BIM et IA

L’intelligence artificielle (IA) entre dans les logiciels de BIM par petites touches : tri des conflits entre réseaux, génération de variantes d’aménagement, estimation des coûts, assistants qui répondent en langage courant. Dans le même temps, un chiffre revient dans des articles et des présentations commerciales : le BIM offrirait un retour sur investissement « allant jusqu’à 634 % ».

Nous faisons le point avec les sources publiées jusqu’en juillet 2024 : ce que l’IA ajoute au BIM, ce que mesurent les études de retour sur investissement, dont celle d’où vient le 634 %, et comment une entreprise peut mesurer le sien.

Le BIM comme base de données du projet

Le BIM (Building Information Modelling, modélisation des informations du bâtiment) désigne la production et la gestion des informations d’un ouvrage à partir de modèles numériques partagés. Chaque objet du modèle porte une géométrie et des propriétés : matériau, quantité, coût, phase, fabricant, durée de vie. La norme ISO 19650-1 décrit la gestion de ces informations de la programmation à l’exploitation [1].

Pour l’IA, ces propriétés structurées comptent davantage que la 3D. Un modèle bien renseigné peut servir de jeu de données. Un modèle incomplet transmet ses lacunes à tous les outils qui s’appuient sur lui.

Ce que l’IA ajoute au BIM

Par IA, nous entendons ici l’apprentissage automatique (machine learning), c’est-à-dire des modèles statistiques qui apprennent une tâche à partir d’exemples passés, et les grands modèles de langage, qui produisent du texte. Plusieurs fonctions présentées comme « intelligentes » dans les logiciels BIM restent déterministes : la détection géométrique des conflits, l’extraction de métrés (relevés de quantités) depuis une maquette et le contrôle par règles appliquent des calculs ou des règles écrites à l’avance. Les études de rentabilité présentées plus loin portent presque toutes sur ces fonctions déterministes.

Dans le tableau, « courant » signifie employé sur des projets avec des outils du marché, « recherche » signifie décrit dans des publications à partir d’un prototype ou d’un cas d’étude.

Usage	Apport de l’IA	État en juillet 2024
Coordination et détection de conflits	Séparer, d’après l’historique des projets, les conflits qui comptent de ceux sans conséquence [2]	Détection géométrique courante. Tri par apprentissage automatique au stade de la recherche
Conception générative	Générer et noter des variantes d’aménagement, par exemple 10 000 variantes notées sur six critères pour des bureaux d’Autodesk à Toronto [3]	Appliquée en esquisse, sur des problèmes bien délimités
Estimation des coûts	Prédire un coût à partir de projets passés, dès l’esquisse [4]	Nombreux modèles publiés. Précision liée au volume et à la qualité des données historiques
Métrés	Reconnaître des éléments sur des plans 2D ou des relevés quand il n’existe pas de maquette	Sur une maquette, le métré est une requête sans IA. Sur des plans, résultats à contrôler par un métreur
Vérification de maquette	Extraire des exigences des textes réglementaires et comparer le projet à ces exigences [5]	Contrôle par règles écrites courant [6]. Modèles de langage au stade de la recherche
Maintenance prédictive	Prévoir l’état d’équipements techniques à partir de capteurs reliés à la maquette [7]	Démonstrations sur cas d’étude. Suppose une maquette d’exploitation tenue à jour
Assistants en langage naturel	Interroger une maquette ou des documents de projet, rédiger des synthèses [5]	Début d’adoption

Regona et ses coauteurs constatent que l’IA reste moins répandue dans la construction que dans d’autres secteurs. Sur les chantiers, le premier frein est la fragmentation du secteur, qui complique la collecte et la conservation des données [8]. Pour les modèles de langage, Ghimire et ses coauteurs relèvent en 2024 le risque d’« hallucinations », des réponses fausses formulées avec assurance, et des questions de propriété intellectuelle sur les données de projet [5].

Le retour sur investissement du BIM

Le retour sur investissement (ROI) rapporte le gain net au coût engagé : ROI = (économies − coût du BIM) / coût du BIM. Un ROI de 100 % signifie que les économies valent deux fois la dépense.

