A IA Espacial para comodidades no local de trabalho conecta o pedido em linguagem natural de um funcionário com os espaços autorizados no escritório, serviços internos e lugares próximos aprovados, para que o produto possa recomendar uma opção que se encaixe no acesso, disponibilidade e na próxima tarefa. O modelo de linguagem interpreta intenções compostas, como uma sala silenciosa próxima à próxima reunião. Os sistemas do local de trabalho continuam sendo a autoridade para reservas, crachás e status de operação. Os serviços geoespaciais calculam as distâncias a pé e as relações dentro do campus, e a IA Espacial então explica a lista resumida no mapa.
As seções abaixo separam as comodidades internas dos lugares públicos próximos, depois abordam identidade, elegibilidade, contexto do dia de trabalho, privacidade, mapeamento público da Kaleidr, avaliação e um piloto restrito. Leituras relacionadas incluem Local Amenities: How to Map Nearby Places, Grounded Spatial AI for Business Data, Spatial AI for Multi-Location Businesses e Private Location Data for AI Map Workflows. O restante do artigo é escrito para equipes que já possuem um aplicativo de local de trabalho e precisam de uma camada espacial ao redor dele, não para equipes que estão procurando uma plataforma de instalações substituta.
Essenciais de comodidades no local de trabalho
- Tarefa primeiro: Comece pelo trabalho do funcionário, não por um mapa de escritório decorativo.
- Proprietários permanecem separados: Salas internas e cafés próximos não compartilham um único sistema de registro.
- Autorize antes de acessar: O modelo não é o crachá ou o sistema de reservas.
- Usável supera mais próximo: Espaços fechados, cheios ou fora do caminho saem do conjunto primeiro.
- Meça a tarefa: Seleção válida, repasse e geografia sem resultados superam apenas o tempo de chat.
A Spatial AI para o local de trabalho se torna útil quando conecta a intenção do funcionário a espaços autorizados, disponíveis e à geografia do dia de trabalho.
Por que Spatial AI para Amenidades do Local de Trabalho é um Problema de Arquitetura do Trabalho?
Um assistente genérico de busca local pode listar restaurantes ou parques perto de um ponto. Um produto para o ambiente de trabalho precisa responder qual sala de foco o funcionário pode entrar, qual lounge do inquilino está aberto após as seis, qual café ainda serve antes da próxima reunião ou qual prédio do campus um visitante pode acessar sem crachá. Essas respostas dependem da política de acesso, estado da reserva, horários de serviço, identidade do andar ou prédio e do próximo compromisso do funcionário. Um modelo de linguagem não deve inventar esses dados a partir da memória do treinamento.
A análise da Cushman & Wakefield sobre grandes contratos de escritórios de 2022 trata a demanda por comodidades como parte de um padrão mais amplo de fuga para a qualidade: conveniência de acesso, incluindo estacionamento e transporte público próximo, alimentação no local ou nas redondezas e recursos de bem-estar aparecem entre os atributos comuns dos edifícios (Cushman & Wakefield, 2026). O mesmo relatório afirma que adicionar comodidades por si só não significa que os problemas de engajamento e presença dos ocupantes estejam resolvidos. Portanto, a oportunidade de produto não é um catálogo de vantagens de IA. Localização, estado do local de trabalho e intenção dos funcionários ainda precisam reduzir atritos dentro e ao redor do local de trabalho, sem substituir os sistemas que já gerenciam acesso e reservas.
O que Conta como uma Comodidade no Local de Trabalho?
Um benefício no local de trabalho pode ser interno ou externo, e os funcionários não pensam nesses limites de banco de dados. Exemplos internos incluem salas de reunião, salas de concentração, cabines telefônicas, cafés, cozinhas, academias, salas de bem-estar, armários, chuveiros, estacionamento de bicicletas, estacionamento, recepção, serviços de correspondência, suporte de TI, espaços de colaboração, terraços e lounges para inquilinos. Exemplos externos próximos incluem restaurantes, cafeterias, farmácias, estações de transporte, estacionamentos, supermercados, academias, parques e outros serviços ao redor do escritório. Cuidados infantis ou outras categorias sensíveis devem aparecer apenas quando o usuário pedir e o anfitrião tiver aprovado a fonte.
