Comment l’intelligence artificielle transforme le monde construit

Ishraqa7 Editorial Team il y a 10 heures

2 19 minutes de lecture

L’intelligence artificielle est entrée dans les pratiques du monde construit — mais rarement là où on l’annonçait. Elle lit des documents plutôt qu’elle ne dessine des bâtiments, accélère des tâches sans raccourcir les projets, et fait naître autant d’infrastructures physiques qu’elle en aide à concevoir. État des lieux au 2 septembre 2026, entre usages avérés et promesses encore à démontrer.

Un architecte interroge en langage naturel un jeu de pièces écrites de quatre cents pages et obtient en quelques secondes les paragraphes traitant de la résistance au feu des façades. Un ingénieur compare une dizaine de variantes de trame structurelle avant la fin de la matinée. Un conducteur de travaux reçoit une synthèse automatique des courriers échangés depuis trois semaines sur un lot de menuiseries. Un gestionnaire d’actifs immobiliers fait analyser les données de consommation de quarante bâtiments pour identifier les trois qui dérivent.

Aucune de ces situations n’était courante il y a trois ans. Toutes le sont devenues, à des degrés divers, dans une partie des organisations du secteur.

Et aucune ne signifie que l’intelligence artificielle « construit un bâtiment ».

C’est l’écart entre ces deux constats qui rend le sujet difficile à traiter honnêtement. Le discours dominant oscille entre l’annonce d’une conception automatisée et la promesse d’un chantier autonome, alors que la transformation en cours passe surtout par des flux d’information, des documents, des données de projet — c’est-à-dire par la partie du travail qui ne se voit pas depuis la rue.

Le monde construit — architecture, ingénierie, construction, infrastructures, exploitation des bâtiments, immobilier — possède pourtant une propriété qui distingue radicalement l’usage qu’il peut faire de ces outils. Une erreur numérique peut y devenir physique. Une hallucination dans un texte est un incident. La même erreur intégrée à une spécification, à un calcul, à une clause contractuelle ou à une instruction de chantier peut devenir une malfaçon, un litige ou un risque pour des personnes. Cette asymétrie commande tout le reste.

L’IA a quitté les démonstrations : elle entre dans les workflows

Le signal le plus net de l’année vient de la profession elle-même. Dans son rapport 2026 consacré à l’intelligence artificielle, le Royal Institute of British Architects indique que près de trois quarts des cabinets interrogés — 74 % — utilisent désormais l’IA dans au moins certains de leurs projets. Le RIBA présente cette enquête comme la plus large qu’il ait menée sur le sujet.

La précision de périmètre s’impose immédiatement : il s’agit de cabinets répondant à une enquête professionnelle, majoritairement britanniques, et non de la profession mondiale. Mais l’ordre de grandeur, dans une profession réputée prudente, dit quelque chose : l’IA a cessé d’être un sujet de conférence pour devenir un outil de bureau.

Ce que décrit le RIBA est plus intéressant encore que le chiffre. Les usages couvrent l’ensemble des activités d’un cabinet — de la visualisation en phase amont à la gestion de projet, jusqu’aux tâches quotidiennes de gestion de l’entreprise. Autrement dit : l’IA n’est pas entrée par la conception, contrairement à ce que laissaient penser les images générées qui ont saturé les réseaux en 2023. Elle est entrée par les marges du métier — la documentation, l’administration, la communication —, puis a progressé vers le cœur.

Le rapport est tout aussi explicite sur l’ambivalence de la profession. Il note des bénéfices commençant à être reconnus, en productivité et en retour sur investissement, tout en relevant des préoccupations croissantes concernant les effets environnementaux de la technologie, l’avenir des emplois, la propriété intellectuelle et le parcours de ceux qui débutent dans le métier. Cette dernière inquiétude est la plus révélatrice, et nous y reviendrons.

En architecture, l’IA passe de l’image à l’information

Réduire l’IA en architecture à la génération d’images conceptuelles revient à juger l’informatique de conception sur ses premières impressions couleur. Six niveaux d’usage coexistent aujourd’hui, avec des maturités très inégales.

