Minęło już trochę czasu od eventu w Las Vegas i szczerze mówiąc, wciąż jesteśmy pełni wrażeń.
Google Cloud Next ’26 zgromadziło w Mandalay Bay 31 000 specjalistów technologicznych, twórców rozwiązań i liderów biznesu na trzy dni pełne ogłoszeń, prezentacji i rozmów o tym, dokąd naprawdę zmierza AI w przedsiębiorstwach. Główny przekaz ze sceny był odważny i jednoznaczny: Agentic Enterprise nie jest już wizją prezentowaną na slajdzie. To rozwiązanie, które działa produkcyjnie, na dużą skalę, już teraz.
Next ’26 potwierdziło to, co obserwujemy od pewnego czasu: lokalizacja nie jest już odizolowaną dziedziną. Była obecna w prezentacjach podczas keynote’ów, sesjach tematycznych, ogłoszeniach partnerów oraz nowych produktach danych trafiających bezpośrednio do BigQuery.
Kluczowy wniosek: Location Intelligence stało się kluczowym elementem sposobu, w jaki przedsiębiorstwa podchodzą do AI. Google Cloud Next ’26 pokazało to wyjątkowo wyraźnie.
Byliśmy na miejscu i śledziliśmy wszystko: sesje, prezentacje oraz rozmowy z partnerami. Oto pięć najważniejszych wniosków dotyczących geoprzestrzennego AI, które — naszym zdaniem — powinien znać każdy zespół analityczny i AI pracujący z Google Cloud.
Najważniejszym ogłoszeniem platformowym podczas Next '26 była Gemini Enterprise Agent Platform: nowy, kompleksowy system Google do tworzenia, skalowania, zarządzania i uruchamiania agentów AI w środowiskach korporacyjnych. To istotna zmiana. Dla nas najbardziej ekscytująca nie była sama warstwa orkiestracji, ale to, na czym teraz będą opierać się agenci.
Podczas prezentacji keynote Andi Gutmans przedstawił agenta dla łańcucha dostaw, który wykorzystał Google Earth AI oraz aktualne zdjęcia satelitarne do wykrycia pożaru i zamknięcia autostrady międzystanowej. Następnie połączył ten kontekst przestrzenny z wewnętrznymi danymi dotyczącymi łańcucha dostaw w BigQuery, aby w czasie rzeczywistym określić skalę ryzyka biznesowego. To właśnie produkty geoprzestrzenne Roads Management Insights i Street View Insights odpowiadały za kluczową część tej prezentacji.
To przykład tego, jak wygląda dzisiejsza wizja Agentic GIS. Nie jako koncepcja, ale jako działający system. Agent nie tylko odpowiada na pytanie; analizuje, gdzie coś się dzieje, co oznacza kontekst fizyczny i co to implikuje dla podejmowanej decyzji.
Dla osób kierujących zespołami analitycznymi lub AI ma to istotne znaczenie. Dane już istnieją (zapasy, popyt, ryzyko, operacje) są już dostępne i scentralizowane w BigQuery. Do tej pory brakowało warstwy przestrzennej, która łączyłaby wszystkie te dane ze światem rzeczywistym i udostępniała ten kontekst agentom AI.
Ten brakujący element jest już dostępny w dwóch wariantach:
Google uruchomił nowy program program partnerski Gemini Enterprise Agent Marketplace, a CARTO jest jedynym dostawcą Agentic GIS, który został w nim uwzględniony. Powtórzmy to jeszcze raz: CARTO jest jedynym dostawcą Agentic GIS w tym programie.
Jesteśmy z tego naprawdę dumni. To efekt fundamentalnej różnicy architektonicznej między sposobem, w jaki zbudowano CARTO, a działaniem tradycyjnych desktopowych platform GIS. Narzędzia GIS projektowane przede wszystkim z myślą o komputerach stacjonarnych nie powstały z myślą o natywnych dla chmury przepływach pracy koordynowanych przez agentów, które Google stawia dziś w centrum swojej strategii enterprise AI.
Właśnie dlatego Google wybrał CARTO i dlatego każdy Analytics Director oceniający inwestycje w agentów AI w 2026 roku powinien zadać każdemu dostawcy rozwiązań GIS to samo pytanie:
„Czy Twoja platforma może dostarczać dane przestrzenne na dużą skalę do agenta działającego w naszym środowisku chmurowym, bez tworzenia kolejnego silosu danych lub nowych problemów związanych z zarządzaniem danymi?”
Integratorzy systemów, którzy na konferencji NEXT pracowali nad tym rozwiązaniem, byli równie zachęcający. Deloitte, Woolpert i Accenture były silnie obecne na wydarzeniu i korzystają z CARTO w ramach Google Cloud.
Next ’26 było również okazją do spotkań z naszymi Exclusive Partners, którzy są silnie zaangażowani w ekosystem Google, oraz do rozmów o tym, jak udostępniać Location Intelligence klientom Google na dużą skalę — między innymi w Brazylii wspólnie z Geoambiente oraz we Francji z ArkeUp GIS .
Jeśli kiedykolwiek spędziłeś tydzień na wyszukiwaniu, czyszczeniu i przetwarzaniu danych lokalizacyjnych, zanim mogłeś w ogóle rozpocząć analizę, ta część jest właśnie dla Ciebie.
Google Next '26 przyniosło zestaw naprawdę interesujących nowych produktów z zakresu danych geoprzestrzennych od zespołu Google Maps Platform. Tym, co odróżnia je od poprzednich ofert danych, jest miejsce, w którym są dostępne. Produkty te znajdują się bezpośrednio w BigQuery, dzięki czemu można łączyć je z własnymi danymi za pomocą spatial SQL bez konieczności budowania pipeline’u zasilającego dane, konwertowania formatów czy angażowania zespołu data engineering jeszcze przed rozpoczęciem właściwej analizy.
