Chez Vinci, l’IA générative s’invite des chantiers à la gestion des contrats

L’intelligence artificielle générative ne concerne plus uniquement la rédaction de textes ou la création d’images. Dans les groupes de construction, de concessions et de services, elle peut aussi devenir une interface entre des masses de documents, des contraintes techniques et des décisions opérationnelles. Chez Vinci, les usages évoqués couvrent la conception des ouvrages, la préparation des chantiers, la maintenance des infrastructures et la vérification documentaire.

Cette perspective mérite toutefois une lecture précise. Dans le BTP, une réponse produite rapidement par un logiciel ne vaut jamais, à elle seule, une décision d’ingénierie. Les exigences de sécurité, les normes, les conditions réelles d’un terrain et les responsabilités contractuelles imposent une validation humaine. L’intérêt de l’IA est donc moins de remplacer les métiers que de les aider à explorer des options, à trier l’information et à organiser des tâches complexes.

De quelle IA parle-t-on dans la construction ?

L’expression « IA générative » désigne des systèmes capables de produire un contenu nouveau à partir de données et d’instructions : texte, résumé, proposition de plan, scénario d’organisation ou encore liste de contrôles. Les grands modèles de langage, souvent appelés LLM, appartiennent à cette famille. ChatGPT en est l’exemple le plus connu du grand public.

Mais les applications citées pour Vinci recouvrent plusieurs familles technologiques. Calculer des dimensions de fondations, choisir un ordonnancement ou affecter une grue à une tâche ne relève pas nécessairement d’un seul modèle génératif. Il peut aussi s’agir de logiciels d’optimisation, de modèles prédictifs ou d’apprentissage par renforcement. Ces outils peuvent être combinés : l’un calcule des scénarios, un autre les explique en langage courant, puis un professionnel vérifie leur compatibilité avec le projet.

Concevoir des plans sous contraintes, une promesse concrète

Dans la phase de conception, l’ambition décrite est de produire des plans mieux adaptés aux contraintes d’un projet. Un ouvrage ne se résume pas à une forme à imaginer : ses fondations, ses structures et son implantation doivent tenir compte du poids du bâtiment, de la topographie du terrain, des matériaux disponibles, des exigences environnementales et des règles de construction applicables.

L’IA pourrait aider à explorer rapidement plusieurs combinaisons de ces paramètres. Pour les fondations, elle peut par exemple contribuer à comparer des dimensions selon les caractéristiques retenues dans le modèle. Pour les éléments structuraux, elle peut assister la recherche d’espacements ou d’agencements répondant à un ensemble de contraintes. Le gain attendu est double : raccourcir l’exploration initiale et identifier plus tôt les options qui paraissent les plus pertinentes.

Cette rapidité ne dispense pas des vérifications classiques. Un plan optimisé par un algorithme reste une proposition. Il doit être confronté aux données géotechniques, aux calculs réglementaires, aux conditions locales, aux méthodes de réalisation prévues et au jugement des professionnels compétents. L’outil peut enrichir le travail de conception, pas transférer la responsabilité de l’ouvrage à une machine.

L’intérêt environnemental avancé repose aussi sur cette capacité à traiter plusieurs contraintes à la fois. Moins de matière utilisée, moins de déplacements inutiles ou une meilleure anticipation des aléas peuvent contribuer à améliorer l’efficacité d’un projet. Il serait néanmoins hasardeux de déduire un bénéfice environnemental automatique de l’emploi d’une IA : il dépend des choix finalement retenus, des données d’entrée et de la façon dont le chantier est exécuté.

Comment l’IA peut-elle organiser un chantier ?

La réalisation d’un chantier est un problème de synchronisation permanent. Les équipes, les grues, les engins, les livraisons et les différentes étapes de construction dépendent les uns des autres. Un retard sur une opération peut immobiliser des personnes et des équipements, avec des effets en cascade sur le calendrier.

Le cas évoqué chez Vinci concerne l’usage de modèles d’apprentissage par renforcement pour programmer les séquences de construction et orchestrer l’utilisation d’équipements lourds, notamment les grues. Dans ce type d’approche, le système teste de nombreux scénarios dans un environnement défini. Il cherche progressivement les séquences qui répondent le mieux à l’objectif donné, par exemple réduire les périodes d’inactivité tout en respectant les contraintes fixées.

Sur le papier, cette méthode est particulièrement utile lorsque le nombre de combinaisons devient trop important pour être comparé manuellement. Elle peut suggérer un ordre de tâches, mettre en évidence un conflit d’utilisation d’un équipement ou proposer une nouvelle organisation à la suite d’un imprévu. Si une livraison est décalée ou si une opération ne peut se dérouler comme prévu, l’outil peut recalculer des scénarios à partir de paramètres mis à jour.

La limite est tout aussi importante que la promesse. Le terrain comporte des événements difficilement réductibles à des données : météo, coactivité, sécurité des personnes, accès au site ou décisions du maître d’ouvrage. Pour être utile, un système de planification doit être alimenté avec des informations fiables et soumis à la connaissance des équipes qui pilotent effectivement les opérations.

