Cela veut aussi dire que nous sommes à la pointe de la sécurité des données et de la conformité. Dans notre univers, l’un ne va pas sans l’autre.

Chez Temelion, nous automatisons la documentation technique complexe et les livrables pour les ingénieurs en conception de bâtiments, et nous avons appris que le vrai potentiel de l’IA ne se débloque pas seulement en construisant de meilleurs algorithmes, mais surtout en construisant la confiance.

Explorons ensemble l’état actuel de l’IA dans le secteur de la construction, pourquoi la confiance est la pièce manquante essentielle, et ce que les développeurs d’IA comme les dirigeants du secteur peuvent faire pour combler cet écart.

Commençons par le statu quo

Selon une étude du Royal Institution of Chartered Surveyors, environ 45 % des professionnels du bâtiment déclarent n’avoir aucune mise en œuvre d’IA dans leur organisation, tandis que 34 % en sont encore aux phases pilotes.
Même si les entrepreneurs évaluent l’IA très positivement, la mise en œuvre réelle sur les chantiers reste largement en retard par rapport aux ambitions.

Bien qu’il existe plusieurs défis à l’adoption de l’IA (et que nous en ayons déjà évoqué certains ici), le plus grand obstacle à ce jour est culturel.
Nous le voyons constamment lors de nos appels de découverte : les questions autour de la sécurité des données sont le grand éléphant dans la pièce, malgré tout l’enthousiasme.

Ce qui constitue la confiance dans l’IA

Selon la recherche, la confiance dans l’IA peut être définie comme « la volonté des gens d’accepter l’IA et de croire en ses suggestions et décisions ».

Si l’on devait définir les principaux facteurs influençant la confiance dans la technologie, ils se diviseraient en trois catégories :

• Facteurs humains
• Facteurs contextuels
• Facteurs technologiques

Globalement, les facteurs influençant la confiance peuvent donc être regroupés dans ces trois domaines.

‍
Alors que les éléments humains et contextuels influencent la confiance de manière similaire pour différentes technologies, l’IA présente des défis uniques.

Les études montrent que les personnes ayant naturellement tendance à faire confiance adoptent plus facilement les nouvelles technologies (Siau, 2018). Mais les exigences de confiance liées à l’IA diffèrent profondément des technologies classiques ou des systèmes automatisés à règles fixes.

La différence fondamentale réside dans la capacité de l’IA à générer de nouvelles décisions à partir de modèles appris via les données d’entraînement. Cette capacité renforce l’importance de plusieurs facteurs clés : la précision des résultats, la cohérence des performances, la visibilité du processus de décision, et la compréhension des raisons derrière chaque conclusion.

Ces dimensions déterminent collectivement si les utilisateurs percevront un système d’IA comme fiable.

‍

Les obstacles spécifiques à la confiance dans l’IA

Au-delà du secteur de la construction, plusieurs freins à la confiance dans l’IA sont communs à de nombreuses industries.
Voyons ce qu’une entreprise d’ingénierie de conception de bâtiments pourrait se demander lorsqu’elle explore l’IA.

1. « Comment l’IA fait-elle ce qu’elle fait ? »

Dans une enquête McKinsey sur l’état de l’IA en 2024, 40 % des répondants ont identifié la manque d’explicabilité comme un risque clé dans l’adoption de l’IA générative, mais seulement 17 % ont déclaré travailler à le résoudre.

L’explicabilité (souvent appelée XAI – Explainable AI) désigne la capacité à comprendre et à décrire comment un système d’IA arrive à ses décisions ou prédictions.

Imaginez : lorsqu’un expert humain prend une décision, il peut généralement expliquer son raisonnement –

« J’ai diagnostiqué ce patient avec telle condition à cause des symptômes A, B et C. »

L’explicabilité vise à offrir une transparence similaire pour les modèles d’apprentissage automatique.

Beaucoup de systèmes modernes, notamment les réseaux de neurones profonds, fonctionnent comme des « boîtes noires » – ils produisent des résultats précis, mais leur raisonnement interne reste opaque.

Il existe deux types d’explicabilité :

• Explicabilité locale : explique une prédiction spécifique.

« Le niveau de risque sécurité de ce projet a été évalué comme élevé car la fatigue des ouvriers et le taux de panne des équipements dépassaient les seuils du modèle. »

• Explicabilité globale : décrit le comportement général du modèle.

« Notre modèle IA évalue principalement l’expérience des travailleurs, les conditions du chantier et l’historique de maintenance des équipements pour estimer les risques de sécurité. »

Comment Temelion accompagne ses clients :

• Nous travaillons étroitement avec eux pour offrir une documentation claire et une transparence totale sur la manière dont les outils IA de Temelion génèrent des suggestions de conception et automatisent les workflows des équipes d’ingénierie.
• Nous adaptons le niveau d’explicabilité selon le cas d’usage : traçabilité détaillée pour les cas complexes, supervision simplifiée pour les tâches répétitives.

