Village BIM

L’intelligence artificielle est partout. Elle fait rêver certains, inquiète d’autres, et alimente un discours parfois très éloigné des réalités métier. Dans le bâtiment, cette distance est encore plus visible : ici, on ne travaille pas avec des concepts mais avec des contraintes concrètes, des normes, des délais et des projets complexes.

On m’a partagé un entretien disponible ici, enregistré lors d’un échange entre Anthony et Nabil Sadeg, et j’ai trouvé intéressant de le retranscrire et de le structurer, car il apporte justement une lecture très pragmatique du sujet, ancrée dans les usages réels du secteur AEC.

C’est dans ce contexte que s’inscrit cet échange entre Anthony Epaillard de la société 3CS (Bureau d’études BIM/ CAO / DAO)  , interlocuteur ancré dans les problématiques BIM et terrain, et Nabil Sadeg, AI Specialist de la société Bacorm, développeur spécialisé en intelligence artificielle appliquée au secteur AEC. L’objectif est simple : remettre de la clarté, sans jargon inutile, et surtout avec une lecture opérationnelle.

1. Comprendre la différence entre IA et algorithmie

L’un des apports majeurs de l’échange repose sur une clarification essentielle : tout ce qui est présenté comme de l’intelligence artificielle n’en est pas forcément.

Un algorithme suit une logique déterministe. Il exécute une série d’étapes définies à l’avance, et pour une même entrée, il produira toujours le même résultat. C’est une logique très proche d’une recette de cuisine. Dans un contexte BIM, cela correspond par exemple à un script qui sélectionne des objets, applique une transformation ou filtre des éléments selon des critères précis.

À l’inverse, l’intelligence artificielle fonctionne différemment. Elle s’appuie sur des données, apprend des patterns et prend des décisions qui ne sont pas explicitement programmées. Elle devient pertinente lorsque les règles sont trop nombreuses, trop complexes ou évolutives pour être décrites simplement.

Dans le bâtiment, cette distinction est loin d’être théorique. Elle conditionne directement le choix des outils, les coûts de développement et la pertinence des solutions mises en place.

2. La donnée : le véritable cœur du sujet

Très rapidement, la discussion glisse vers un point fondamental : l’intelligence artificielle n’est qu’une surcouche. Le véritable enjeu, c’est la donnée.

Avant même d’envisager un modèle, il faut être capable de collecter, structurer et fiabiliser l’information. Cela passe par des étapes souvent invisibles mais critiques : récupérer les données issues des maquettes BIM, les organiser correctement, éliminer les incohérences, et enrichir les informations pour les rendre exploitables.

Sans ce travail, il n’y a pas d’intelligence artificielle efficace. Il n’y a que des résultats approximatifs, voire erronés.

Cette logique est d’ailleurs déjà bien connue dans les workflows BIM modernes, notamment dans des approches orientées analyse de données ou pilotage de performance. Les solutions comme Autodesk Model Analytics reposent précisément sur cette capacité à exploiter des données structurées pour générer des indicateurs fiables

3. L’erreur fréquente : utiliser l’IA là où elle n’est pas nécessaire

Un point très intéressant ressort de l’échange : l’intelligence artificielle est souvent utilisée à tort.

Lorsqu’un problème peut être décrit avec une série d’étapes claires, l’algorithmie reste la meilleure solution. Elle est plus rapide, plus fiable et moins coûteuse.

L’IA devient pertinente uniquement lorsque la complexité dépasse ce cadre. C’est le cas lorsque les paramètres sont nombreux, que les règles évoluent selon les projets ou que le contexte utilisateur joue un rôle important.

Un exemple simple dans une maquette BIM permet de comprendre : appliquer une règle uniforme sur des portes relève de l’algorithmie. En revanche, déterminer automatiquement le meilleur positionnement en tenant compte de multiples contraintes peut justifier une approche par intelligence artificielle.

Cette capacité à faire le bon choix technologique est aujourd’hui un enjeu majeur pour les entreprises du secteur.

4. Les différentes IA vues comme des capacités humaines

Pour expliquer simplement les différents types d’intelligence artificielle, Nabil propose une approche très parlante : les comparer aux capacités humaines. Cela permet de sortir des termes techniques et de comprendre rapidement à quoi sert chaque type d’IA.

On retrouve ainsi plusieurs grandes catégories.

La capacité à voir correspond à la computer vision, utilisée pour analyser des images, des plans ou des maquettes.

La capacité à entendre et parler regroupe les technologies de conversion voix/texte, encore peu utilisées en BIM mais en forte progression.
La capacité à comprendre le langage correspond aux LLM comme ChatGPT, spécialisés dans l’analyse et la génération de texte.

