에 걸쳐 쓰이는 하나의 명칭입니다.
- 의도와 계산은 다름: 모델은 해석하고, 공간 엔진은 계산하며, 비즈니스 시스템은 검증합니다.
- 표시 전에 근거화: 지도에서는 유창한 설명보다 안정적인 ID, 출처, 적격성 검증이 중요합니다.
- 필수 조건을 먼저 적용: 설명이 매력적이라는 이유로 영업 종료 또는 부적격 레코드가 높은 순위를 얻어서는 안 됩니다.
- 결과를 측정: 프롬프트 수보다 장소 선택과 작업 흐름 완료가 중요합니다.
공간 AI란 무엇인가요?
공간 AI는 공간, 위치, 관계, 이동 또는 물리적 맥락에 관한 정보를 이해나 의사결정에 사용하는 인공지능입니다. 지도 제품에서는 사용자가 어디를 검색하는지, 어떤 장소가 특정 영역 안에 있는지, 선택한 위치 주변에 무엇이 있는지, 이동 시간 제한 안에 도달할 수 있는 목적지는 어디인지, 후보지가 대중교통이나 수요와 어떤 관계인지, 현재 보이는 지도 영역에 무엇이 있는지, 여러 지리 조건을 추천에 어떻게 반영할지를 이해하는 것을 의미합니다. Kaleidr는 제품 맥락에서 공간 AI를 장소와 위치 데이터에 적용하는 AI, 즉 장소가 무엇인지, 주변에 무엇이 있는지, 왜 관련이 있는지를 이해하는 기술로 정의하며, 자연어 장소 탐색, 지도 상호작용, 제작, 개인화, 공유를 결합합니다(Spatial AI). 언어 모델 기반 공간 지능에 관한 2025년 연구는 이 분야를 하나의 좁은 지도 문제가 아니라 체화형 에이전트, 도시 환경, 지구과학 전반으로 설명합니다(Feng et al., 2025). 따라서 공간 AI는 하나의 표준 API나 모델 유형이 아니라 포괄적 용어로 보아야 합니다.
기존 텍스트 검색은 단어를 일치시킬 수 있습니다. 하지만 공간 질문은 계산하거나 해결해야 하는 관계를 포함하는 경우가 많습니다. 예를 들어 ‘호텔에서 도보 15분 이내이고 오늘 저녁에 영업하는 서점’은 대상 유형, 출발점, 도달 가능성, 이동 방식, 시간, 영업 상태를 함께 요구합니다. 키워드 시스템은 ‘서점’을 인식할 수 있지만, 견고한 공간 AI 작업 흐름에는 장소 식별자, 좌표, 경로 또는 이동 시간, 영업시간 데이터, 사용자 맥락, 공간 필터링, 순위, 지도 상태가 여전히 필요합니다. 따라서 공간 AI는 단순히 일반 채팅 모델에 지도를 붙인 것이 아닙니다.
공간 AI는 어떤 규모에서 작동하나요?
공간 AI라는 표현은 매우 다양한 규모의 문제에 사용됩니다. 객체와 방 규모에서는 로봇공학, 체화형 AI, AR, 컴퓨터 비전이 깊이, 객체 위치, 방향, 가림, 내비게이션, 조작, 장면 이해, 3D 세계 표현을 다룹니다. 건물과 부지 규모에는 실내 내비게이션, 창고, 시설, 건설, 디지털 트윈, 자산 위치 지정이 포함됩니다. 도시 규모에서는 장소 탐색, 이동성, 매장 선택, 부동산 검색, 도시계획, 지역 분석을 지원합니다. 지역 및 전 세계 규모에는 위성 영상, 토지 이용 분석, 기후·환경 모니터링, 농업, 재난 평가, 인프라, 지구 관측이 포함됩니다. Feng 등의 연구 역시 언어 모델 기반 공간 지능을 체화형, 도시, 지구과학 규모로 구분합니다.
공간 AI는 인접 용어와 어떤 관계가 있나요?