Visualiser plus vite

C’est l’usage le plus visible et le plus commenté : produire rapidement des ambiances, tester une matérialité, illustrer une intention en phase amont. Sa valeur est réelle pour le dialogue avec un maître d’ouvrage, mais elle porte sur la représentation, pas sur la décision. Une image séduisante ne dit rien de la constructibilité, du coût ni de la conformité de ce qu’elle montre.

Explorer davantage de variantes

Ce niveau engage déjà autre chose. Explorer des dizaines d’implantations, d’orientations ou de trames en tenant compte de contraintes de site, d’ensoleillement ou de gabarit, c’est produire de la matière à décision.

Une distinction s’impose ici, régulièrement escamotée. Le design génératif utilise des algorithmes pour explorer des solutions selon des objectifs, des paramètres et des contraintes explicites : il calcule dans un espace défini par le concepteur. L’IA générative désigne des modèles produisant du nouveau contenu à partir de régularités apprises sur des données. Les deux se croisent de plus en plus, mais ils ne relèvent ni de la même logique ni du même régime de vérification : dans le premier cas, on peut auditer les contraintes ; dans le second, la provenance du résultat est beaucoup moins traçable.

Interroger les données du projet

C’est le niveau le moins spectaculaire et probablement le plus transformateur. Poser une question en langage naturel à un jeu de pièces écrites, à un référentiel normatif, à l’historique d’un projet ou aux données d’un modèle : la valeur n’est pas dans la création, elle est dans l’accès.

Un projet de taille moyenne produit une masse documentaire qu’aucun professionnel ne peut lire intégralement. Chaque heure passée à chercher une information est une heure qui n’est consacrée ni à la conception ni à la coordination. C’est là que les gains les plus tangibles se situent aujourd’hui — et c’est aussi là que se pose la question suivante.

À quel moment l’IA passe-t-elle de l’image à la décision ? Et lorsqu’elle s’en rapproche, qui valide ?

L’ingénieur face à une machine qui propose sans assumer

L’ingénierie est le domaine où la question de la validation devient la plus tranchée, parce que les conséquences y sont les plus directement physiques.

Les usages émergents sont nombreux et légitimes : exploration de variantes, détection de motifs dans des jeux de données, génération de scripts pour automatiser des traitements, recherche documentaire dans des corpus normatifs, assistance à la modélisation, optimisation sous contraintes, exploitation de données issues des modèles BIM.

Ce que ces outils ne font pas, en revanche, doit être énoncé sans ambiguïté. Un modèle génératif généraliste ne produit pas un calcul structurel validé. Il ne réalise pas une simulation réglementaire. Il n’atteste pas d’une conformité. Et il n’endosse aucune responsabilité.

Le principe tient en une phrase : une réponse plausible n’est pas une preuve d’exactitude. Cette formule n’est pas une précaution rhétorique. Elle décrit le mécanisme même des modèles de langage, qui produisent une suite statistiquement cohérente avec leur configuration apprise, sans disposer d’un moyen interne de distinguer le vrai du probable. Dans un contexte où la sortie peut devenir une note de calcul, une hypothèse de dimensionnement ou une prescription de matériau, l’écart entre plausible et exact n’est pas une nuance académique.

Sur les chantiers, l’IA rencontre la résistance du monde physique

L’écart de maturité entre les usages documentaires et les usages de terrain est l’un des faits les plus structurants du moment. Il n’est pas dû au conservatisme du secteur : il est physique.

Documents et données

Un projet génère plans, spécifications, demandes d’information, comptes rendus, contrats, rapports, photographies, modèles et correspondances par milliers. Rechercher, synthétiser, classer, extraire, comparer, rédiger des brouillons : ce sont exactement les tâches que les modèles de langage traitent le mieux, parce que la matière est textuelle et déjà numérique.

C’est moins spectaculaire qu’un bâtiment généré automatiquement. C’est infiniment plus immédiatement utile — et cela explique pourquoi les éditeurs de logiciels ont concentré leurs premières fonctions d’IA sur ce terrain.

