Une entreprise de construction est composée d'un travail qui se laisse difficilement résumer en un seul processus. Le calcul, la préparation des travaux, la planification, les achats, l'exécution sur le chantier, le contrôle, la révision et la réception s'entremêlent et dépendent d'un plan qui peut encore changer, d'un fournisseur qui livre plus tard, ou de conditions météorologiques qui bouleversent la planification. De nombreuses heures sont consacrées à l'harmonisation de ces éléments entre eux : un calcul qui correspond à un cahier des charges, une planification qui correspond à la livraison de matériaux, une exécution qui correspond à ce qui se trouve réellement dans le sol ou dans la construction. Cela fait du bâtiment un secteur où les ambitions se couchent rapidement sur papier mais atterrissent plus lentement dans le travail quotidien, parce que le travail lui-même est fragmenté entre rôles, lieux et moments.
Dans certaines parties de ce travail, l'IA reprend déjà des tâches, non pas comme une image d'avenir mais comme quelque chose qui se produit aujourd'hui dans certaines entreprises et pas encore dans d'autres. Un calcul qui se réalise en grande partie automatiquement sur la base de projets antérieurs, une planification qui se recalcule elle-même en cas de modification d'un délai de livraison, un permis d'urbanisme dont l'exhaustivité est pré-vérifiée : ce sont des tâches où le logiciel peut effectuer la plus grande partie du travail. D'autres tâches, comme l'évaluation d'un écart sur le chantier ou l'estimation d'un risque lié à un sous-sol difficile, restent en partie du travail humain, l'IA fournissant une première estimation et un chef de projet approuvant ou rejetant avec justification. D'autres tâches encore, comme la négociation avec un sous-traitant ou l'encadrement d'une équipe sur le chantier, restent du travail humain sans que l'IA n'y intervienne à court terme.
La différence entre les entreprises qui organisent déjà les choses ainsi et celles qui ne le font pas encore réside rarement dans la disponibilité de la technologie. Elle réside dans la question de savoir si les données sous-jacentes sont en ordre : un système de calcul qui apprend de projets antérieurs a besoin de données de projet cohérentes, et celles-ci ne sont pas naturellement présentes dans le bâtiment, car chaque projet est consigné différemment. Elle réside aussi dans la question de savoir si les rôles et les droits de décision sont organisés pour ce nouveau travail : qui évalue une proposition de planification générée par l'IA, et sur la base de quel critère cette personne peut-elle s'en écarter. Sans cette réponse, une ambition reste une idée.
Un comité de direction qui parle de « l'IA dans le calcul » n'entend pas partout la même chose. Une ambition suppose que l'IA fournit un calcul provisoire qu'un métreur contrôle encore ; une autre suppose que l'IA livre de manière autonome des calculs qui ne sont examinés qu'en cas d'écart. Ce sont deux niveaux de préparation différents, avec des exigences différentes en matière de qualité des données, de confiance du métreur dans le système, et de répartition des responsabilités. Qui ne rend pas cette différence explicite ne la découvre que lorsque le projet est déjà en cours et que le calcul ne correspond pas.
C'est là qu'intervient le test d'ambition : les ambitions sont consignées en quatre couches, de la vision large jusqu'à l'objectif concret, et testées sur leur niveau de préparation à travers huit dimensions, avec cinq confidence gates indiquant où l'ambition repose sur un terrain solide et où ce n'est pas le cas. Ce test est retraduit en capabilities : quels rôles doivent maîtriser quelque chose de nouveau, et qui reçoit quel droit de décision dans le processus modifié. Il ne s'agit pas d'un conseil en ressources humaines ni d'une justification pour une décision relative à des emplois ; des exigences légales propres s'appliquent à cela. Il s'agit de la question de savoir ce qu'une organisation doit maîtriser avant que le travail puisse réellement être transféré, et où il apparaît actuellement qu'elle n'en est pas encore capable.
Le bâtiment partage ce schéma avec d'autres secteurs où le travail est fragmenté entre lieux et rôles : le secteur de l'installation technique connaît des questions comparables autour de la planification et du diagnostic de pannes, le commerce de gros se débat avec des exigences de données comparables en matière de stocks et d'achats, et l'industrie manufacturière se heurte à des limites similaires en matière de contrôle qualité et de planification des processus. À chaque fois, la question n'est pas de savoir si l'IA peut reprendre quelque chose, mais si l'organisation qui l'entoure est suffisamment structurée pour que cette reprise tienne la route. Pour un comité de direction, c'est souvent d'abord une conversation sur le langage : comment aligner votre direction quand chacun donne un sens différent à « l'IA dans la planification », et comment éviter qu'une stratégie ne reste un document quand l'ambition a bien été fixée mais n'a nulle part été ramenée à ce qu'un métreur, un planificateur ou un exécutant fera différemment demain.
La question sous-jacente — quel travail dans cette entreprise peut réellement être repris par l'IA — trouve sa réponse par tâche grâce au scan de travail de FTE TO AI, indépendamment du test d'ambition plus large.
Un comité de direction qui souhaite savoir où en sont ses propres ambitions concernant l'IA dans le bâtiment n'a pas besoin de commencer par un plan élaboré. Le test de préparation gratuit se compose de huit questions courtes, une par dimension, et fournit une image de là où l'organisation est la plus avancée et là où elle l'est le moins. Le test d'ambition complet, avec les quatre couches et les cinq confidence gates, est en cours d'élaboration.
Vertel wat u wilt bereiken, dan kijken we samen wat daarvoor moet staan.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.