Cette vidéo explore l’intégration de l’intelligence artificielle (IA) dans le secteur du bâtiment et de la construction (AEC). Elle souligne l’importance cruciale de distinguer les algorithmes déterministes de l’IA apprenante pour optimiser les coûts et l’efficacité des projets. L’expert Nabil Sadeg détaille une méthodologie rigoureuse de gestion des données, incluant leur collecte, structuration et nettoyage, indispensable avant tout déploiement technologique. Des solutions concrètes sont présentées, comme l’automatisation de l’analyse des appels d’offres et la micro-implantation robotisée d’équipements hospitaliers sous Revit. Finalement, l’échange encourage les professionnels à adopter une stratégie de données cohérente pour valoriser leur savoir-faire face aux évolutions rapides du numérique.
L’Intelligence Artificielle dans le Secteur du Bâtiment : Enjeux, Méthodologies et Applications Concrètes
Résumé de synthèse
Ce document de synthèse analyse les interventions de Nabil Sadeg, expert en intelligence artificielle (IA), sur l’intégration de ces technologies dans le secteur de l’architecture, de l’ingénierie et de la construction (AEC). L’enjeu majeur n’est pas tant la technologie elle-même que la maîtrise de la donnée.
Les points clés à retenir sont :
- Distinction cruciale : Il faut différencier l’algorithmie (déterministe, étapes fixes) de l’IA (flexible, basée sur l’apprentissage statistique). Utiliser l’IA là où un algorithme suffit entraîne des surcoûts et des erreurs.
- Primauté de la donnée : Le succès d’un projet d’IA repose à 90 % sur la préparation des données (nettoyage, structuration, enrichissement). Même les géants comme Google consacrent des mois à cette phase de « pipeline ».
- Productivité sectorielle : Des outils concrets comme Bâticor (réponse aux appels d’offres) et IBH (micro-implantation hospitalière) démontrent que l’IA peut automatiser des tâches chronophages à faible valeur ajoutée, libérant ainsi du temps pour la conception.
- Évolution du métier : Le développement informatique pur tend à s’effacer devant le « vibe coding » et l’orchestration de données. La valeur d’une entreprise résidera bientôt exclusivement dans la qualité de son patrimoine de données structurées.
I. Fondamentaux : Algorithme vs Intelligence Artificielle
Il est impératif pour les décideurs du bâtiment de comprendre la différence opérationnelle entre ces deux approches afin d’optimiser les investissements.
| Caractéristique | Algorithmie Classique | Intelligence Artificielle (IA) |
|---|---|---|
| Logique | Série fixe d’étapes (Recette de cuisine). | Création de connexions et de modèles (Patterns). |
| Nature | Déterministe : Même entrée = même sortie. | Probabiliste : Flexible et évolutive. |
| Dépendance | Dépend des règles définies par l’humain. | Dépend de la qualité et du volume de la donnée. |
| Coût/Temps | Généralement moins cher et plus rapide. | Plus coûteux, nécessite un entraînement. |
| Cas d’usage | Règles explicites et immuables (ex: calculatrice). | Règles floues, évolutives ou trop complexes. |
Le constat d’expert : Environ 90 % des projets marketés comme « IA » relèveraient en réalité de l’algorithmie simple. L’IA devient pertinente lorsqu’un algorithme nécessiterait des milliers de conditions (ex: 17 000 étapes pour placer une porte selon des normes variables).
II. La Pipeline de Données : La Condition du Succès
L’IA ne peut fonctionner sans une donnée préparée. Nabil Sadeg décompose ce processus en cinq étapes essentielles que toute entreprise doit maîtriser.
- Collecte : Récupération des informations (Excel, maquettes BIM, connecteurs Revit/APS).
- Évaluation : Analyse de la qualité selon quatre axes (accessibilité, complétude, etc.). Si la donnée est mauvaise, l’IA échouera.
- Structuration : Transformation d’une « bouillie d’informations » en formats exploitables (SQL, PowerBI).
- Nettoyage : Suppression du « bruit » (erreurs de capteurs, doublons). L’expertise métier est ici cruciale pour identifier les aberrations.