Oto trzy ogłoszenia, które naszym zdaniem mogą mieć realne znaczenie dla zespołów analitycznych:
W testach porównawczych obejmujących 27 zadań z obszaru społeczno-ekonomicznego i zdrowotnego rozwiązanie to zmniejszyło błąd prognozowania nawet o 20% w porównaniu z tradycyjnymi danymi demograficznymi. Dla zespołów tworzących modele wyboru lokalizacji, procesy prognozowania popytu lub geograficzne wskaźniki ryzyka oznacza to większą dokładność bez konieczności dodatkowego feature engineering. Wystarczy połączyć tabelę i rozpocząć modelowanie. Zobacz, jak można wykorzystać te dane w CARTO i wygląda to w praktyce.
W tym roku rozwiązanie rozszerza zastosowanie poza sektor publiczny, obejmując między innymi logistykę mid-mile i pomoc drogową. Dla zespołów operacyjnych oznacza to możliwość zastąpienia kosztownych umów z zewnętrznymi dostawcami danych i własnej infrastruktury sensorowej jednym źródłem danych natywnie dostępnym w magazynie danych.
Dla zespołów tworzących modele wyboru lokalizacji, procesy prognozowania popytu lub geograficzne wskaźniki ryzyka oznacza to większą dokładność bez konieczności dodatkowego feature engineering. Wystarczy połączyć tabelę i rozpocząć modelowanie. Skontaktuj się z zespołem, aby dowiedzieć się, co można wykorzystać w Twoim przypadku.
Jednym z najbardziej interesujących kierunków zaprezentowanych podczas Next ’26 był pakiet Imagery Insights. Dla każdego, kto poświęcił czas na próby wyodrębnienia na dużą skalę ustrukturyzowanych informacji z obrazów satelitarnych lub zdjęć wykonywanych z poziomu ulicy, postęp w tym obszarze jest znaczący.
Jednym z mniej spektakularnych, ale bardzo istotnych ogłoszeń podczas Next ’26 było udostępnienie Maps Grounding Lite – lekkiej integracji, która umożliwia każdemu agentowi AI dostęp do danych Google Maps za pośrednictwem protokołu Model Context Protocol (MCP). Dla zespołów AI tworzących agentów w różnych modelach LLM i frameworkach, wyeliminowanie konieczności stosowania niestandardowych łączników w celu uzyskania zweryfikowanych, dynamicznych danych przestrzennych w agencie to znaczący krok naprzód.
Podczas kilku sesji tematycznych na Next pokazano to rozwiązanie w praktyce:
Właśnie do tego służą narzędzia MCP dla agentów AI firmy CARTO. Cały Twój zespół od analityków geoprzestrzennych po data scientists i analityków danych, może tworzyć agentów przestrzennych, którzy rozumieją kontekst lokalizacji, uruchamiają geoprzestrzenne przepływy pracy i zwracają oparte na mapach odpowiedzi na pytania biznesowe w ramach platform agentowych, takich jak Claude, ChatGPT czy Gemini Enterprise. Wszystko to działa w istniejącym środowisku BigQuery organizacji i w ramach zasad zarządzania danymi, z których zespół już korzysta.
To właśnie na tej architekturze opiera się Gemini Enterprise Agent Platform. I, mówiąc wprost, jest to również architektura, do której obsługi nigdy nie projektowano tradycyjnych narzędzi GIS tworzonych przede wszystkim z myślą o środowisku desktopowym ani ich późniejszych odpowiedników opartych na warstwie API. Różnica między kierunkiem, w którym zmierza enterprise AI, a możliwościami tradycyjnych narzędzi przestrzennych rośnie bardzo szybko.
Google Cloud Next zawsze daje wyraźny sygnał, w jakim kierunku zmierza rynek. W tym roku był on szczególnie mocny w kontekście danych przestrzennych. Stos technologiczny AI konsoliduje się wokół natywnych dla chmury przepływów pracy, w których hurtownia danych stanowi podstawę, a procesami zarządzają agenci. Location Intelligence znajduje się w samym centrum tej transformacji. Nie jako specjalistyczny obszar, który trzeba przekazać i na który trzeba czekać, ale jako pełnoprawna kompetencja dostępna dla każdego analityka, każdego agenta i każdego zespołu, który musi zrozumieć, gdzie zachodzi dane zjawisko.
Najszybciej rozwijać się będą te organizacje, które przestaną traktować lokalizację jako osobny strumień pracy. Dobrą wiadomością jest to, że CARTO działa natywnie w BigQuery, integruje się z platformą Gemini Enterprise Agent Platform oraz Google Studio, a jednocześnie wykorzystuje mechanizmy zarządzania i modele, którym Twój zespół już ufa. Jesteśmy dumni, że CARTO jest jedynym partnerem Agentic GIS w programie Gemini Enterprise Agent Marketplace. I szczerze mówiąc, wydaje się to naturalnym efektem wielu lat rozwijania platformy właśnie w tym kierunku.
Chętnie pokażemy, jaki wpływ te nowe rozwiązania mogą mieć na strategię AI i rozwiązania geoprzestrzenne w Twojej organizacji. Zamów demo i sprawdźmy to wspólnie.
Autorzy: Ewa Estrada-Adler i Dawid Kaill
Tłumaczenie: Nela Sasak
OPGK RZESZÓW S.A.
Geodetów 1
Rzeszów 35-328
Polska