A tarefa composta é o ponto. Um funcionário com quarenta e cinco minutos antes de uma reunião está pedindo um espaço utilizável ou uma refeição que ainda permita voltar a tempo, não um diretório completo. Uma lista de comodidades estática responde o que existe. IA espacial para comodidades no local de trabalho responde qual opção autorizada e atualmente utilizável se encaixa na tarefa, na origem e no próximo destino.
Por que as comodidades internas e os lugares próximos precisam ficar separados?
Não una todas as comodidades em um único banco de dados genérico de lugares. O sistema do local de trabalho é responsável pela identidade interna, status de operação, políticas de acesso, capacidade, estado de reservas e detalhes de serviços internos. Uma fonte de lugar aprovada é responsável por empresas externas próximas, endereços públicos, categorias e informações públicas de operação, quando disponíveis. Um serviço de rotas ou caminhada é responsável por rotas, distâncias e estimativas de tempo de viagem. O aplicativo principal do local de trabalho é responsável pela identidade dos funcionários, atribuição de escritórios, permissões de visitantes e solicitações de serviços. A camada de IA é responsável pela interpretação de intenções, esclarecimentos, explicações e ações de mapa ou fluxo de trabalho suportadas.
O modelo de divisão do proprietário é baseado em confiança. Um feed de horários de café não pode autorizar uma sala de foco bloqueada, e um registro de reserva de sala não pode substituir um restaurante público. Mantenha os proprietários inspecionáveis para que uma recomendação errada possa ser rastreada até o sistema que produziu o dado.
A camada de IA coordena o contexto do trabalho e da vizinhança; ela não substitui sistemas de reserva, acesso ou instalações.
Como a IA Espacial do Trabalho Deve Ser Arquitetada?
Uma sequência de produção pode ocorrer conforme pedido do funcionário, identidade e contexto do local de trabalho, comodidades autorizadas, elegibilidade rígida, disponibilidade mais cálculo espacial, classificação contextual, explicação fundamentada, mapa e lista, e então uma reserva ou ação de serviço do anfitrião. A ordem é fundamental. O modelo de linguagem não deve receber todos os registros de quartos privados e depois ser solicitado a adivinhar o que o usuário pode acessar. A autorização vem antes da recuperação, o mesmo padrão que o Private Location Data for AI Map Workflows define para outros registros controlados pelo inquilino.
Comece pelo trabalho do funcionário em vez de começar por um mapa decorativo do escritório. Trabalhos típicos incluem encontrar um espaço tranquilo perto de uma sala específica, imprimir próximo de uma área da equipe, comer e voltar antes da próxima reunião, comparar dois escritórios para o caminho de um visitante, perguntar qual lounge de inquilino o crachá pode abrir, ou planejar um bloco de foco e depois um café perto da estação. Filtros comuns se tornam complicados quando várias dessas restrições aparecem em uma mesma frase. A camada de IA é útil quando ela nomeia a pergunta que os sistemas do local de trabalho devem responder, e não quando inventa disponibilidade.
Por que os IDs de Amenidades Canônicas Importam?
Toda comodidade interna deve manter um identificador durável que seja compartilhado pelo diretório do local de trabalho, recurso de mapa, feed de disponibilidade, ação de reserva, explicação de IA e análises. Nomes de exibição como "Sala de Foco 3" se repetem em andares e prédios, então eles são rótulos e não identidades. Uma hierarquia útil preserva a organização, campus ou site, prédio, andar e comodidade. Sem essa hierarquia, "uma sala perto de mim" pode retornar um espaço com nome similar em outra torre.
A comparação a seguir é editorial, não um schema documentado do Kaleidr. Implantações reais devem preencher as mesmas colunas com os sistemas que o anfitrião já utiliza.
| Reivindicação | Fonte autoritativa |
|---|---|
| Funcionário pode entrar no espaço | Sistema de acesso / identidade |
| Sala está livre no período solicitado | Sistema de reserva |
| Academia está aberta agora | Sistema de instalações ou horários |
| Café ainda está servindo | Alimentação de horários do local de trabalho ou lugar |
| Tempo de caminhada até a próxima reunião | Serviço de roteamento ou distância interna |
| Restaurante externo próximo existe | Fonte do local aprovada |
| Por que esta opção ficou em primeiro lugar | Explicação da IA sobre o acima |
Por que a Elegibilidade e Disponibilidade Devem Vir Antes da Classificação?
