L’intelligence artificielle est devenue un sujet incontournable dans l’AEC. Elle promet de générer des variantes, interroger les données en langage naturel, résumer des documents, détecter des risques ou automatiser des tâches de production. Certaines de ces fonctions sont déjà utilisables. D’autres restent expérimentales. Et beaucoup de workflows présentés comme « IA » sont en réalité de l’automatisation classique.
Cette distinction est importante pour un BIM Manager. Si je dois vérifier que chaque porte coupe-feu possède un classement et un degré de résistance, je préfère une règle explicite, testable et reproductible à un modèle probabiliste. Si je dois analyser plusieurs centaines de commentaires de coordination pour identifier des thèmes récurrents, l’IA peut devenir beaucoup plus intéressante.
1. Automatisation n’est pas synonyme d’intelligence artificielle
Dynamo exécute des graphes. Python exécute du code. Un plugin Revit utilise l’API pour lire ou modifier le modèle. Une règle IFC vérifie qu’une propriété existe ou qu’une valeur appartient à une liste. Ces systèmes peuvent être sophistiqués, mais ils restent déterministes : à données identiques et logique identique, ils produisent normalement le même résultat.
L’IA, notamment les modèles de machine learning ou les grands modèles de langage, travaille davantage avec des probabilités. Elle peut classer, proposer, résumer ou générer, mais son résultat doit être évalué. Cette différence doit guider la conception d’un workflow BIM.
2. Quatre couches à distinguer dans un workflow numérique BIM
Je distingue généralement quatre familles : règles métier, automatisation procédurale, optimisation/génératif et IA générative ou prédictive.
Les règles métier couvrent les exigences vérifiables : un paramètre obligatoire, une classe IFC attendue, une convention de nommage, une plage de valeurs. L’automatisation procédurale réalise une suite d’actions : créer 200 feuilles, renommer des vues, remplir des paramètres ou exporter des fichiers.
La conception générative explore des solutions à partir d’objectifs, de contraintes et d’entrées. Autodesk Revit 2026 intègre toujours Generative Design, installé avec Revit, et permet de créer des études à partir de graphes Dynamo. Enfin, l’IA générative peut interpréter le langage naturel ou aider à transformer des informations peu structurées.
3. Où l’IA apporte déjà une vraie valeur
Le premier cas est la recherche dans de gros volumes d’information. Sur un projet, les équipes accumulent comptes rendus, demandes, fiches techniques, issues, procédures et spécifications. Un assistant capable de retrouver et résumer les informations pertinentes peut faire gagner du temps, à condition que les sources soient identifiées et que l’utilisateur puisse vérifier la réponse.
Le deuxième cas est la classification. Une IA peut proposer une catégorie pour des centaines d’issues de coordination, regrouper des commentaires similaires ou identifier des thèmes récurrents. Elle n’a pas nécessairement besoin de décider à la place du coordinateur : elle peut simplement préparer le tri.
Le troisième est l’assistance à la création de scripts. Les modèles de langage sont très utiles pour produire une première version d’un script Python ou d’une requête de traitement de données. Mais le code doit ensuite être testé sur des copies de modèles, versionné et contrôlé.
Enfin, l’IA peut aider à l’exploration de variantes ou à l’analyse de données projet. Autodesk met en avant des fonctions d’IA dans Forma et Autodesk Construction Cloud pour l’accès aux informations, l’analyse et certains workflows de risque. L’intérêt est réel lorsque l’outil réduit la masse d’informations à parcourir manuellement.
4. Autodesk Assistant dans Revit : intéressant, mais encore à qualifier
En avril 2026, Autodesk a présenté Autodesk Assistant dans Revit en Tech Preview. C’est un point important : une fonctionnalité en aperçu technologique ne doit pas être traitée comme une brique de production garantie pour un processus contractuel.
L’idée est néanmoins intéressante : passer progressivement d’une interface où l’utilisateur doit connaître chaque commande à une interface où il exprime davantage son intention. À terme, cela peut réduire le temps nécessaire pour réaliser certaines tâches ou retrouver des informations.
Pour un BIM Manager, la question ne sera pas seulement « est-ce que l’Assistant sait le faire ? », mais « puis-je comprendre, contrôler et reproduire ce qu’il a fait ? ». Sur une action qui modifie des centaines d’éléments, la traçabilité restera indispensable.
5. Conception générative : ne pas la confondre avec un chatbot
Generative Design dans Revit existe depuis plusieurs versions et fonctionne à partir d’objectifs, contraintes et entrées. Les études peuvent être construites dans Dynamo puis exécutées pour générer et explorer plusieurs résultats.
Ce type de workflow est particulièrement pertinent pour des problèmes dont les critères sont quantifiables : répartition d’objets, optimisation de distances, configurations spatiales ou exploration paramétrique. Il ne remplace pas la décision de conception. Il accélère l’exploration d’un espace de solutions.
Le terme « génératif » est donc plus ancien et plus large que l’IA générative actuelle. Il faut éviter de tout mélanger.