Vision par ordinateur

L’analyse automatique d’images de chantier constitue le second front tangible : classification de scènes, détection d’objets, suivi d’avancement par comparaison avec le modèle, inspection d’ouvrages difficiles d’accès, identification de certaines situations à risque.

Les limites sont tout aussi documentées : occlusions, conditions lumineuses variables, angles de prise de vue, poussière, environnement en transformation permanente, faux positifs et faux négatifs. S’y ajoutent des questions qui ne sont pas techniques — la surveillance des travailleurs et le traitement d’images de personnes sur leur lieu de travail. Écrire que l’IA garantirait la sécurité d’un chantier serait faux ; elle peut signaler, elle ne protège pas.

Risques et planification

Une revue systématique publiée le 1er juin 2026 dans la revue Buildings offre une cartographie précieuse de l’état de la recherche. Ses auteurs ont analysé 191 articles évalués par les pairs publiés entre 2020 et 2025 sur l’IA appliquée au management de la construction. Les domaines les plus travaillés y apparaissent clairement : gestion des risques et de la sécurité, aide à la décision et gestion des connaissances, suivi et contrôle, gestion des coûts et des ressources, planification et ordonnancement, contrôle qualité et détection de défauts, gestion contractuelle et documentaire.

Deux constats de cette revue méritent d’être cités précisément, parce qu’ils tempèrent l’enthousiasme. Certains domaines — analytique juridique, robotique, cybersécurité — y restent sous-explorés. Et surtout, les auteurs relèvent que la plupart des études actuelles portent sur des cadres expérimentaux ou des évaluations de preuve de concept. Ils identifient par ailleurs des obstacles récurrents : environnements de données fragmentés et hétérogènes, interprétabilité limitée des modèles, exigences de calcul élevées, et réticence des décideurs face aux systèmes fonctionnant en boîte noire.

Volume de publications et performance expérimentale ne sont pas de l’adoption industrielle. La distinction paraît évidente ; elle est pourtant systématiquement franchie dans les articles de vulgarisation.

Pourquoi le chantier reste difficile à automatiser

La raison tient à la nature de la matière traitée. Il est comparativement simple d’automatiser la lecture de cinq cents documents. Il l’est beaucoup moins d’automatiser cinq cents interactions physiques variables dans un environnement qui change chaque jour, où circulent des personnes et des engins, où la géométrie réelle s’écarte du modèle, où la météo interrompt, où les séquences se réorganisent en permanence et où la sécurité impose des contraintes qu’aucune machine autonome ne peut ignorer.

C’est pourquoi l’impact de l’IA est inégal non pas selon les métiers, mais selon les tâches — et cette asymétrie n’a rien de conjoncturel.

L’IA devient une couche des logiciels professionnels

Le phénomène le plus structurant de 2026 n’est pas l’apparition d’un produit nommé « IA ». C’est l’intégration de fonctions d’IA dans les outils que les professionnels utilisent déjà — de sorte que l’adoption ne résulte plus toujours d’une décision explicite.

Autodesk, dont les outils occupent une place importante dans le secteur, documente sur ses pages produits des fonctions d’assistance à la conception, d’analyse, de traitement documentaire et d’exploration de variantes intégrées à ses environnements. L’éditeur a par ailleurs annoncé le 24 mars 2026 qu’Autodesk Construction Cloud devenait Autodesk Forma, présentant cette opération comme une étape de l’évolution de Forma en cloud sectoriel pour l’AECO, destinée à renforcer la continuité entre l’intention de conception et l’exécution du projet — le mouvement affiché consistant à passer de fichiers isolés à une information partagée sur l’ensemble du cycle de vie. Une seconde annonce, en avril 2026, a prolongé cette logique en rapprochant la conception de bâtiment et les connexions cloud avec Revit.