공간 지능은 인지과학에서 공간을 표현하고, 관계를 이해하고, 객체를 회전하거나 길을 찾는 인간 능력을 뜻해 왔습니다. 오늘날 AI 연구에서 기계 공간 지능은 공간 환경을 인식·표현·추론하고 그 안에서 행동하는 시스템의 능력을 가리킵니다. 공간 AI는 AI 기법을 공간 정보와 작업에 적용하는 시스템을 가리키는 실용적 기술 용어입니다. 두 표현 모두 지리 지도만을 뜻한다고 가정해서는 안 됩니다.
GeoAI, 즉 지리공간 인공지능은 지리공간 데이터, GIS, 지구 관측, 지리 분석과 더 직접적으로 연결됩니다. Esri는 GeoAI를 지리공간 데이터, 과학, 기술과 결합한 AI를 적용하여 비즈니스 기회, 환경 영향, 운영 위험에 대한 이해를 빠르게 하는 것으로 정의합니다(What Is GeoAI?). 일반적인 작업에는 객체 추출, 영상 분류, 객체 탐지, 변화 탐지, 클러스터링, 예측, 공간 패턴 분석, 전망이 포함됩니다. 공간 AI는 이런 작업뿐 아니라 대화형 장소 검색, 지도 기반 추천, 자연어 지도 제작, 소매 또는 부동산 앱 안의 위치 인식 도우미도 포함할 수 있습니다. 간단히 말하면 GeoAI는 지리·지리공간 데이터에 초점을 둔 공간 AI의 주요 분야이지만, 그 경계가 공식적으로 표준화된 것은 아닙니다.
위치 인텔리전스는 보통 위치 데이터를 사용해 비즈니스 또는 운영 결정을 개선하는 데 초점을 둡니다. 예를 들면 주문 처리 지점, 입지 선정, 통근 조건에 맞는 부동산, 서비스 구역 포함 여부, 여행지 매칭입니다. 공간 AI는 더 넓은 기술 계층이며, 위치 인텔리전스는 의도 해석, 허가된 데이터 검색, 순위 지정 이후의 의사결정 결과인 경우가 많습니다. **지리공간정보(GEOINT)**는 정부와 국방에서 특정한 제도적 의미를 가지므로 공간 AI의 동의어로 제시해서는 안 됩니다. AI 매핑은 지도 제작, 지도 상호작용, 지리 분석, 영상, 위치 순위, 공간 작업에 AI를 적용하는 분야로, 공간 AI 역량을 기반으로 하는 눈에 보이는 제품 범주입니다.
공간 AI 시스템에는 어떤 기능이 필요한가요?
유용한 시스템은 보통 여러 기능을 결합합니다. 공간 이해는 내부, 인접, 경로상, 교차, 출발점에서 도달 가능, 반경 내, 이동 시간 범위 내 같은 관계를 표현해야 합니다. 지리공간 추론 연구에서는 기반 모델이 정확한 기하와 위상 관계에 어려움을 겪을 수 있음이 계속 확인되고 있으며, 이것이 결정론적 지리공간 계산이 여전히 중요한 이유 중 하나입니다(Ji et al., 2025). 장소 및 엔터티 확인은 모호한 표현을 안정적인 식별자, 형상 또는 좌표, 유형, 행정 맥락, 출처가 있는 구조화된 엔터티로 변환해야 합니다. 맥락 해석은 지리를 적용하기 전에 여행자의 선호, 물류 제약, 부동산 기준을 구분해야 합니다. 정확성이 중요할 때 공간 계산은 점-폴리곤 포함, 최근접 이웃, 버퍼, 교차, 경로, 이동 시간 행렬, 거리, 포함, 커버리지, 클러스터링을 처리해야 합니다. 모델은 관련 작업을 선택할 수 있지만 계산은 지리 엔진이 수행해야 합니다. 순위는 필수 적격성과 선호도를 분리해, 설명이 매력적이라는 이유로 문을 닫은 매장이 1위가 되지 않게 해야 합니다. 대화형 제품에는 후속 질문을 위한 지도 및 대화 상태와, 카메라 이동, 형상 강조, 레이어 필터링, 경로 그리기, 장소 열기, 호스트 작업 흐름 실행을 위한 구조화된 출력도 필요합니다.
근거화와 결정론적 계산이 필요한 이유는 무엇인가요?