6. Pour le contrôle qualité BIM, les règles restent souvent meilleures
Supposons que le cahier des charges exige un code de classification sur tous les équipements techniques et un GUID stable dans les exports IFC. Ce besoin est parfaitement déterministe. Une règle peut compter les objets non conformes et fournir une liste exhaustive.
Utiliser une IA pour décider si la propriété « semble présente » introduirait de l’incertitude sans bénéfice. C’est pourquoi la stratégie PMB repose d’abord sur des contrôles explicites dans Revit et IFC : présence, format, unicité, cohérence, plage de valeurs ou relations.
L’IA peut intervenir au-dessus de cette couche : expliquer les anomalies, proposer des regroupements, aider à rédiger un rapport ou suggérer des règles à créer. Mais le verdict de conformité doit rester traçable.
7. Le risque des hallucinations dans un contexte BIM
Un modèle de langage peut produire une réponse plausible mais fausse. Dans un article, cela crée une erreur. Dans un modèle BIM, cela peut créer un paramètre erroné, une classification inexistante ou une recommandation qui ne respecte pas le cahier des charges.
La mitigation passe par plusieurs mécanismes : limiter la source de vérité, fournir des documents de référence, demander des citations ou des identifiants de source, contrôler automatiquement les sorties et conserver une validation humaine pour les décisions à impact.
Plus l’action est irréversible ou coûteuse, plus le système doit être conservateur. Un assistant peut proposer de renommer 500 objets ; le plugin doit montrer la liste avant d’appliquer la modification.
8. Pas d’IA fiable sans données propres
Le sujet rejoint directement la qualité des données. Si les modèles contiennent des noms incohérents, des paramètres vides, des doublons et des classifications hétérogènes, l’IA ne transforme pas magiquement cet ensemble en référentiel fiable.
Au contraire, une donnée propre rend à la fois l’automatisation classique et l’IA plus performantes. Avant de déployer un assistant, je préfère donc mettre en place des identifiants, des dictionnaires, des règles de nommage et des contrôles. C’est moins spectaculaire, mais beaucoup plus structurant.
9. Exemple : analyser 2 000 issues de coordination
Imaginons un projet avec 2 000 issues provenant de plusieurs mois de coordination. Les champs structurés contiennent statut, auteur, discipline, date et objet IFC. Les descriptions sont en texte libre.
Une règle classique peut produire les KPI : nombre d’issues ouvertes, délai moyen, distribution par discipline. Une IA peut ensuite analyser le texte pour proposer des thèmes : réservations, hauteurs libres, chemins de câbles, réseaux humides, structure, accès maintenance. Le coordinateur valide ou corrige ces catégories.
Le résultat peut révéler qu’un type de problème revient sans cesse. La vraie valeur n’est alors pas le classement lui-même : c’est la décision de modifier le standard ou la méthode de coordination pour éliminer la cause.
10. IA + Python : combinaison plus intéressante que l’IA seule
Une approche que je trouve particulièrement efficace consiste à utiliser l’IA pour accélérer la création de code, puis à laisser le code déterministe exécuter la tâche. Par exemple, l’IA aide à écrire un script qui lit un export de paramètres, normalise les valeurs et produit un rapport. Une fois validé, ce script devient une brique stable du workflow.
On obtient ainsi le meilleur des deux mondes : vitesse de développement et reproductibilité opérationnelle.
11. Confidentialité, données projet et gouvernance
Les maquettes et documents peuvent contenir des informations sensibles. Avant d’envoyer des données vers un service d’IA, il faut connaître les conditions de traitement, le périmètre des données transférées et les règles de l’organisation. La sécurité ne peut pas être déduite du simple fait qu’un outil est populaire.
Sur des projets sensibles, l’approche doit être alignée avec la stratégie décrite dans notre article sur la sécurité des données BIM. Les workflows d’IA ajoutent une nouvelle chaîne de traitement à documenter.
12. Ma méthode pour introduire l’IA dans une équipe BIM
Je commencerais par trois catégories de tâches. Premièrement, celles qui consomment beaucoup de temps mais dont l’erreur est facilement détectable : synthèse, recherche, brouillons de rapports. Deuxièmement, l’assistance au code. Troisièmement, la classification de données non structurées.
Pour chaque cas, on définit un jeu de test, une méthode de vérification et un niveau d’autonomie acceptable. On mesure ensuite le gain réel. Si le contrôle humain prend plus de temps que le travail initial, l’usage n’est pas mature.
Conclusion
L’IA va modifier les métiers du BIM, mais probablement moins en remplaçant les BIM Managers qu’en changeant la façon dont ils accèdent à l’information et construisent leurs automatisations.
Les équipes les plus efficaces ne seront pas celles qui mettent de l’IA partout. Ce seront celles qui savent distinguer ce qui doit être calculé exactement, ce qui peut être proposé par un modèle probabiliste et ce qui doit rester une décision humaine.
Automatiser d’abord ce qui doit être fiable.
PMB privilégie des contrôles Revit et IFC explicites et auditables, avec l’IA comme couche d’assistance lorsque son usage apporte réellement quelque chose.