De la maintenance préventive à la priorisation des interventions

Les infrastructures exploitées sur la durée requièrent une autre forme d’organisation. La maintenance ne consiste pas seulement à réparer après une panne : elle vise aussi à préparer les interventions, gérer les pièces nécessaires, mobiliser les bonnes compétences et ajuster les priorités lorsqu’une urgence survient.

Dans l’approche présentée pour Vinci, les algorithmes peuvent concevoir des plans de maintenance intégrant plusieurs variables : disponibilité des pièces de rechange, organisation des équipes sur le terrain, opérations déjà programmées et changements de dernière minute. L’intérêt est de pouvoir comparer des plans qui tiennent compte de contraintes simultanées, plutôt que de les traiter séparément.

Une telle assistance peut améliorer la réactivité, notamment lorsque les priorités évoluent. Elle ne remplace pas l’expertise des techniciens chargés d’apprécier l’état réel d’un équipement ou les conséquences d’une intervention reportée. En matière d’infrastructures, l’IA devient pertinente lorsqu’elle rend l’information plus exploitable et aide à préparer l’action, sans court-circuiter les procédures de sûreté et de maintenance.

Les LLM au service des appels d’offres et des contrats

La partie la plus directement associée à l’IA générative concerne les documents. Les appels d’offres rassemblent souvent de nombreuses pièces techniques, administratives et contractuelles. En synthétiser les points clés, retrouver une exigence ou rapprocher plusieurs documents peut mobiliser un temps considérable.

Vinci évoque l’emploi de technologies fondées sur les LLM, telles que ChatGPT, pour synthétiser des informations complexes issues de ces dossiers. Pour les équipes concernées, l’objectif est de disposer plus vite d’une vue d’ensemble : principales exigences, échéances, éléments techniques à analyser ou clauses nécessitant une attention particulière. Cette capacité peut accélérer la préparation des réponses et la circulation interne de l’information.

Les contrats constituent un autre terrain d’application. L’IA générative peut servir de premier filet de contrôle en signalant une clause inhabituelle, un terme potentiellement absent ou une incohérence entre plusieurs versions. Elle peut aussi aider à classer et à résumer des documents très volumineux.

Il faut cependant distinguer repérage et interprétation juridique. Un modèle de langage peut produire une réponse convaincante mais inexacte, omettre une nuance ou mal interpréter une formulation. La conformité contractuelle ne peut donc pas reposer sur une validation automatisée. Les juristes et les responsables opérationnels doivent contrôler le résultat, tout particulièrement lorsque les documents comportent des informations sensibles ou des engagements importants.

Les conditions d’un déploiement fiable dans un grand groupe

L’intégration de l’IA dans des métiers industriels ne se joue pas seulement dans le choix d’un outil. Elle suppose d’organiser les données, de former les utilisateurs et de définir clairement les situations dans lesquelles un contrôle humain est obligatoire. Un système qui reçoit des données incomplètes ou obsolètes risque de générer des recommandations peu pertinentes, même s’il paraît très performant.

La protection des informations est également centrale. Les dossiers d’appels d’offres, les contrats, les plans ou les données d’exploitation peuvent être confidentiels. Avant de les confier à un assistant conversationnel, une entreprise doit déterminer quelles données peuvent être traitées, par quel service, dans quel environnement et avec quelles garanties de sécurité. Cette question concerne autant les collaborateurs que les fournisseurs de technologies.

Enfin, l’adoption dépend de la confiance des équipes. Un conducteur de travaux, un ingénieur, un mainteneur ou un juriste doit pouvoir comprendre le rôle de l’outil, identifier ses limites et contester une proposition qui ne correspond pas à la réalité. La bonne intégration de l’IA ne consiste donc pas à automatiser pour automatiser, mais à choisir des tâches où elle apporte un avantage clair, contrôlable et mesurable.

Ce qu’il faut surveiller pour juger la transformation

Au 16 avril 2024, les usages présentés dessinent une trajectoire ambitieuse pour Vinci : faire de l’IA un soutien transversal, depuis les études jusqu’aux fonctions documentaires. Mais l’expression « révolution de tous les métiers » doit être évaluée à l’aune de résultats concrets. Le texte disponible ne fournit pas de nombre de projets déployés, de gain de temps mesuré, de réduction de coûts ou d’indicateur environnemental attribuable à ces outils.

Les éléments les plus révélateurs à suivre seront donc les cas d’usage effectivement généralisés, leur fiabilité en conditions réelles et les bénéfices mesurés par rapport aux méthodes existantes. Il faudra aussi observer la capacité du groupe à encadrer les données sensibles et à maintenir une validation humaine là où la sécurité, le droit ou la qualité des ouvrages l’exigent.

L’IA générative peut devenir un levier important pour des activités aussi documentaires et complexes que la construction, les concessions et la maintenance. Son avenir dans ces métiers dépendra moins de la capacité à produire une réponse instantanée que de son insertion rigoureuse dans les processus de travail, au service des femmes et des hommes qui conçoivent, réalisent et exploitent les infrastructures.