공간 답변은 설득력 있어 보여도 지리적으로 틀릴 수 있으며, 지도에 표시되면 위험은 더 커집니다. 근거가 있는 결과는 안정적인 장소 ID, 좌표 또는 형상, 출처, 타임스탬프, 사실 속성, 포함 이유, 불확실성, 허용된 동작을 보존해야 합니다. 설명 문장은 레코드에서 생성할 수 있지만, 사실 레코드를 문장에서 재구성해서는 안 됩니다. 언어 모델은 많은 지리 개념을 이해하고 텍스트에서 공간 의미를 추출할 수 있지만, 정확한 공간 추론은 여전히 활발한 연구 분야입니다. 2026년 에이전트형 지리공간 연구는 언어 모델 기반 에이전트가 실제 지리 계산 대신 패턴 일치나 웹 검색에 의존할 수 있다고 지적하며, 과학적 개념에 근거한 실행 가능한 공간 작업 흐름이 필요하다고 주장합니다(Bao et al., 2026). 실무 아키텍처에서는 모델이 해석과 조정을 맡고 공간 시스템이 계산과 검증을 맡아야 합니다. 두 점 사이의 단순 거리도 언어 모델에 추정을 요청하기보다 지리 계산을 사용하는 편이 적절합니다.
공간 AI는 어디에 유용하며, 언제 불필요한가요?
장소 탐색은 가장 명확한 소비자용 사례 중 하나입니다. ‘호텔에서 이동하기 편리한 조용한 해안가 레스토랑’을 범주, 출발점, 지역, 이동 제약, 선호, 시간, 현재 장소 데이터로 변환한 뒤, 이유와 함께 지도 결과를 보여줄 수 있습니다. 소매에서는 매장 위치, 적격성, 영업시간, 재고, 픽업, 이동 시간을 결합하면서 영업 상태와 재고에 대해서는 매장 데이터베이스를 권위 있는 원천으로 유지할 수 있습니다. 부동산에서는 매물 재고, 이동 시간 계산, 편의시설 맥락, 순위를 결합하면서 필수 매물 조건은 결정론적으로 처리합니다. 관광·숙박업은 승인된 여행지 카탈로그를 근거로 도보 거리와 선호 질문에 답할 수 있습니다. 이동성과 물류에서는 차량 규칙, 용량, 법적 제한, 사람의 감독을 우회하지 않으면서 경로 제약과 서비스 구역을 해석할 수 있습니다. 지역 규모에서 NASA Earthdata는 AI와 머신러닝을 대규모 지구 관측 데이터셋에서 관계를 찾고 발견과 분석을 개선하는 도구로 설명합니다(Earth Observation Data and AI). 지도 제작에서는 프롬프트로 초기 공간 구조를 만들되, 제작자가 식별자, 좌표, 라벨, 권리, 접근성을 검증해야 합니다. Kaleidr Studio는 대화형 지도를 위해 Prompt → Process → Refine → Deploy 흐름을 사용합니다.
모든 위치 작업에 AI가 필요한 것은 아닙니다. 5km 이내 매장, 활성 필지, 알려진 버스 노선, 입력한 좌표, 지금 영업 중인 식당처럼 명확한 요구에는 결정론적 UI가 대체로 더 적합합니다. 언어가 모호하거나, 여러 제약이 상호작용하거나, 후속 질문이 필요하거나, 선호를 고정 필터로 표현하기 어렵거나, 의도를 여러 지리 작업으로 변환해야 할 때 공간 AI의 가치가 커집니다.
Kaleidr는 공간 AI를 어떻게 적용하나요?