‍

2. « Je ne veux pas parler à une machine. »

Les recherches montrent que beaucoup préfèrent faire confiance à une prédiction humaine plutôt qu’à un algorithme – un phénomène appelé aversion aux algorithmes.
Les gens tolèrent plus facilement une erreur humaine qu’une erreur d’IA.

Comment Temelion accompagne ses clients :

• Impliquer les chefs de projet et responsables techniques dès les phases pilotes pour assurer la pertinence et la praticité.
• Nos experts travaillent main dans la main avec les équipes Produit et Tech pour intégrer des étapes de validation humaine dans toutes les décisions critiques.
• Nous faisons face à l’anxiété liée à l’IA de manière transparente : montrer comment nos outils automatisent les tâches répétitives pour libérer du temps sur des missions à plus forte valeur ajoutée, tout en favorisant la montée en compétences des équipes.

‍

3. « Qui détient mes données, et sont-elles en sécurité ? »

Les violations de données, atteintes à la vie privée et fuites de propriété intellectuelle représentent des risques existentiels pour de nombreuses entreprises.
Dans la construction, les enjeux sont encore plus élevés : des retards dus à une panne réseau ou à une perte de données peuvent générer des coûts énormes, nuire à la réputation, et entraîner des sanctions réglementaires.

De plus, les entreprises collaborent souvent avec plusieurs partenaires — architectes, ingénieurs, sous-traitants, éditeurs logiciels — ce qui complique la propriété et le contrôle des données et résultats IA.

Comment Temelion accompagne ses clients :

• Mise en place de règles strictes de gouvernance des données pour garantir traçabilité et conformité.
• Automatisation des flux pour détecter, étiqueter et bloquer toute information sensible avant un partage externe.
• Communication claire sur la durée de conservation, l’utilisation et le traitement des données projet.

4. « J’analyse des informations depuis longtemps, vais-je devoir passer des heures à utiliser l’IA ? »

Un frein majeur à la confiance dans l’IA reste le fossé informationnel. Des études montrent que les employés passent jusqu’à 3,6 heures par jour à chercher des données dans différents systèmes (Coveo, 2024 ; McKinsey, 2024).
Cette inefficacité crée frustration et épuisement, sapant la confiance dans toute nouvelle technologie.

Beaucoup d’entreprises n’ont pas de politique claire sur l’usage responsable de l’IA : 4 employés sur 5 disent n’avoir reçu aucune directive.
Les expériences passées avec des systèmes peu fiables renforcent la méfiance, un cercle vicieux s’installe :

mauvais systèmes → frustration → méfiance → faible adoption → échec confirmé.

Actions concrètes pour les bureaux d’ingénierie :

• Offrir des formations interactives et personnalisées
• Créer des certifications en partenariat avec des associations professionnelles
• Fournir un support technique continu et des ressources pédagogiques

5. « Nous ne savons pas comment mettre en place l’IA. »

Les leaders du secteur s’accordent : la clé pour adopter l’IA, c’est une approche stratégique et progressive.
Commencer par identifier un problème concret, démontrer la valeur ajoutée d’une application précise, puis diffuser le succès pour élargir l’adoption.

Actions concrètes pour les bureaux d’ingénierie :

• Déployer des outils IA sur des points de douleur clairs : automatisation des métrés, amélioration des contrôles sécurité, ou mise à jour rapide des documents.
• Consultez notre guide de préparation à l’IA et son implémentation. Et si vous souhaitez aller plus loin, contactez notre équipe ici.

Pourquoi la confiance dans l’IA est essentielle dans la construction, et pour qui

Nous avons utilisé le cadre XAI de McKinsey pour analyser l’impact de l’IA selon les parties prenantes.
Leurs besoins peuvent être déclinés en six profils, chacun bénéficiant de niveaux d’explication différents :

• Directeur de l’ingénierie / Directeur technique (Décideurs exécutifs) : besoin de clarté sur les modèles pour soutenir les décisions clés, prouver le ROI et garantir le respect des normes de projet et de marque.
• Chef de projet ingénierie / Chargé de projet (Utilisateurs concernés) : besoin d’explications claires sur les résultats pour gérer les opérations au quotidien.
• Économiste de la construction / Assistant chargé d’affaires (Utilisateurs métier) : besoin d’analyses exploitables pour affiner les estimations et workflows.
• Auditeurs / Régulateurs (Qualité & Conformité) : exigent la transparence des modèles pour valider des processus sûrs et conformes.
• Développeurs / Équipe IT (Techniques) : besoin de détails sur les modèles pour déboguer et améliorer les solutions numériques.
• Comité de gouvernance IA (Juridique, Risque, IT, Ingénierie) : veille à ce que les modèles respectent les politiques internes et les exigences réglementaires.

Prêt à découvrir comment l’IA peut transformer vos workflows de pré-construction ?

Découvrez Temelion et comment nous aidons les ingénieurs en conception à automatiser la documentation technique avec précision et conformité.