Un avertissement méthodologique s’impose ici, et il vaut pour l’ensemble du secteur logiciel. Ces sources sont commerciales et primaires. Elles établissent de façon fiable qu’une fonctionnalité existe, comment son éditeur la décrit et dans quel produit elle est proposée. Elles n’établissent pas un gain universel de productivité, une amélioration générale de la qualité, une réduction de coûts vérifiée ni une transformation de l’ensemble de l’industrie. Confondre une feuille de route commerciale avec une évolution sectorielle démontrée est l’erreur la plus fréquente des analyses sur ce sujet — y compris de la part de professionnels.

Reste que la direction affichée est cohérente et convergente : outils isolés, puis données connectées, puis workflows intégrés, puis assistance par IA. Que cette trajectoire soit celle d’un éditeur ne la rend ni universelle ni certaine ; qu’elle soit partagée par plusieurs acteurs indique en revanche où se joue la bataille industrielle.

BIM et IA : le vrai enjeu est-il la continuité de l’information ?

L’association BIM + IA est devenue un lieu commun des présentations sectorielles. Elle mérite d’être précisée, car les deux notions ne sont ni équivalentes ni substituables.

Le BIM structure l’information relative à un actif construit : il définit qui produit quoi, dans quel format, à quel moment, avec quel niveau de fiabilité. L’IA peut ensuite exploiter cette information — la rechercher, la classer, y détecter des motifs, en produire des synthèses, automatiser certains traitements. Le premier organise, la seconde exploite.

D’où une conséquence rarement énoncée : l’IA ne corrige pas une mauvaise gouvernance de données. Elle en hérite. Des données incomplètes, mal structurées ou obsolètes ne produisent pas des résultats médiocres de façon visible — elles produisent des résultats plausibles, ce qui est bien plus dangereux. Une synthèse impeccablement rédigée à partir d’une version périmée d’un document a toutes les apparences de la fiabilité.

C’est pourquoi les organisations les plus avancées sur l’IA appliquée aux projets ne sont pas nécessairement celles qui ont acheté les outils les plus récents, mais celles qui avaient déjà investi dans la qualité, la traçabilité et la gouvernance de leurs données. L’IA ne fait que rendre ce capital plus rentable — ou son absence plus coûteuse.

L’immobilier entre dans l’heure de vérité des pilotes

Le secteur immobilier fournit le chiffre le plus éclairant de l’année, et il ne va pas dans le sens du récit dominant.

Dans son Global Real Estate Outlook 2026, JLL cite les résultats de son enquête technologique mondiale de 2025 : 90 % des entreprises interrogées pilotent des projets d’IA, mais seulement 5 % déclarent avoir atteint les principaux objectifs de leurs programmes.

L’écart entre ces deux chiffres est le véritable sujet. Il ne dit pas que l’IA ne fonctionne pas ; il dit que passer d’une expérimentation réussie à un usage qui produit de la valeur mesurable dans une organisation est un problème d’un autre ordre — d’intégration aux processus, de qualité des données, de compétences, de conduite du changement et de gouvernance.

JLL décrit d’ailleurs 2026 comme une année où les organisations peineront à faire passer à l’échelle les initiatives lancées en 2025 et subiront une pression croissante pour démontrer un retour sur investissement significatif, celles dont l’approche est fragmentée risquant de se heurter à un mur d’implémentation et de devoir arbitrer entre investissement structurant et abandon de leur programme.

La chronologie qui se dessine — découverte, puis multiplication des pilotes, puis exigence de preuve — est une grille de lecture utile plutôt qu’une loi. Mais elle correspond à ce que l’on observe dans la plupart des secteurs qui ont adopté une technologie transversale : la phase difficile n’est jamais la première.

L’IA transforme aussi les bâtiments parce qu’elle a besoin de bâtiments

Voici l’angle le plus souvent absent des analyses, et probablement le plus important pour le monde construit.

L’intelligence artificielle transforme ce secteur de deux manières distinctes. Comme outil, utilisé pour concevoir, construire et exploiter — c’est l’objet de tout ce qui précède. Et comme client, parce qu’elle génère elle-même une demande physique considérable.

