Google Maps a reçu une fonctionnalité IA qui ne donne pas l’impression d’être du superflu. Cela mérite qu’on y prête attention.
Gemini est arrivé dans Maps il y a quelques mois, et la réaction initiale fut la même que d’habitude : une autre intégration IA que personne n’avait demandée. Mais l’essai de The Verge – faire construire par Gemini un itinéraire d’une journée complète autour d’une ville – a révélé quelque chose de concret. Cela a si bien fonctionné que la journaliste a mis en favoris des lieux qu’elle n’aurait pas trouvés autrement. Tout n’était pas nouveau. Certaines suggestions étaient prévisibles. Mais celles qui ont fonctionné, ont fonctionné.
Ce que Gemini fait différemment dans Maps
L’intégration de Gemini dans Maps n’est pas un chatbot greffé sur une interface cartographique. Il utilise le contexte que Maps possède déjà : votre position, votre historique de recherche, les bases de données de lieux, les avis des utilisateurs, les heures d’ouverture. Lorsque vous demandez à Gemini de « trouver des restaurants adaptés aux enfants avec des thèmes de véhicules près de la nouvelle extension du tramway », il ne devine pas. Il croise des données réelles avec un ensemble de contraintes.
La différence avec les recommandations IA génériques : elle est ancrée dans la géographie et la disponibilité réelle. Gemini ne peut pas simplement suggérer un restaurant de tacos qui a fermé en 2023. Maps sait quels lieux sont actuellement ouverts, leurs notes, et s’ils correspondent à vos critères énoncés.
C’est RAG (Retrieval-Augmented Generation) qui fonctionne discrètement en arrière-plan. L’IA n’invente pas de lieux. Elle récupère des informations d’une base de données en direct, puis classe les résultats en fonction de leur pertinence par rapport à votre demande.
Le problème de l’itinéraire que Gemini résout
Planifier une journée dans une ville implique généralement : ouvrir Maps, rechercher une catégorie (parcs, restaurants), voir ce qui apparaît, passer à une autre recherche, répéter. C’est vous qui faites le travail de synthèse. C’est vous qui décidez de ce qui est logique géographiquement, de ce qui correspond au temps disponible, si les lieux sont réellement ouverts quand vous en avez besoin.
Gemini inverse cela. Vous décrivez ce que vous voulez (« aire de jeux, puis déjeuner, puis quelque chose d’inattendu »), et il construit l’itinéraire. Il effectue le filtrage et le séquençage qui nécessitent normalement cinq recherches distinctes et une réorganisation manuelle.
Le cas test de la journaliste – trouver des aires de jeux près d’une nouvelle extension de tramway, puis des restaurants adaptés aux enfants – montre la vraie valeur : Gemini comprend les contraintes de proximité. Il ne suggère pas des lieux qui sont géographiquement logiques mais logistiquement terribles (un excellent restaurant à deux heures de votre point de départ). L’itinéraire est praticable à pied. Il est séquencé.
Pourquoi ce n’est pas juste du battage médiatique
Chaque intégration IA ressemble à un ajout jusqu’à ce qu’elle vous fasse gagner du temps sur une tâche que vous effectuez réellement. La planification d’itinéraire est cette tâche. La planification manuelle pour une journée complète – surtout dans une ville inconnue – implique plus de 30 minutes de recherche et de prise de décision.
Les suggestions de Gemini allaient de « l’évident » (parcs près des transports) à « réellement utile » (restaurants thématiques spécifiques que la journaliste n’avait pas vus). Ce ratio 70/30 – où 30 % sont des découvertes authentiques – est ce qui rend les recommandations IA suffisamment précieuses pour une utilisation régulière.
La contrainte importante : Gemini fonctionne parce qu’il est spécialement conçu pour la couche de données de Maps. Ce n’est pas un LLM générique essayant de répondre à des questions sur les restaurants. C’est Claude ou GPT-4 (ou le modèle qui l’alimente) avec un accès direct aux données structurées des lieux, aux notes, aux heures et aux coordonnées. C’est cette architecture qui empêche les restaurants imaginaires et maintient les suggestions ancrées dans la réalité.
La limite : cela dépend toujours de vos critères
Les suggestions de Gemini étaient solides lorsque la demande était spécifique : « restaurants adaptés aux enfants, thèmes de véhicules ». L’IA avait des filtres clairs à appliquer. Le test ne montre pas ce qui se passe lorsque vous posez une question plus vague – « trouvez-moi quelque chose d’amusant » – où Gemini doit deviner ce que « amusant » signifie pour vous sans contexte supplémentaire.
C’est un mode d’échec connu pour les systèmes de recommandation. Les requêtes génériques donnent des résultats génériques. La spécificité augmente la qualité des suggestions.
Commencez à tester dès aujourd’hui
Ouvrez Google Maps. Essayez de demander à Gemini de planifier un itinéraire d’une demi-journée autour de votre position actuelle avec 3 à 4 contraintes spécifiques : un type de lieu, une zone géographique et une exigence de temps (« dans les 2 heures »). Voyez si la séquence a du sens. Mettez en favoris tout ce qui est inattendu.
Ce qui importe, ce n’est pas de savoir si Gemini est parfait – il ne l’est pas. C’est s’il est suffisamment utile pour remplacer votre méthode actuelle de planification d’itinéraire. Sur la base des preuves, pour la plupart des gens, c’est déjà le cas.
