Le 14 octobre 2026, Google Research a annoncé de nouveaux résultats pour le Geospatial Reasoning agent (GRA), ainsi qu’un élargissement de son accès expérimental, qui reste limité à un groupe d’utilisateurs. Les scores publiés évaluent le suivi de workflows géospatiaux experts, pas la justesse générale des réponses. Le rapport technique estime aussi le coût d’inférence par requête, sans inclure les services externes de données et de calcul.
Un agent qui planifie des analyses géospatiales
GRA est un agent expérimental de Google Earth AI, propulsé par Gemini. Il vise à répondre à des questions géographiques en combinant des modèles, des jeux de données et des outils spécialisés. Avant une analyse complexe, il établit un plan, sélectionne les ressources utiles et présente son plan ainsi que ses sources de données. Il peut aussi s’appuyer sur d’autres jeux de données si la couverture locale est limitée.
Google indique que l’API de l’agent accepte des fichiers CSV, des limites géographiques au format GeoJSON et des tables dans le cloud, afin de les associer aux données et modèles d’Earth AI. L’annonce du 14 octobre 2026 décrit trois voies d’accès anticipé — l’analyse approfondie d’Ask Google Earth, une API expérimentale entre agents et un aperçu de Planetary Prediction Engine — réservées à un groupe limité d’utilisateurs. Google Research a présenté ces fonctions et le statut d’accès.
Ce que mesure GeoExpertQueries
Le rapport technique soumis à arXiv le 11 octobre 2026 compare plusieurs configurations sur différents benchmarks. Pour GeoExpertQueries, il mesure dans quelle mesure les résultats suivent des workflows de référence établis par des experts. Le score n’est donc pas une mesure directe de l’exactitude de la réponse finale. Avec Gemini 3.8 Flash, les trois configurations comparées ont obtenu les résultats suivants; chaque score est une moyenne sur trois exécutions, avec l’écart-type indiqué. Le rapport technique détaille l’évaluation.
| Configuration avec Gemini 3.8 Flash | Score GeoExpertQueries sur 100 (moyenne ± écart-type, trois exécutions) |
| Modèle avec outils de base | 3,3 ± 0,8 |
| Outils GRA sans planification préalable | 52,2 ± 5,4 |
| GRA complet | 62,7 ± 2,5 |
Dans cette évaluation, l’écart entre les outils de base et les outils géospatiaux est marqué. L’ajout de la planification au système utilisant les outils GRA correspond à 10,5 points de plus. Ces résultats décrivent le comportement sur ce benchmark et cette configuration, pas une garantie de performance pour toute question géographique.
Les estimations d’inférence ne couvrent pas tous les coûts
Pour une requête GeoExpertQueries, le rapport estime l’inférence du modèle à 0,199 $ avec GRA et Gemini 3.8 Flash, contre 0,688 $ avec GRA et Gemini 3.1 Pro. L’écart est de 0,489 $ par requête; l’estimation Flash est environ 71 % plus basse que celle de Pro. Ces montants portent sur l’inférence du modèle. Ils excluent les services externes de données et de calcul, notamment Google Earth Engine, et ne représentent donc pas un coût total d’exploitation. Le rapport donne ces estimations et leur périmètre.
Des essais partenaires aux exemples concrets
Google rapporte que l’équipe de préparation aux urgences du Bureau régional de l’OMS pour l’Afrique (WHO AFRO) a utilisé GRA dans un travail de cartographie lié à l’épidémie d’Ebola en République démocratique du Congo. En croisant des données sur la déforestation observée par satellite, les sites miniers et la population, l’équipe aurait repéré 48 localités exposées et plus de 45 500 personnes à risque en quelques minutes; Google indique que le processus comparable prenait habituellement plusieurs semaines. Il s’agit d’un résultat rapporté par Google. Dans un exemple distinct, Google indique que l’Institut national de recherche biomédicale de la RDC a utilisé Planetary Prediction Engine pour estimer les risques de propagation vers des zones non infectées. Google décrit ces exemples et les essais menés avec ses partenaires.
Google rapporte aussi que People in Need a analysé 14 trajectoires historiques de cyclones pour repérer des villages fortement exposés. Alonso Gonzales, coordinateur des systèmes d’information géographique et de la télédétection de l’organisation, a décrit cet usage dans la présentation de Google. Les essais partenaires ont également conduit, selon l’entreprise, à améliorer le routage sur les réseaux routiers, à prendre en charge des jeux de données téléversés plus volumineux et à mieux repérer les sources locales faisant autorité.
Une piste distincte pour les développeurs
Les exemples d’agents de référence open source publiés par Google Earth le 18 juin 2026 sont une autre voie pour les développeurs. Construits avec Google Earth Engine et Gemini à l’aide de l’Agent Development Kit (ADK), ils portent sur la diligence raisonnable en matière d’approvisionnement durable et sur l’analyse forestière. Cette publication décrit des exemples de développement distincts de GRA; elle ne correspond pas à l’accès à l’agent expérimental. Google Earth a présenté ces exemples ADK. GRA est également distinct de l’agent Gemini pour les entreprises présenté dans un autre article de NeoTeo.