- Enrichissement : Ajout de profondeur (ex: ajouter la pression et l’humidité à un relevé de température).
Note sur les délais : Le réentraînement d’un modèle comme Gemini (Google) peut prendre plus d’un an entre la coupure des données (cutoff) et la mise à jour effective, illustrant la complexité de cette pipeline.
III. Les Familles d’IA et leurs Fonctions dans l’AEC
L’IA n’est pas un bloc monolithique mais un ensemble de capacités humaines simulées :
- Computer Vision (Vision par ordinateur) : Capacité d’extraire des informations de visuels (plans, photos de chantier, vidéos de surveillance). Utilisée pour détecter des objets ou lire des plaques d’immatriculation.
- Machine Learning (Apprentissage automatique) : Capacité d’apprendre à partir d’exemples (ex: montrer 500 photos de camions pour qu’un modèle apprenne à les reconnaître par auto-évaluation).
- NLP & LLM (Traitement du langage) : Modèles comme Chat GPT ou Claude. Ils ne « comprennent » pas le sens mais prédisent statistiquement le mot suivant.
- RAG (Retrieval-Augmented Generation) : Moteur de recherche contextuel. Essentiel pour trouver une information précise dans un document de 400 pages (DCE) sans hallucination.
- Raisonnement et Inférence : Utilisation récursive de l’IA pour converger vers une solution optimale (ex: placement d’un bureau dans une pièce selon plusieurs contraintes).
IV. Études de Cas : L’IA en Action sur le Terrain
1. Bâticor : Optimisation de la réponse aux appels d’offres
Face à des dossiers de consultation des entreprises (DCE) massifs, Bâticor utilise le RAG pour :
- Classer automatiquement les documents par lot et corps d’état avec un taux de confiance.
- Extraire les informations fiables (délais, matériaux, critères de jugement).
- Détecter les incohérences (ex: deux surfaces différentes annoncées pour un même local).
- Générer des ébauches de mémoires techniques basées sur la base de connaissances propre à l’entreprise, réduisant drastiquement le risque d’hallucination.
2. IBH (Micro-implantation) : Conception hospitalière
Développé pour l’agence Brunet Saunier Architecture, ce système automatise le placement d’équipements (scanners, lits, bureaux) dans des projets complexes (ex: 8000 locaux pour l’hôpital Grand Paris Nord).
- Workflow : Un connecteur lie Revit à une application web Cloud.
- Apprentissage : Le modèle apprend des placements historiques. Si un architecte déplace un objet placé par l’IA, le système utilise cet arbitrage humain pour s’améliorer (réapprentissage continu).
- Gain : Suppression des tâches répétitives d’insertion de familles Revit, permettant à l’architecte de se concentrer sur la validation et l’expertise.
V. Perspectives Stratégiques pour les Entreprises
L’évolution technologique est si rapide que Nabil Sadeg préconise une approche pragmatique plutôt que réactive.
Recommandations opérationnelles :
- Ne pas suivre les tendances aveuglément : Inutile de changer de modèle (Claude vers GPT ou Gemini) toutes les semaines pour des gains marginaux. Il faut privilégier la construction de workflows stables.
- Investir dans la stratégie de donnée : Structurer son patrimoine documentaire dès maintenant. « Tâtonner sur la donnée fait perdre des mois ».
- L’ère du « Vibe Coding » : Le développement informatique devient accessible via le langage naturel. La différenciation ne se fera plus par le logiciel (facilement reproductible), mais par la donnée exclusive détenue par l’entreprise.
Citations clés de l’expert :
« Le bâtiment c’est du réel… ce sont des équipes qui n’ont pas du tout de temps à perdre avec de la philosophie tech. »
« Si vous utilisez de l’IA alors que vous n’en avez pas besoin, vous allez perdre du temps, avoir de moins bons résultats et dépenser plus d’argent. »
« La donnée est devenue le cœur de tout projet. Le code sera générable par tout le monde à moindre coût ; la seule différence sera la donnée. »