Holder Construction et le chiffre de 634 %

En 2008, Azhar, Hein et Sketo, de l’université d’Auburn, ont publié les données de dix projets américains menés entre 2005 et 2007 par l’entreprise générale Holder Construction, à Atlanta [9]. Le ROI y varie de 140 % à 39 900 % selon les projets, et les auteurs jugent eux-mêmes l’écart trop grand pour en déduire une fourchette. Les économies sont des coûts évités estimés. Une partie provient de conflits détectés en phase de construction, une autre d’estimations faites en phase de planification ou d’analyse de la valeur. Les gains indirects ne sont pas comptés.

Le projet présenté en détail, l’hôtel Hilton Aquarium d’Atlanta (46 millions de dollars), donne un ordre de grandeur. Le BIM y a coûté 90 000 dollars, environ 0,2 % du budget, et le tableau de l’étude retient 710 000 dollars d’économies nettes, soit un ROI de 780 % [9]. Rapportées au budget, ces économies valent environ 1,5 % du coût du projet.

Dans la version publiée en 2011, Azhar résume ces données par deux moyennes : 1 633 % sur l’ensemble des projets, 634 % sur les projets dont les économies n’ont pas été estimées en phase de planification ou d’analyse de la valeur [10]. Le 634 % est donc une moyenne calculée sur une partie des dix projets, sélectionnés et chiffrés à partir des données de l’entreprise, sans groupe témoin. Il ne renseigne pas sur le ROI qu’obtiendrait un autre projet.

Des projets comparés deux à deux

Giel et Issa ont étudié trois paires de projets d’une même entreprise, chaque paire réunissant un projet récent mené en BIM et un projet antérieur semblable mené sans BIM [11]. Les économies pour le maître d’ouvrage sont estimées à partir des dépassements de délai, des demandes d’information (RFI) et des avenants. Le ROI varie de 16 % à 1 654 %. Selon les paires, les RFI baissent de 34 %, 68 % et 43 %, les avenants de 40 %, 48 % et 37 %. Avec trois paires, l’effet du BIM reste mêlé à d’autres différences : équipe, conjoncture, expérience acquise entre les deux projets.

Les enquêtes déclaratives

L’enquête de McGraw-Hill Construction publiée en 2012 repose sur 582 réponses recueillies en ligne en Amérique du Nord, entre août et septembre 2012, auprès de professionnels issus de la base Dodge et de dix associations professionnelles [12]. Parmi les utilisateurs du BIM, 62 % perçoivent un ROI positif : 74 % des entreprises de construction et 37 % des ingénieurs. Le rapport précise qu’aucune méthode de calcul ne fait référence et que 44 % des utilisateurs ne mesurent jamais formellement leur ROI. Ces chiffres décrivent donc une perception, sur un échantillon non aléatoire. Le même rapport montre le poids de l’expérience : 64 % des utilisateurs les moins engagés déclarent un ROI négatif ou nul, contre 6 % des plus engagés.

Ce que montrent les revues systématiques

Sompolgrunk, Banihashemi et Mohandes ont recensé 23 publications parues entre 2000 et 2020 : les ROI rapportés vont de −83,3 % à 39 900 % [13]. Gharaibeh, Eriksson et Lantz, sur 75 articles, constatent l’absence de méthode standard de calcul du ROI du BIM et le peu d’études sur les bénéfices intangibles [14]. Dans leur corpus, toutes les études chiffrées concluent à un ROI positif. Nous y voyons d’abord un biais de publication probable, car les projets décevants sont rarement publiés.

Une mesure plus prudente

En 2018, PwC a appliqué pour Innovate UK une méthode de mesure des bénéfices du BIM à deux actifs publics britanniques : la rénovation du siège du ministère de la Santé, au 39 Victoria Street à Londres, et la mise à niveau de la barrière anti-crue de la Foss, à York [15]. Chaque bénéfice y est comparé à un scénario sans BIM établi avec les parties prenantes, puis actualisé sur la durée de vie de l’actif. Les bénéfices bruts quantifiés atteignent 3,0 % et 1,5 % du coût global actualisé, dont 73 % et 61 % en phase d’exploitation. Le coût du BIM n’entre pas dans le calcul, si bien que ces chiffres ne donnent pas de ROI. Les auteurs les présentent comme un minimum, faute d’avoir pu documenter les économies dues à la détection de conflits.