Alguns espaços simplesmente não são utilizáveis para a solicitação atual: o funcionário não tem acesso, a sala está reservada, a comodidade está fechada, a capacidade é muito pequena, o prédio está fechado ou um visitante não tem permissão. Essas são restrições rígidas. Os candidatos autorizados devem passar primeiro pela elegibilidade, depois pelo cálculo espacial e então pela classificação. Uma sala restrita nunca deve se tornar a principal recomendação apenas por estar próxima.
Existir no mapa não é o mesmo que ser utilizável. Uma academia pode existir e estar fechada. Um café pode existir e parar de atender às três. Um estacionamento pode existir e estar cheio para aquele grupo de credenciais. O sistema operacional deve controlar a usabilidade atual, e a reserva deve ser revalidada antes que o anfitrião a confirme. Se outro funcionário reservou a sala segundos antes, o aplicativo deve avisar e oferecer a próxima opção válida. O modelo de linguagem nunca deve ser a autoridade em reservas.
O contexto espacial então torna o conjunto restante útil. Mesmo prédio, mesmo andar, tempo de caminhada, troca de andar, distância de uma sala ou entrada conhecida, tempo de viagem até o transporte, e relação com a próxima reunião são fatos geográficos, não detalhes de conversa. Place Ranking API cobre a classificação dos locais restantes elegíveis depois que esses cálculos existem.
Como a Pesquisa de Local de Trabalho com Múltiplos Pontos de Ancoragem Difere da Pesquisa pela Sala Mais Próxima?
Escolher pelo menor caminho nem sempre é a regra certa para o local de trabalho. Considere três salas de foco editorial: A está a um minuto de caminhada, mas indisponível; B está a três minutos de caminhada, disponível, e no caminho para a próxima reunião; e C está a dois minutos de caminhada, disponível, mas exige voltar um pouco. A elegibilidade elimina A. O contexto do dia de trabalho pode colocar B à frente de C, mesmo que C seja mais próxima, porque o funcionário já está seguindo para a próxima reunião. A escolha do ranking é um problema de inteligência de localização, não de simples classificação de marcadores.
Muitas tarefas dos funcionários envolvem mais de um local: um lugar tranquilo entre a mesa atual e uma reunião com o cliente, ou um escritório que funciona se parte da equipe chegar de trem e um cliente chegar do aeroporto. O tempo pertence ao mesmo contexto. Uma janela de quarenta e cinco minutos antes da próxima reunião é uma restrição para o tempo de caminhada e horas de serviço, e não um relógio decorativo. A navegação interna passo a passo é opcional e separada. Muitos fluxos de trabalho úteis podem ser executados a partir de um escritório, prédio, andar, sala de reunião selecionados ou origem manual, já que AI Wayfinding Assistant for Venues trata o posicionamento interno como infraestrutura adicional, e não como pré-requisito para busca conversacional.
O melhor recurso no local de trabalho geralmente é aquele que se adequa à próxima tarefa, não aquele com a menor distância em linha reta.
Como a autorização e a privacidade de localização devem funcionar?
Autentique o usuário, determine quais espaços e campos o papel pode ver, recupere apenas esses registros e só então forneça um pacote de contexto compacto para a camada de IA. O Kaleidr atualmente documenta as verificações de origem do navegador e escopo nas chaves publicáveis na página de anexos do Chat (Kaleidr, 2026). A troca de sessão e chamadas em tempo de execução com escopo aparecem entre o público Platform API endpoints. A página Auth & scopes é o contrato para as próprias chaves e gateways de origem do Kaleidr. As páginas públicas de autenticação do Kaleidr não substituem a matriz de crachás do host ou o ACL da sala.
As coordenadas dos funcionários são sensíveis. Muitas tarefas podem usar um escritório, andar, sala de reunião ou um ponto temporário de 'comece aqui' selecionado, em vez de uma posição precisa contínua. Um produto de busca no local de trabalho geralmente pode funcionar com uma origem de tarefa atual, um destino selecionado e um contexto de rota temporário. Não persista um caminho padrão de salas percorridas, comodidades visitadas ou trajetos de caminhada ao longo do dia. Separe a análise agregada do local de trabalho da vigilância individual de movimentos. 'Silencioso' também precisa de uma fonte: um atributo de espaço verificado, um tipo de reserva ou um filtro explícito, não um adjetivo do modelo.
Como isso é diferente de mapear comodidades locais?