Une analyse de Reuters publiée début septembre 2026 documente cette seconde dynamique. Les centres de données, très consommateurs d’énergie, ont déclenché une hausse de la demande d’équipements allant des transformateurs aux systèmes de refroidissement avancés. L’article cite une projection de McKinsey évaluant à près de 7 000 milliards de dollars l’investissement mondial dans les centres de données d’ici 2030 — projection qu’il faut lire comme telle, avec les incertitudes qui s’attachent à tout exercice de ce type.

Un élément de cette analyse parle particulièrement au monde construit, parce qu’il ne relève pas de la prévision mais de la contrainte observée : les délais de raccordement au réseau électrique peuvent atteindre vingt-quatre mois sur certains marchés émergents et dépasser huit ans sur les grands marchés développés. Ce chiffre déplace le débat. Le goulet d’étranglement de l’expansion de l’IA n’est pas seulement la disponibilité des processeurs : c’est le foncier, l’électricité, le raccordement, l’eau, les transformateurs et les délais de construction. Autant de sujets d’aménagement, d’ingénierie et d’immobilier.

Le paradoxe mérite d’être posé clairement : l’IA est immatérielle pour son utilisateur et massivement physique dans son infrastructure. Une profession qui construit des bâtiments a rarement été aussi directement concernée par l’essor d’une technologie logicielle — non parce qu’elle l’utilise, mais parce qu’elle doit la loger.

Cette dynamique a par ailleurs une conséquence que l’analyse environnementale ne peut pas ignorer. Affirmer que l’IA rendrait les bâtiments durables, ou qu’elle détruirait nécessairement le climat, relève également du slogan. Ce que l’on peut dire est plus précis : les mêmes outils peuvent contribuer à optimiser des conceptions, à analyser des performances énergétiques ou à améliorer l’exploitation, tandis que leur infrastructure consomme calcul, électricité, eau et équipements. Le bilan dépend du périmètre retenu et de l’usage — il ne se décrète pas.

Le prochain front : des assistants aux agents

L’expression « IA agentique » occupe une place croissante dans les stratégies technologiques du secteur, et elle mérite un examen prudent.

Un agent logiciel peut, selon les architectures, interpréter un objectif, mobiliser plusieurs outils, enchaîner des étapes, récupérer des informations et déclencher des actions dans les limites d’autorisation qui lui sont données. La différence avec un assistant conversationnel n’est pas de degré mais de nature : l’assistant répond, l’agent agit.

Autodesk a publié en mai 2026 une communication décrivant sa place de marché comme un point de rencontre entre solutions tierces et workflows agentiques pour le secteur. C’est un signal de direction stratégique. Ce n’en est pas un d’adoption industrielle généralisée, et la nuance est ici particulièrement importante.

Le déplacement de risque est en effet considérable. Une erreur d’un assistant produit un texte inexact qu’un professionnel peut corriger avant tout usage. La même erreur dans un système qui agit se traduit par une commande passée, un document émis, une donnée modifiée, une instruction transmise. Dans un secteur où les décisions deviennent des ouvrages et où les responsabilités sont contractuelles et parfois décennales, la question des autorisations, des points de contrôle et de la traçabilité précède celle des capacités.

Aucun élément public ne permet aujourd’hui d’affirmer que des agents autonomes conduisent des projets de construction. Ce qui se déploie, ce sont des automatisations de séquences délimitées, sous supervision.

Qui répond quand l’IA se trompe ?

Cette question traverse tout ce qui précède et n’a pas de réponse universelle.

Si un système propose une solution erronée qui se retrouve dans un projet, qui en répond ? Le développeur du modèle, l’éditeur du logiciel, l’architecte, l’ingénieur, l’entreprise, le maître d’ouvrage ? Les régimes varient selon les juridictions, les contrats, les professions, les usages et les réglementations applicables. Aucune analyse générale ne peut trancher à la place d’un examen juridique situé — et ce texte ne délivre aucun conseil de cette nature.

Le principe éditorial est en revanche solide : l’IA peut produire une proposition ; la responsabilité de l’utiliser dans un projet physique ne disparaît pas pour autant. Elle se déplace, au mieux, vers celui qui décide de retenir la proposition.