Kaleidr Spatial AI는 사용자가 질문하고, 장소를 탐색하고, 지도를 만들고, 개인화하고, 대화형 지도 경험을 공유하도록 지원합니다. 적용 분야에는 숙박, 관광, 소매, 부동산, 이동성 및 기타 장소 기반 작업 흐름이 포함됩니다. Studio는 지도 아이디어를 편집 가능한 공간 구조로 바꾸고 시각적 개선과 게시를 지원합니다. Analytics는 지도, 이용자, 장소 참여를 측정합니다. Developer 및 Enterprise 제품은 AI 지도 채팅, 게시된 뷰어, 디자인된 베이스맵, 임베디드 편집기를 제공합니다. 기존 Mapbox, Google Maps 또는 MapLibre 구현에 채팅을 연결할 수도 있으므로 호스트가 렌더러와 앱 작업 흐름을 유지할 수 있습니다(개발자 문서). 비공개 비즈니스 제품에서는 호스트가 신원, 권한, 권위 있는 비즈니스 데이터, 테넌시, 영속성, 중요한 동작을 계속 소유해야 합니다. 인증 후 최소 권한 레코드만 검색하고, 게시 가능한 브라우저 키와 백엔드 키를 분리하며, AI가 호출할 수 있는 모든 도구의 범위를 제한하세요. 관련 구현 가이드로 위치 인텔리전스 API란?, AI 지도 SDK란?, Mapbox, Google Maps, MapLibre에 AI 채팅 추가하기가 있습니다.
팀은 공간 AI를 어떻게 평가해야 하나요?
추상적인 ‘AI 품질’을 평가하기 전에 지리 작업을 정의하세요. 승인된 장소 데이터베이스, 자사 매장 시스템, 부동산 재고, 경로 서비스, 비즈니스 규칙, 공간 데이터베이스 등 중요한 주장마다 권위 있는 출처를 지정하세요. AI가 해석하는 부분, 공간 엔진이 계산하는 부분, 비즈니스 시스템이 검증하는 부분을 분리하세요. 같은 이름의 도시, 이름이 바뀐 장소, 경계 지점, 다국어 명칭, 여러 지점을 포함한 모호한 지리를 테스트하세요. 모든 조건을 만족하는 검증된 결과가 없을 때 그 사실을 알리고 그럴듯한 답을 만들어내지 않도록 결과 없음 동작도 테스트해야 합니다. 근거 있는 결과 비율, 장소 확인 정확도, 잘못된 좌표 비율, 오래된 데이터 비율, 순위 수용률과 함께 장소 선택, 길찾기 열기, 지도 저장, 매물 후보 등록, 예약 시작, 매장 선택, 작업 흐름 완료 같은 결과를 측정하세요. 핵심 지표는 AI 프롬프트 수가 아니라 지리 작업을 반영해야 합니다.
팀이 피해야 할 실수는 무엇인가요?
| 실수 | 결과 | 더 나은 방법 |
|---|---|---|
| 모든 지도 기능을 AI라고 부름 | 제품 포지셔닝이 모호해짐 | 구체적인 AI 기능을 명시 |
| 언어 모델에 정확한 기하 계산을 요청 | 공간 정확성을 신뢰하기 어려움 | 결정론적 공간 연산 사용 |
| 모델 지식을 현재 장소 데이터로 취급 | 영업시간, 위치, 재고가 오래됨 | 승인된 최신 레코드 검색 |
| 적격성과 순위를 혼합 | 부적격 항목이 높은 순위를 얻음 | 필수 조건을 먼저 필터링 |
| 권한 확인 없이 비공개 데이터 전송 | 민감한 레코드가 유출될 수 있음 | 인증 후 최소 권한 데이터 검색 |
| 출처를 숨김 | 사용자가 근거를 판단할 수 없음 | ID, 출처, 타임스탬프 보존 |
| 단순 필터에 채팅 사용 | UX가 느려짐 | 결정론적 컨트롤 유지 |
| 프롬프트 수를 측정 | 활동량을 가치로 오인 | 완료된 지리 작업 측정 |
| AI에 제한 없는 동작 권한 부여 | 도구 접근이 보안 위험이 됨 | 모든 동작의 범위를 제한하고 검증 |
최종 결론
공간 AI는 하나의 모델이나 하나의 지도 기능이 아닙니다. 공간적 맥락을 사용해 환경을 이해하고, 지리적 의도를 해석하고, 관련 정보를 검색하고, 관계를 추론하고, 위치 순위를 정하고, 동작을 조정하는 AI 시스템을 포괄합니다. 지도 및 위치 제품에서 가장 견고한 구조는 AI가 의도를 해석하고, 신뢰할 수 있는 시스템이 사실을 제공하고, 공간 엔진이 관계를 계산하고, 애플리케이션이 권한을 검증하고, 지도가 결과를 보여주는 방식입니다. 해석-계산-검증의 경계는 대화형 지도를 설득력 있는 데모에서 신뢰할 수 있는 공간 제품으로 바꿉니다. Kaleidr는 이 모델을 장소 탐색, 프롬프트 기반 지도 제작, 임베디드 지도 AI, 공간 분석, 비즈니스 통합에 적용하면서 기존 지도 및 비즈니스 시스템이 적절한 책임을 유지하도록 합니다.