A Kaleidr já publica o Local Amenities: How to Map Nearby Places, que cobre a categorização e mapeamento de lugares próximos a uma localização. O artigo sobre o local de trabalho é um trabalho B2B diferente: espaços internos privados, acesso, disponibilidade, contexto do dia de trabalho, serviços externos aprovados e ações de propriedades do anfitrião. Descobrir não é reservar. Reservar compromete uma reserva no sistema de registro. Gestão de instalações e planejamento de espaço também são problemas relacionados; a busca por funcionários em tempo real não deve ser confundida com programação do portfólio. Um café de bairro pode aparecer em ambos os produtos, mas o produto do local de trabalho ainda precisa saber se o funcionário pode sair do perímetro do crachá, se a próxima reunião vai começar em breve e se o anfitrião pode oferecer uma reserva.
Onde a Kaleidr se encaixa em uma pilha de workplace?
A Kaleidr atualmente posiciona os Amenities como uma vertical de IA Espacial na página inicial (Kaleidr, 2026). A página AI Map Chat for Customer Discovery atualmente descreve a adição de busca, recomendações, insights e experiências sensíveis à localização com IA a um mapa existente sem precisar reconstruir a plataforma hospedeira. A página Chat attach documenta o product="chat" como uma camada conversacional sobre um mapa que o host já renderiza, mostrando os lugares resolvidos e ajustando a câmera conforme a conversa identifica os locais. O padrão natural B2B é um aplicativo de trabalho existente, mapa e sistemas de amenidades, mais uma camada espacial conversacional da Kaleidr, e não a substituição do software de trabalho.
A lista pública atual de Platform API endpoints inclui troca de sessões SDK, chat em streaming, rota, enriquecimento de POI e endpoints de design. A lista atualmente não publica rotas dedicadas /rooms, reservas de mesa, disponibilidade de local de trabalho ou controle de acesso. Um artigo no local de trabalho não deve implicar que o Kaleidr substitui softwares de reserva de quartos, sistemas de badge, plataformas de ocupação ou sistemas de instalações. Esses permanecem integrações de host, a menos que uma implantação empresarial suportada diga o contrário. A página do Location Intelligence APIs and Map SDK atualmente descreve SDKs, ranqueamento e análises para produtos espaciais. Dependendo da configuração, o Kaleidr pode suportar um campus com marca, visitantes ou superfície de bairro, enquanto ações privadas ainda exigem autenticação do host. Camadas de visitantes públicos e camadas de funcionários não precisam expor as mesmas comodidades.
Como as equipes devem avaliar a IA Espacial no Local de Trabalho?
O Kaleidr Analytics atualmente documenta engajamento com mapas e locais, comparação de locais, padrões espaciais e atividades que as equipes de produto, inventário e crescimento podem aproveitar (Kaleidr, 2026). Os sistemas anfitriões ainda gerenciam reservas e crachás. Use esse ciclo para encontrar andares com pesquisas de salas de foco sem sala elegível, janelas de tempo que fazem o funcionário se perder e locais com demanda e atributos ausentes. Spatial Analytics vs. Web Analytics explica por que apenas visualizações de página não respondem a essas perguntas. Os nomes de eventos sugeridos neste artigo são recomendações editoriais, não nomes de eventos automáticos documentados pelo Kaleidr Analytics.
Medidas de resultado úteis incluem taxa de resultados válidos, motivo de ausência de resultado, seleção de comodidades, reserva ou transferência de serviço, demanda repetida por local e falhas de disponibilidade. Compare escritórios apenas depois que as regras de acesso, horários e contexto de caminhada forem mantidos constantes. Privacidade na análise do local de trabalho significa zonas agregadas e resultados de tarefas, não rastreamento de funcionários nomeados.
A IA Espacial para o Local de Trabalho se torna mais valiosa quando padrões de demanda agregada e ausência de resultados ajudam as equipes a melhorar a experiência sem transformar o mapa em um sistema de vigilância de funcionários.
Como deve começar um piloto no local de trabalho?
Comece com um escritório e uma tarefa de alto valor, como recomendar uma sala de foco autorizada no caminho para a próxima reunião. Mantenha identidade, acesso e reservas nos sistemas que já os gerenciam. Anexe a interação do mapa conversacional ao mapa existente. Limite os candidatos a espaços autorizados, exija disponibilidade atual, calcule a distância a pé até o próximo destino, revalide antes da reserva e meça a seleção junto com a ação do anfitrião que segue. Expanda os tipos de comodidades, andares e lugares externos próximos apenas quando essa primeira janela funcionar.