Ensuite, la capacité à apprendre repose sur le machine learning, qui permet aux modèles de s’améliorer à partir des données.
La capacité à trouver correspond aux nouveaux moteurs de recherche contextualisés, capables d’extraire des informations précises dans des documents complexes.

Enfin, la capacité à raisonner permet de prendre des décisions dans des situations où il n’existe pas de solution unique.

À cela s’ajoute la capacité à agir, qui regroupe l’automatisation et la robotique, souvent basées sur une combinaison de plusieurs technologies.

L’idée clé est simple : une IA efficace n’est jamais une seule technologie, mais un assemblage de plusieurs de ces capacités, orchestrées pour répondre à un besoin métier précis.

5. Comment une IA apprend dans un contexte métier

L’apprentissage d’un modèle d’intelligence artificielle repose sur un principe relativement simple, mais exigeant. Il s’agit de lui fournir des exemples, de lui indiquer les bonnes réponses, puis de corriger progressivement ses erreurs.

Ce processus est itératif. Le modèle ajuste son comportement à chaque cycle en fonction de l’écart entre ses prédictions et la réalité.

Cependant, cette mécanique a une limite importante : elle dépend entièrement de la qualité des données. Si les exemples sont biaisés, incomplets ou incorrects, le modèle reproduira ces erreurs.

Dans un contexte AEC, cela signifie que la qualité des maquettes, des paramètres et des informations projet devient un facteur déterminant. Une IA ne corrige pas les erreurs métier, elle les amplifie si elles sont présentes dans les données.

6. Vers une IA réellement utile dans les workflows BIM

L’intérêt de cet échange est de repositionner l’intelligence artificielle là où elle apporte une valeur réelle.

Dans le bâtiment, les cas d’usage pertinents ne sont pas ceux qui impressionnent le plus, mais ceux qui s’intègrent efficacement dans les processus existants. Cela peut concerner l’extraction d’informations dans des documents complexes, l’automatisation de tâches répétitives ou l’aide à la décision sur des problématiques multi-critères.

L’enjeu n’est donc pas de remplacer les experts, mais de leur faire gagner du temps sur des tâches à faible valeur ajoutée, afin qu’ils puissent se concentrer sur la conception et l’analyse.

7. BATICORE : fiabiliser l’analyse des DCE grâce à l’IA

Avec BATICORE, Nabil présente un cas d’usage très concret de l’intelligence artificielle dans le bâtiment : l’analyse des dossiers de consultation (DCE). Ces documents sont volumineux, hétérogènes et difficiles à exploiter efficacement, ce qui rend la phase de réponse particulièrement chronophage.

Le projet n’est pas né d’une demande client directe, mais d’une réflexion menée avec Candice Hassine, spécialiste du secteur AEC avec une forte expertise sur les aspects juridiques et le traitement de la donnée. Cette double compétence a permis d’orienter la solution vers un besoin réel : fiabiliser l’extraction et la compréhension des informations critiques.

Plutôt que d’utiliser directement des modèles de langage, la solution repose sur une approche structurée : organiser la donnée avant de vouloir générer du contenu.

Le workflow consiste à importer les documents, les classifier automatiquement (type, lot, corps d’état), puis extraire les informations clés pour les structurer sous forme de blocs exploitables. Chaque donnée est associée à sa source, garantissant une traçabilité complète.

Un point essentiel est la fiabilité : un score de confiance est attribué aux informations, avec validation humaine en cas de doute ou d’incohérence.

Techniquement, BATICORE combine plusieurs briques : recherche contextualisée pour extraire l’information, modèles de langage pour la synthèse, et structuration en amont pour limiter les erreurs.

L’objectif n’est pas de remplacer l’expert, mais de sécuriser et accélérer l’analyse du DCE, afin de se concentrer sur la réponse à forte valeur ajoutée.

8. Conclusion

Cet échange permet de sortir d’une vision souvent simplifiée de l’intelligence artificielle.

Il rappelle que la priorité n’est pas la technologie elle-même, mais la compréhension des besoins métier et la qualité des données disponibles.

Dans le secteur AEC, la transformation ne viendra pas d’une adoption massive et aveugle de l’IA, mais d’une intégration progressive, ciblée et maîtrisée.

La vraie question n’est donc pas de savoir si l’IA va transformer le bâtiment. Elle est déjà en train de le faire.

La question est plutôt : comment l’intégrer intelligemment dans des workflows existants pour créer de la valeur réelle.

Si vous souhaitez aller plus loin et comprendre en détail les concepts ainsi que les cas d’usage présentés, je vous recommande vivement de visionner l’entretien dans son intégralité.