Le RIBA situe la question au même endroit. Son rapport 2026 insiste sur la nécessité d’un usage sûr et responsable, reposant sur la créativité, le jugement, l’éthique et l’apprentissage continu, et soulève explicitement des enjeux de responsabilité, d’assurance professionnelle, de propriété intellectuelle et de sécurité des données. Ces éléments engagent l’institution qui les formule, pas l’ensemble de la profession mondiale — mais ils signalent que le débat s’est déplacé de la fascination vers les conditions d’exercice.

Deux points méritent une attention particulière. La confidentialité d’abord : un projet contient des plans, des modèles, des informations client, des prix, des contrats et des méthodes. Avant de transmettre ces éléments à un système d’IA, une organisation doit savoir où vont les données, comment elles sont utilisées, qui peut y accéder, si elles servent à entraîner des modèles et quelles obligations contractuelles s’appliquent. Tous les services ne traitent pas ces questions de la même manière. La propriété intellectuelle ensuite, qui reste un terrain mouvant, tant pour les contenus fournis aux modèles que pour ceux qu’ils produisent.

Un dernier point, moins juridique et plus insidieux : le biais. Un système entraîné sur des données historiques peut reproduire les régularités de ces données. En architecture et en urbanisme, cela touche des sujets sensibles — représentation, accessibilité, besoins des populations, typologies dominantes, normes implicites héritées de choix passés. Affirmer qu’un modèle donné serait biaisé d’une manière déterminée serait une facilité ; ce qu’on peut dire, c’est que le mécanisme existe et qu’il justifie une évaluation, pas une confiance par défaut.

L’Europe entre dans une nouvelle phase réglementaire

Le cadre européen a franchi une étape en août 2026, et le calendrier mérite d’être énoncé avec précision, tant les raccourcis circulent.

Le règlement européen sur l’intelligence artificielle est entré en vigueur le 1er août 2024. Selon la Commission européenne, l’AI Office et les autorités nationales ont assumé leurs pouvoirs d’exécution le 2 août 2026. Certaines exigences relatives aux systèmes à haut risque et d’autres dispositions ne seront applicables qu’à partir de décembre 2027.

Écrire que l’ensemble des obligations s’appliquerait pleinement depuis août 2026 serait donc inexact. Le dispositif entre dans sa phase d’application effective, avec des échéances encore devant lui.

Pour le monde construit, l’erreur symétrique consisterait à conclure que tous les systèmes d’IA employés en architecture ou en ingénierie relèveraient de la catégorie à haut risque. La classification dépend du système, de sa finalité, de son contexte d’usage et des catégories prévues par le règlement. Un assistant documentaire interne et un système intervenant dans une décision affectant des personnes ne se situent pas au même endroit du dispositif.

Ce que les organisations du secteur ont à comprendre est plus prosaïque : leur rôle dans la chaîne de valeur — fournisseur, déployeur, utilisateur —, la catégorie des systèmes qu’elles emploient, les obligations qui en découlent en matière de documentation et de gouvernance, et le degré de supervision humaine requis selon les cas. Toute qualification précise relève des sources officielles et d’un examen situé.

L’IA remplacera-t-elle les professionnels du monde construit ?

La question, posée ainsi, ne produit aucune réponse utile. L’unité d’analyse pertinente n’est pas le métier mais la tâche.

Un architecte conçoit, mais il coordonne aussi, documente, négocie, vérifie, visite, arbitre, communique, et engage sa responsabilité. Un ingénieur calcule, mais il justifie, dialogue avec d’autres disciplines, apprécie des situations que les référentiels ne couvrent pas entièrement. Certaines de ces tâches sont fortement exposées à l’automatisation — celles qui portent sur du texte, des données structurées, des opérations répétitives. D’autres le sont beaucoup moins, non parce qu’elles seraient magiques, mais parce qu’elles supposent une présence, une responsabilité identifiable ou un jugement sur des informations incomplètes.

La recomposition en cours porte donc sur le contenu du travail plutôt que sur son existence. Elle soulève cependant une question que le RIBA place au premier plan de ses préoccupations, et qui est peut-être la plus sérieuse de toutes.