A descoberta conversacional não substitui a disciplina de crachás, a atualização de horas ou a simultaneidade de reservas. Os tempos de caminhada continuam sendo estimativas. O posicionamento interno é opcional. Anexar um assistente a um mapa existente geralmente é mais barato do que substituir o renderizador, mas o host ainda precisa ter autorização e a próxima ação no local de trabalho. Trate os dados ausentes como desconhecidos em vez de como aprovados, e implemente por site em vez de todos os campi de uma vez.
Explore Kaleidr Spatial AI para adicionar pesquisa de localização conversacional em um mapa existente. Explore Kaleidr Enterprise para anexar SDKs e classificação à pilha que você já opera. Explore Kaleidr Analytics para medir o engajamento com o local e a demanda geográfica ao redor dessa jornada. Confirme as páginas públicas atuais antes de tratar qualquer exemplo neste artigo como um contrato vigente.
Perguntas Frequentes
O que é Spatial AI para amenidades no ambiente de trabalho?
A IA espacial para comodidades no local de trabalho usa intenções em linguagem natural e contexto de mapas para ajudar funcionários ou visitantes a encontrar espaços de trabalho utilizáveis, serviços e recursos próximos. Sistemas de trabalho autoritativos ainda controlam acesso, disponibilidade e reservas.
Como isso é diferente de um diretório de escritório?
Um diretório lista o que existe. Uma experiência de IA espacial pode levar em conta o local de trabalho atual do usuário, acesso, disponibilidade, relação de deslocamento, restrições de tempo e próxima tarefa antes de recomendar uma opção.
A IA espacial pode encontrar uma sala de reunião disponível?
O assistente pode ajudar a interpretar o pedido e comparar candidatos de salas autorizadas quando o aplicativo principal fornece a disponibilidade atual. O sistema de reservas de salas deve continuar sendo autoritativo e revalidar a sala antes da reserva.
O Kaleidr substitui o software de reservas do local de trabalho?
Não. Kaleidr pode adicionar inteligência espacial conversacional a um mapa ou aplicativo de trabalho existente, enquanto os sistemas de reserva, acesso e instalações continuam sendo os oficiais.
A IA no trabalho pode incluir restaurantes e serviços próximos?
Sim. Uma experiência de trabalho pode combinar comodidades internas com dados externos aprovados, permitindo que os funcionários façam perguntas compostas sobre o escritório e a vizinhança ao redor.
Isso requer posicionamento interno?
Não. Muitos fluxos de trabalho úteis podem funcionar a partir de um escritório, prédio, andar, sala de reunião ou origem manual selecionados. A navegação interna precisa, passo a passo, é uma funcionalidade separada.
Como os controles de acesso ao trabalho deveriam funcionar com IA?
Autentique o usuário, determine quais espaços e campos ele pode acessar, recupere apenas esses registros e então forneça o contexto autorizado para a camada de IA. O modelo não deve realizar a autorização.
Um assistente do local de trabalho deve rastrear continuamente a localização dos funcionários?
Não por padrão. Use o mínimo de contexto de localização necessário para a tarefa. Muitos fluxos de trabalho podem operar sem coordenadas exatas e persistentes dos funcionários.
Quais métricas de comodidades do local de trabalho uma empresa deve medir?
Métricas úteis incluem taxa de resultados válidos, motivo de ausência de resultados, seleção de comodidades, reserva ou repasse de serviço, demanda repetida por local ou área, e falhas de disponibilidade. Meça os resultados ao invés de apenas o volume de chat.
Proprietários podem usar IA espacial para comodidades dos inquilinos?
Sim. Uma plataforma voltada para experiências de locadores ou inquilinos pode usar a mesma arquitetura para lounges compartilhados, instalações de conferência, estacionamento, serviços para visitantes e comodidades próximas, enquanto os sistemas de acesso e reserva permanecem como referência.
Como isso é diferente do artigo de Comodidades Locais da Kaleidr?
O artigo de Comodidades Locais explica como categorizar e mapear lugares próximos de um determinado local. O artigo sobre locais de trabalho foca no fluxo de trabalho das empresas: espaços internos privados, acesso, disponibilidade, contexto do dia de trabalho, serviços externos próximos e ações de responsabilidade do anfitrião.
