Что могут помочь ИИ-агенты в геоаналитике? Этот вопрос постоянно держится в моей голове. И как гео аналитик и как автор курса по пространственному анализу, мне важно понимать ограничения и возможности LLM и особенно Agentic AI в решении пространственных задач. Еще вчера, чтобы выгрузить сеть дорог или найти ближайшие автобусные остановки к дому, нужно было знать либо ГИСы, либо Python. Сегодня почти каждая гео-платформа объявляет, что внедрила Agentic AI, и поэтому не надо быть гис-специалистом, чтобы найти пешеходные улицы с низкой конкуренцией. Недавно потестировала такого агента в Carto: просила найти топ-10 локаций с самым большим пешеходным трафиком и высоким средним доходом. Справился отлично (пример на картинке)👌 Все, значит можем сворачивать лавочку и без аналитиков справятся? На деле: я бы не доверила сегодняшнему ИИ гео-задачу целиком. Почему? Ограничения ✨Во-первых, любой ИИ-агент- полный двоечник по географии и геометрии. Например: - он плохо рисует геометрические фигуры и не понимает, как они относятся друг с другом и что будет если нарисовать буфер вокруг точки. - он не понимает, что находится близко, а что далеко, что значит «соседний» и какие локации связаны между собой сильнее остальных. - не знает какие проекции используют в разных странах и часто забывает проверить их прежде чем сцеплять 2 датасета между собой; ✨Во-вторых, вам все равно нужны данные или знание откуда их можно взять: агент может написать код, чтобы достать данные из Open Street Map, но его нужно туда за ними отправить. Иначе ваш анализ будет построен на блогах для туристов и цитатах reddit. ✨В-третьих, про большое количество геоаналитических алгоритмов AI не знает. Они хранятся в проектах github и мало популярных библиотеках Python. AI пока не умеет их предлагать. Недавно просила Gemini, Chat GPT 5.2 и Copilot решить задачу разделения территории на регионы с одинаковым количеством зданий (готовые алгоритмы есть в библиотеки Pysal а примеры лежат на Github). Однако все 3 посоветовали k-means, отметив, что он не гарантирует одинакового числа зданий. Только Gemini уточнила, что есть еще алгоритм, но код выдумала не подходящий. ✨И последнее, актуальное для любой задачи решаемой с AI. Чтобы он ее решил, нужно знать очень точно, что вы хотите решить. Например, если я хочу открыть мороженое в хорошем месте, я должна знать, что для меня хорошее место. И в целом, что такая задача может решаться аналитически. Далеко не каждый бизнес это понимает. А как тогда их использовать? На мой взгляд сейчас есть 4 хороших use-case. 1. Agentic AI может или очень скоро сможет закрывать то, чем геоаналитики не очень любят заниматься: работой с клиентами. По опыту, 40% от проекта уходят на объяснение клиенту как пользоваться картой, которую вы ему построили: как работают фильтры, что показывают данные и, в конце концов, как принимать решение, где открыть бизнес. Вот тут Агент — бесценен. По запросу клиента на ваших уже собранных данных, он найдет клиенту и локацию по его запросу, и раскрасит карту по нужному параметру, и сравнит несколько локаций между собой, и скажет какая лучше😍. 2. Агент на гео-платформе справится, если вы специалист по недвижимости без опыта в гео, но со знанием, что вы ищите. Вам надо проверить хорошая ли локация, по вашим критериям. Тогда вы можете пойти в одну из платформ, выбрать нужные данные из предложенных там, и AI соберет из них слои для карты и даже сформирует отчет. 3. " Под капотом" 2ого пункта лежит еще один use-case - Agentic AI как оркестратор процессов. Чтобы по вашему запросу получался ответ, разработчик использует агента для трансформации слов в запрос в базу, а затем результат отдает в код, который выполняется и возвращает ответ обратно Агенту. Тот превращает его в текст или слой на карте и показывает вам.