Un ROI de plusieurs centaines de pour cent et un gain de 1 à 3 % du coût global ne se contredisent pas. Les études de cas divisent des coûts évités par une dépense BIM faible. PwC rapporte des bénéfices au coût total de l’ouvrage. Le cas Hilton Aquarium montre les deux à la fois : 780 % de ROI pour environ 1,5 % du budget de construction.

Le ROI de l’IA combinée au BIM

Résultats mesurés

Les publications sur l’IA en construction mesurent surtout la qualité d’un modèle sur un jeu de données. Elmousalami a comparé 20 techniques d’estimation des coûts au stade conceptuel sur des projets d’amélioration de canaux d’irrigation. La meilleure, XGBoost (des arbres de décision combinés), affiche une erreur absolue moyenne en pourcentage de 9,1 % [4]. Hu et Castro-Lacouture ont comparé six algorithmes chargés de séparer conflits pertinents et non pertinents à partir de données historiques [2]. Cheng et ses coauteurs ont relié maquette, capteurs et apprentissage automatique pour prévoir l’état d’équipements techniques, sur un exemple illustratif [7]. Ces travaux évaluent des prédictions. Ils ne chiffrent ni les heures ni les euros gagnés sur des projets en cours.

Projections

Le Boston Consulting Group estimait en 2016 qu’une numérisation complète de la construction non résidentielle ferait économiser, à dix ans, 13 % à 21 % des coûts dans les phases d’ingénierie et de construction, et 10 % à 17 % en exploitation [16]. Ces chiffres viennent de trois projets types (un immeuble de bureaux, une autoroute, une centrale électrique), dont les réductions de coûts ont été validées par des experts puis extrapolées à tout le secteur. Ils couvrent l’ensemble des technologies numériques, BIM compris, sans part propre à l’IA.

À notre connaissance, aucune étude indépendante publiée avant juillet 2024 ne mesure le ROI de l’IA appliquée au BIM sur une série de projets. Les chiffres qui circulent viennent surtout de cabinets de conseil et d’éditeurs de logiciels. Ce ROI dépend aussi de la maturité BIM de l’entreprise : un modèle d’IA s’appuie sur les données de la maquette, et son coût comprend leur préparation, l’intégration aux logiciels existants et la vérification des résultats.

Mesurer son propre ROI

Nous recommandons de suivre sept étapes, pour le BIM comme pour un outil d’IA.

1. Choisir un usage et ses indicateurs avant le projet : RFI par million d’euros de travaux, avenants dus à des erreurs de conception, heures de métré, écart entre estimation et coût final, conflits résolus avant le chantier.
2. Fixer une référence : les mêmes indicateurs sur des projets comparables menés sans l’outil, ou sur les derniers projets de la même équipe. À défaut, décrire par écrit le scénario sans BIM ou sans IA, comme le fait la méthode de PwC [15].
3. Compter tous les coûts : licences, matériel, formation, heures de modélisation, préparation des données, vérification des résultats de l’IA, baisse de productivité des premiers projets.
4. Séparer gains mesurés et coûts évités estimés. Un conflit évité reste une hypothèse chiffrée : noter le coût unitaire retenu et la personne qui l’a fixé.
5. Suivre deux chiffres, le ROI et le gain en pourcentage du coût du projet. Le ROI seul flatte les petites dépenses, comme le montre le cas Hilton Aquarium.
6. Tester l’IA sur un projet terminé, en comparant ses résultats aux faits connus (conflits traités sur chantier, coût final), avant de mesurer le temps gagné en production.
7. Garder les projets décevants dans la série. Sans eux, l’entreprise reproduit en interne le biais de publication observé dans la littérature.