Onde a Kaleidr se encaixa?
Atualmente, a Kaleidr posiciona a Amenities como um segmento de negócios de IA Espacial, suporta a integração de IA conversacional a um mapa existente e oferece infraestrutura empresarial para stacks de produtos conscientes da localização. Considere a Kaleidr como a camada de inteligência e interação espacial ao redor dos sistemas de trabalho, em vez de como a fonte da verdade de salas, crachás ou instalações.
Referências
- Kaleidr. Build Your Own Spatial AI with Kaleidr. Accessed 14 September 2026. https://kaleidr.com/
- Kaleidr. AI Map Chat for Customer Discovery. Accessed 14 September 2026. https://kaleidr.com/ai
- Kaleidr. Chat — attach AI to your map. Developer documentation. Accessed 14 September 2026. https://docs.kaleidr.com/sdk/chat-attach
- Kaleidr. Endpoints. Developer documentation. Accessed 14 September 2026. https://docs.kaleidr.com/platform-api/endpoints
- Kaleidr. Auth & scopes. Developer documentation. Accessed 14 September 2026. https://docs.kaleidr.com/platform-api/auth-and-scopes
- Kaleidr. Location Intelligence APIs and Map SDK. Accessed 14 September 2026. https://kaleidr.com/enterprise
- Kaleidr. Map Engagement and Location Analytics. Accessed 14 September 2026. https://kaleidr.com/analytics
- Cushman & Wakefield. Which Amenities Are Driving Leasing Activity? Analysis of large 2022 office leases. 2026. Accessed 14 September 2026. https://www.cushmanwakefield.com/en/united-states/insights/which-amenities-are-driving-leasing-activity
- Kaleidr. Local Amenities: How to Map Nearby Places. Accessed 14 September 2026. https://kaleidr.com/blog/what-are-local-amenities-how-to-map-them
@misc{kaleidr_workplace_home_2026,
title = {Build Your Own Spatial AI with Kaleidr},
author = {{Kaleidr}},
year = {2026},
note = {Accessed 14 September 2026},
url = {https://kaleidr.com/}
}
@misc{kaleidr_workplace_ai_2026,
title = {AI Map Chat for Customer Discovery},
author = {{Kaleidr}},
year = {2026},
note = {Accessed 14 September 2026},
url = {https://kaleidr.com/ai}
}
@misc{kaleidr_workplace_chat_attach_2026,
title = {Chat -- attach AI to your map},
author = {{Kaleidr}},
year = {2026},
note = {Developer documentation; accessed 14 September 2026},
url = {https://docs.kaleidr.com/sdk/chat-attach}
}
@misc{kaleidr_workplace_endpoints_2026,
title = {Endpoints},
author = {{Kaleidr}},
year = {2026},
note = {Developer documentation; accessed 14 September 2026},
url = {https://docs.kaleidr.com/platform-api/endpoints}
}
@misc{kaleidr_workplace_auth_2026,
title = {Auth \& scopes},
author = {{Kaleidr}},
year = {2026},
note = {Developer documentation; accessed 14 September 2026},
url = {https://docs.kaleidr.com/platform-api/auth-and-scopes}
}
@misc{kaleidr_workplace_enterprise_2026,
title = {Location Intelligence APIs and Map SDK},
author = {{Kaleidr}},
year = {2026},
note = {Accessed 14 September 2026},
url = {https://kaleidr.com/enterprise}
}
@misc{kaleidr_workplace_analytics_2026,
title = {Map Engagement and Location Analytics},
author = {{Kaleidr}},
year = {2026},
note = {Accessed 14 September 2026},
url = {https://kaleidr.com/analytics}
}
@misc{cushman_amenities_leasing,
title = {Which Amenities Are Driving Leasing Activity?},
author = {{Cushman \& Wakefield}},
year = {2026},
note = {Analysis of large 2022 office leases; page states no publication year; access year used for the parenthetical; accessed 14 September 2026},
url = {https://www.cushmanwakefield.com/en/united-states/insights/which-amenities-are-driving-leasing-activity}
}
@misc{kaleidr_local_amenities_2026,
title = {Local Amenities: How to Map Nearby Places},
author = {{Kaleidr}},
year = {2026},
note = {Accessed 14 September 2026},
url = {https://kaleidr.com/blog/what-are-local-amenities-how-to-map-them}
}