Google verlagert Geodaten aus dem Kontextfenster und macht die Karte zum Arbeitsraum des Agenten

Am 14. Oktober veröffentlichte Google einen technischen Bericht zum Geospatial Reasoning agent und erweiterte den experimentellen Zugang über Ask Google Earth sowie einen headless A2A-Dienst. Der Agent erstellt zuerst einen Plan, wählt danach Modelle, Datensätze und räumliche Werkzeuge aus und verarbeitet große Kartenebenen in einem separaten Arbeitsraum außerhalb des Kontextfensters.

Das System verbindet Gemini mit WeatherNext, Flood Forecasting, AlphaEarth Foundations, Earth Engine, Maps Platform und weiteren Quellen. Nutzer können eigene CSV-Dateien, GeoJSON oder Cloud-Tabellen hinzufügen. Der Zugang bleibt begrenzt und erfordert eine Interessenbekundung.

Spezialisierte Werkzeuge schlagen das Sprachmodell allein

Google verglich vier Konfigurationen auf vier Benchmarks. Auf ein eigenständiges Modell folgten Varianten mit normaler Websuche und maps grounding, mit Earth-AI-Fähigkeiten und schließlich mit einer vorgeschalteten Planungsphase. Die veröffentlichten Ergebnisse zeigen einen deutlichen Beitrag spezialisierter Werkzeuge bei quantitativen räumlichen Aufgaben.

UnivEARTH war die Ausnahme, dort erreichte bereits das eigenständige Modell 93,6 %. Google weist darauf hin, dass die zugrunde liegenden NASA-Artikel und Antworten öffentlich im Web stehen. Dieses Ergebnis misst daher möglicherweise eher das Auffinden einer bekannten Antwort als eine neue räumliche Analyse.

Ein eigener Arbeitsraum löst eine Grenze, die kein Prompt beseitigt

Datensätze im planetaren Maßstab passen nicht sinnvoll in ein Kontextfenster. Der Agent hält Plan und Schlussfolgerungen in der Unterhaltung, verarbeitet Kartenebenen aber in einem eigenen Arbeitsraum. Jede Antwort zeigt Plan und Datenquellen, damit Fachleute Annahmen ändern oder Datensätze austauschen können.

Diese Architektur ist wichtiger als die Chatoberfläche. Geodatenarbeit hängt von Projektionen, zeitlicher Auflösung, lokaler Abdeckung und geeigneten Ersatzdaten ab. Der Agent muss wissen, wann er ein Werkzeug aufruft, und erkennen, wann die Daten keine Antwort tragen.

Partnerprojekte überzeugen als Fallstudien, nicht als allgemeiner Beleg

Nach Angaben von Google setzten WHO AFRO und das kongolesische INRB das System während des Ebola-Ausbruchs 2026 ein. Der Agent verband Waldverlust, Bergbaustandorte und Bevölkerungsdaten und markierte innerhalb von Minuten 48 gefährdete Siedlungen mit mehr als 45.500 Menschen. People in Need analysierte 14 historische Zyklonverläufe, das Milken Institute prüfte mehr als 1.500 Gebäude.

Diese Fälle wurden von Google und seinen Partnern ausgewählt und beschrieben. GeoExpertQueries wird zudem von einem Autorater anhand der Übereinstimmung mit Expertenabläufen bewertet, nicht anhand der korrekten Endantwort. Google selbst bezeichnet die Ausgabe deshalb als guten ersten Entwurf für die fachliche Prüfung.

Audit, lokale Daten und Korrekturzeit bestimmen den Produktionswert

Der nächste Test ist keine weitere Vorführung mit einem globalen Datensatz. Entscheidend ist die Arbeit mit lückenhaften lokalen Angaben, widersprüchlichen Quellen und Grenzen, bei denen ein kleiner Fehler die Zahl gefährdeter Menschen oder Gebäude verändert. Relevant werden eine Prüfkette für jeden Schritt und die Zeit, die Fachleute für Korrekturen benötigen.

Der begrenzte Early Access muss außerdem zeigen, ob der A2A-Dienst die Datenherkunft beim Anschluss externer Agenten und privater Tabellen erhält. Verschwindet die Quellenspur zwischen Diensten, erzeugt schnellere Analyse lediglich früher schwer auffindbare Fehler.

Liliths Urteil

Google setzt einen Agenten über die Weltkarte, doch die letzte rote Zone muss weiterhin ein Experte zeichnen. Bei einer Flut oder Epidemie ist eine falsche Grenze kein Schönheitsfehler, sondern setzt Menschen auf die falsche Seite der Karte.