Kaleidr로 공간 AI 살펴보기
위치 기반 질문을 하고, 장소를 탐색하고, 지도를 만들고, 개인화하고, 결과를 공유하세요. **Kaleidr Spatial AI 체험하기**에서 직접 사용해 보고, 기존 제품에 채팅이나 임베드 기능이 필요하다면 개발자 문서를 확인하세요.
자주 묻는 질문
공간 AI란 무엇인가요?
공간 AI는 위치, 근접성, 거리, 포함 관계, 이동, 방향 또는 지리적 관계 같은 공간 맥락을 이해하거나 활용하여 질문에 답하고, 추천하고, 환경을 분석하고, 동작을 실행하는 인공지능입니다.
공간 AI와 GeoAI는 같은가요?
완전히 같지는 않습니다. GeoAI는 지리공간 데이터, GIS, 원격 탐사, 지리 분석에 AI를 적용하는 데 초점을 둡니다. 공간 AI는 로봇공학, 3D 환경, 체화형 에이전트, 대화형 지도와 기타 공간 인식 AI 시스템까지 포함하는 더 넓은 용어입니다.
공간 AI와 위치 인텔리전스는 같은가요?
아닙니다. 위치 인텔리전스는 위치와 지리적 맥락에서 도출되는 의사결정에 초점을 둡니다. 공간 AI는 위치 인텔리전스 작업 흐름을 지원할 수 있는 기술 접근 방식 중 하나입니다.
공간 AI와 공간 추론은 같은가요?
공간 추론은 공간 관계를 이해하고 추론하는 능력입니다. 공간 AI는 공간 추론을 인식, 데이터 검색, 순위, 지도, 동작과 결합할 수 있는 더 넓은 시스템 범주입니다.
대규모 언어 모델이 지리를 이해할 수 있나요?
많은 지리 개념을 이해하고 언어에서 공간 관계를 추출할 수 있지만, 정확한 기하와 위상 추론은 여전히 활발한 연구 분야입니다. 운영 시스템은 정밀한 계산에 전용 공간 함수를 사용해야 합니다.
공간 AI가 비공개 비즈니스 데이터를 사용할 수 있나요?
네. 애플리케이션이 허가된 레코드만 검색하고 사용자, 테넌트, 필드, 도구 권한을 적용해야 합니다. 비공개 데이터의 관리는 호스트 시스템에 남아 있어야 합니다.
공간 AI가 GIS나 지도 공급자를 대체하나요?
아닙니다. GIS는 공간 데이터, 분석, 편집, 거버넌스의 권위 있는 시스템으로 유지될 수 있습니다. 공간 AI 계층은 기존 렌더러, 지오코더, 경로 시스템, 장소 데이터베이스, 비즈니스 시스템을 사용할 수 있으며, 여기에는 애플리케이션이 이미 운영하는 Mapbox, Google Maps, MapLibre 지도도 포함됩니다.
공간 AI는 언제 유용한가요?
모호한 언어, 상호작용하는 여러 제약, 맥락적 선호, 후속 질문이 있거나 의도를 여러 지리 작업으로 바꿔야 할 때 가장 유용합니다.
공간 AI 사용을 피해야 하는 경우는 언제인가요?
작업이 단순하고 결정론적이라면 기존 검색, 필터 또는 명시적인 공간 함수를 사용하세요. 기존 컨트롤로 명확히 표현할 수 있는 질의에서 AI가 항상 더 나은 것은 아닙니다.
공간 AI는 어떻게 측정해야 하나요?
근거 있는 결과의 품질과 지리 작업의 완료를 측정하세요. 유용한 장소 선택, 지도 저장, 길찾기 열기, 부동산 후보 등록, 매장 선택, 운영 작업 흐름 완료처럼 실제 결과를 측정해야 합니다.