Références

1. ISO, ISO 19650-1:2018, Organization and digitization of information about buildings and civil engineering works, including building information modelling (BIM). Information management using building information modelling. Part 1: Concepts and principles, 2018. https://www.iso.org/standard/68078.html
2. Y. Hu, D. Castro-Lacouture, Clash Relevance Prediction Based on Machine Learning, Journal of Computing in Civil Engineering, 33(2), 04018060, 2019. https://doi.org/10.1061/(ASCE)CP.1943-5487.0000810
3. D. Nagy, D. Lau, J. Locke, J. Stoddart, L. Villaggi, R. Wang, D. Zhao, D. Benjamin, Project Discover: An Application of Generative Design for Architectural Space Planning, Symposium on Simulation for Architecture and Urban Design (SimAUD), 2017. https://research.autodesk.com/publications/project-discover-an-application-of-generative-design-for-architectural-space-planning
4. H. H. Elmousalami, Artificial Intelligence and Parametric Construction Cost Estimate Modeling: State-of-the-Art Review, Journal of Construction Engineering and Management, 146(1), 03119008, 2020. https://doi.org/10.1061/(ASCE)CO.1943-7862.0001678
5. P. Ghimire, K. Kim, M. Acharya, Opportunities and Challenges of Generative AI in Construction Industry: Focusing on Adoption of Text-Based Models, Buildings, 14(1), 220, 2024. https://doi.org/10.3390/buildings14010220
6. C. Eastman, J. Lee, Y. Jeong, J. Lee, Automatic rule-based checking of building designs, Automation in Construction, 18(8), 1011-1033, 2009. https://doi.org/10.1016/j.autcon.2009.07.002
7. J. C. P. Cheng, W. Chen, K. Chen, Q. Wang, Data-driven predictive maintenance planning framework for MEP components based on BIM and IoT using machine learning algorithms, Automation in Construction, 112, 103087, 2020. https://doi.org/10.1016/j.autcon.2020.103087
8. M. Regona, T. Yigitcanlar, B. Xia, R. Y. M. Li, Opportunities and Adoption Challenges of AI in the Construction Industry: A PRISMA Review, Journal of Open Innovation: Technology, Market, and Complexity, 8(1), 45, 2022. https://doi.org/10.3390/joitmc8010045
9. S. Azhar, M. Hein, B. Sketo, Building Information Modeling (BIM): Benefits, Risks and Challenges, Proceedings of the 44th Annual Conference of the Associated Schools of Construction (ASC), 2008. http://ascpro0.ascweb.org/archives/cd/2008/paper/CPGT182002008.pdf
10. S. Azhar, Building Information Modeling (BIM): Trends, Benefits, Risks, and Challenges for the AEC Industry, Leadership and Management in Engineering, 11(3), 241-252, 2011. https://doi.org/10.1061/(ASCE)LM.1943-5630.0000127
11. B. K. Giel, R. R. A. Issa, Return on Investment Analysis of Using Building Information Modeling in Construction, Journal of Computing in Civil Engineering, 27(5), 511-521, 2013. https://doi.org/10.1061/(ASCE)CP.1943-5487.0000164
12. McGraw-Hill Construction, The Business Value of BIM in North America: Multi-Year Trend Analysis and User Ratings (2007-2012), SmartMarket Report, 2012. https://download.autodesk.com/us/offercenter/smartmarket2012/SmartMarket_2012_Prelim.pdf
13. A. Sompolgrunk, S. Banihashemi, S. R. Mohandes, Building information modelling (BIM) and the return on investment: a systematic analysis, Construction Innovation, 23(1), 129-154, 2023 (en ligne en décembre 2021). https://doi.org/10.1108/CI-06-2021-0119
14. L. Gharaibeh, K. Eriksson, B. Lantz, Quantifying BIM investment value: a systematic review, Journal of Engineering, Design and Technology, publié en ligne le 13 mars 2024. https://doi.org/10.1108/JEDT-06-2023-0259
15. PwC pour Innovate UK, BIM Level 2 Benefits Measurement: Application of PwC’s BIM Level 2 Benefits Measurement Methodology to Public Sector Capital Assets, mars 2018. https://www.cdbb.cam.ac.uk/files/4.pwcbmmapplicationreport_0.pdf
16. P. Gerbert, S. Castagnino, C. Rothballer, A. Renz, R. Filitz, Digital in Engineering and Construction: The Transformative Power of Building Information Modeling, Boston Consulting Group, mars 2016. https://www.bcg.com/publications/2016/engineered-products-infrastructure-digital-transformative-power-building-information-modeling