Der Agent verbindet Gemini mit Geodatenmodellen und Werkzeugen von Google. Dazu gehören unter anderem WeatherNext, Flood Forecasting, Population Dynamics Foundation Model (PDFM), AlphaEarth Foundations und Remote Sensing Foundations sowie Daten aus Google Maps Platform, Google Earth Engine, Data Commons und Google Dataset Search. Für komplexe Aufgaben erstellt das System zunächst einen mehrstufigen Analyseplan und verarbeitet umfangreiche Kartenebenen in einem eigenen Arbeitsbereich. Antworten zeigen den Plan und die verwendeten Datenquellen an.
Der neue technische Bericht wertet das System anhand von vier Benchmarks aus. Zwei davon, GeoKTools und GeoExpertQueries, hat Google Research neu entwickelt und stellt sie Forschenden zur Prüfung eigener Geospatial-Reasoning-Agenten bereit. Die Auswertungen vergleichen den Nutzen spezialisierter Earth-AI-Werkzeuge und Planung mit sofort einsetzbaren großen Sprachmodellen. Google berichtet außerdem von Tests mit einer kleinen Gruppe sozialer und kommerzieller Organisationen. Dazu zählten die WHO-Regionaldirektion für Afrika, People in Need, GiveDirectly, das Milken Institute und WPP. Anwendungsfelder waren etwa die Untersuchung von Krankheitsausbrüchen, Katastrophenvorsorge und die Suche nach Standorten für saubere Energie.
Google erweitert den experimentellen Zugang für mehrstufige Geodatenanalysen und Vorhersagen auf planetarer Ebene. Für Ask Google Earth ist ein Early Access zu einer experimentellen Deep-Research-Erweiterung vorgesehen. Entwickler erhalten ebenfalls Early Access zu einer Agent-to-Agent-API, mit der sich eigene Abläufe erstellen und unter anderem mit Gemini verbinden lassen. Der Agent kann zudem eigene Datensätze einbeziehen: unterstützt werden CSV-Dateien, GeoJSON-Grenzen und Cloud-Tabellen. Damit lassen sich private Standortdaten mit globalen Earth-AI-Modellen und Katalogen verknüpfen.
Für Vorhersagen kann das System lokale Ergebnisdaten wie Krankheitsraten, Ernteerträge oder Ausfälle im Stromnetz nutzen. Es wählt dazu laut Google passende Bevölkerungs- und Umweltdaten aus, verbindet sie mit weiteren Signalen und trainiert geprüfte Machine-Learning-Modelle. Diese sollen räumliche Vorhersagen, die Verfeinerung von Auflösungen und Prognosen ermöglichen. Die vorgestellten Funktionen befinden sich im experimentellen Zugang; Google beschreibt sie nicht als allgemein verfügbare Dienste.