Les tâches répétitives traditionnellement confiées aux débutants — vérifier des plans, reprendre des documents, comparer des versions, produire des synthèses — sont précisément celles que ces outils traitent le mieux. Or ces tâches ne servaient pas seulement à produire : elles servaient à apprendre. C’est en reprenant cent plans qu’un architecte junior acquiert le sens de ce qui cloche dans le cent unième.

Si cette couche disparaît, comment se fabriquera l’expertise de ceux qui devront, dans quinze ans, valider ce que les machines proposent ? Personne ne dispose de la réponse. Mais une profession qui automatise son apprentissage tout en exigeant du jugement professionnel devra tôt ou tard traiter cette contradiction.

Le vrai changement : produire plus vite ou décider autrement ?

Reste la question de la productivité, la plus mal traitée du sujet.

L’affirmation type — « l’IA augmente la productivité de tant de pour cent » — n’a pas de sens tant qu’on ne précise pas le niveau considéré. Une tâche, un individu, une équipe, un projet, une entreprise, un secteur : ce sont six échelles différentes, et un gain à l’une ne se propage pas mécaniquement à la suivante.

Une tâche réalisée deux fois plus vite ne signifie pas un projet livré deux fois plus vite. Un projet comporte des dépendances, des décisions, des validations, des interfaces, des achats, de la coordination, et une phase de construction physique qui obéit à d’autres contraintes. Un document produit en une heure au lieu de trois n’avance à rien s’il attend ensuite trois semaines une validation, ou si le matériau qu’il prescrit a douze semaines de délai de livraison.

Une seconde conséquence est plus dérangeante encore, et devrait figurer au centre de toute réflexion sérieuse sur le sujet. Une technologie qui accélère la rédaction, la génération, l’analyse et la production de variantes accélère aussi la vitesse à laquelle une erreur peut se propager. Un document erroné produit en trois heures était relu par plusieurs personnes ; produit en trois minutes et multiplié par cinquante, il change de nature.

La question stratégique n’est donc pas seulement : combien de temps l’IA fait-elle gagner ? Elle est : comment la qualité est-elle contrôlée à une vitesse supérieure ? Aucune organisation ne peut répondre à la première sans avoir traité la seconde — et c’est probablement ce qui explique l’écart entre les 90 % d’entreprises immobilières qui expérimentent et les 5 % qui déclarent atteindre leurs objectifs.

Ce qu’il faut retenir

L’intelligence artificielle est entrée dans le monde construit par les documents, les données et les logiciels professionnels, beaucoup plus que par la conception ou par le chantier. Trois quarts des cabinets interrogés par le RIBA l’utilisent d’une manière ou d’une autre ; la recherche reste majoritairement au stade de la preuve de concept ; l’immobilier expérimente massivement sans démontrer encore beaucoup de valeur. Ces trois constats ne se contredisent pas : ils décrivent une technologie en cours d’intégration, pas une révolution accomplie.

Ce secteur a par ailleurs une particularité que l’on oublie en parlant de logiciel : il devra loger l’IA autant qu’il l’utilisera. Centres de données, énergie, refroidissement, raccordements, foncier — l’infrastructure de l’immatériel est l’un des programmes de construction les plus dynamiques de la décennie, avec des délais de raccordement qui se comptent en années.

Il reste l’essentiel. Dans le monde construit, la valeur de l’IA ne se mesurera pas au nombre de contenus qu’elle peut produire. Elle se mesurera à sa capacité à améliorer des décisions qui finissent par devenir physiques. Un plan devient une structure. Une spécification devient un matériau. Une décision devient un bâtiment utilisé pendant plusieurs décennies, par des gens qui n’ont pas participé aux arbitrages.

C’est précisément pour cette raison que la vitesse et l’automatisation ne peuvent pas être séparées de la vérification, de la traçabilité, du jugement et de la responsabilité. Non par prudence de principe, mais parce que dans cette industrie, contrairement à beaucoup d’autres, l’erreur ne reste pas à l’écran.