참고 자료
- Bao, Riyang 외. Spatial-Agent: Agentic Geo-spatial Reasoning with Scientific Core Concepts. arXiv:2601.16965, 2026. https://arxiv.org/abs/2601.16965
- Esri. What Is GeoAI? 2026년 8월 15일 열람. https://www.esri.com/en-us/capabilities/geoai/overview
- Feng, Jie 외. A Survey of Large Language Model-Powered Spatial Intelligence Across Scales: Advances in Embodied Agents, Smart Cities, and Earth Science. arXiv:2504.09848, 2025. https://arxiv.org/abs/2504.09848
- Ji, Yuhan, Song Gao, Ying Nie, Ivan Majić, Krzysztof Janowicz. Foundation Models for Geospatial Reasoning: Assessing the Capabilities of Large Language Models in Understanding Geometries and Topological Spatial Relations. arXiv:2505.17136, 2025. https://arxiv.org/abs/2505.17136
- Kaleidr. AI Maps You Can Talk To — Spatial AI. 2026년 8월 15일 열람. https://kaleidr.com/ai
- Kaleidr. Create Custom Maps with AI Map Maker. 2026년 8월 15일 열람. https://kaleidr.com/studio
- Kaleidr. Build with Kaleidr. 개발자 문서. 2026년 8월 15일 열람. https://docs.kaleidr.com/
- NASA Earthdata. Earth Observation Data and Artificial Intelligence. 2026년 8월 15일 열람. https://www.earthdata.nasa.gov/learn/earth-observation-data-basics/artificial-intelligence
@article{feng2025spatialintelligence,
title = {A Survey of Large Language Model-Powered Spatial Intelligence Across Scales: Advances in Embodied Agents, Smart Cities, and Earth Science},
author = {Feng, Jie and Zeng, Jinwei and Long, Qingyue and others},
year = {2025},
journal = {arXiv preprint arXiv:2504.09848},
url = {https://arxiv.org/abs/2504.09848}
}
@article{ji2025geospatialreasoning,
title = {Foundation Models for Geospatial Reasoning: Assessing the Capabilities of Large Language Models in Understanding Geometries and Topological Spatial Relations},
author = {Ji, Yuhan and Gao, Song and Nie, Ying and Maji\'{c}, Ivan and Janowicz, Krzysztof},
year = {2025},
journal = {arXiv preprint arXiv:2505.17136},
url = {https://arxiv.org/abs/2505.17136}
}
@article{bao2026spatialagent,
title = {Spatial-Agent: Agentic Geo-spatial Reasoning with Scientific Core Concepts},
author = {Bao, Riyang and Yang, Cheng and Yu, Dazhou and Tang, Zhexiang and Mai, Gengchen and Zhao, Liang},
year = {2026},
journal = {arXiv preprint arXiv:2601.16965},
url = {https://arxiv.org/abs/2601.16965}
}
@misc{esri_geoai,
title = {What Is GeoAI?},
author = {{Esri}},
note = {Accessed 15 August 2026},
url = {https://www.esri.com/en-us/capabilities/geoai/overview}
}
@misc{nasa_earthdata_ai,
title = {Earth Observation Data and Artificial Intelligence},
author = {{NASA Earthdata}},
note = {Accessed 15 August 2026},
url = {https://www.earthdata.nasa.gov/learn/earth-observation-data-basics/artificial-intelligence}
}
@misc{kaleidr_spatial_ai_2026,
title = {AI Maps You Can Talk To -- Spatial AI},
author = {{Kaleidr}},
note = {Accessed 15 August 2026},
url = {https://kaleidr.com/ai}
}
@misc{kaleidr_studio_spatial_ai_2026,
title = {Create Custom Maps with AI Map Maker},
author = {{Kaleidr}},
note = {Accessed 15 August 2026},
url = {https://kaleidr.com/studio}
}
@misc{kaleidr_developer_spatial_ai_2026,
title = {Build with Kaleidr},
author = {{Kaleidr}},
note = {Developer documentation; accessed 15 August 2026},
url = {https://docs.kaleidr.com/}
}