Les grands modèles de langage (GML, en anglais LLM) sont rapidement passés du statut de technologie expérimentale à celui d’outils pratiques intégrés dans les flux de travail quotidiens. Dans le secteur de l’architecture, de l’ingénierie et de la construction (AIC), leur impact est de plus en plus visible — qu’il s’agisse de soutenir des tâches telles que la rédaction de cahiers des charges, la révision de documents, la recherche d’information et la coordination entre des équipes de projets complexes.

Bien que les GML soient souvent associés à la génération de texte ou aux interfaces conversationnelles, leur véritable valeur dans le secteur AIC réside dans leur capacité à améliorer les flux de travail professionnels, à réduire les points de friction et à faciliter l’accès aux connaissances institutionnelles, sans pour autant remplacer le jugement humain.

Qu’est-ce qu’un grand modèle de langage?

Les grands modèles de langage (GML) sont des systèmes d’intelligence artificielle entraînés sur d’immenses volumes de données textuelles afin de comprendre, générer et contextualiser le langage. Les modèles fondés sur des architectures de type GPT utilisent des méthodes probabilistes pour prédire et générer des réponses basées sur des schémas récurrents dans les données plutôt que sur des règles déterministes.

Selon les travaux de recherche fondamentale publiés par OpenAI, les GML excellent dans la synthèse d’informations complexes, la production de résumés et la réponse à des requêtes nuancées dans divers domaines. Dans le secteur AIC, cette capacité permet aux équipes d’interagir plus intuitivement avec les données et la documentation liées aux projets.

Cas d’utilisation émergents dans les flux de travail du secteur AIC

Les projets AIC génèrent d’énormes volumes d’informations : dessins, cahiers des charges, normes, courriels, demandes d’information (RFI), soumissions et rapports. Les grands modèles de langage aident les équipes à naviguer dans cette complexité en agissant comme des assistants sensibles au contexte plutôt que comme des décideurs autonomes.

Parmi les applications courantes dans les flux de travail du secteur AIC, on retrouve :

• Soutien à la rédaction de cahiers des charges : Aide à la rédaction, à la révision et à l’harmonisation du langage technique dans les documents.
• Interprétation des normes : Résumé des codes de construction, des normes de conception et des exigences réglementaires.
• Recherche et extraction de documents : Recherche rapide de clauses, détails ou précédents pertinents.
• Coordination et communication : Amélioration de la clarté des demandes d’informations, des comptes rendus de réunion et des descriptions de conception.

Les recherches publiées dans le journal Automation in Construction montrent que les outils linguistiques basés sur l’IA peuvent réduire considérablement la charge de travail administratif, permettant ainsi aux professionnels de se concentrer sur des tâches de conception et de coordination à plus forte valeur ajoutée.

Renforcer, et non remplacer, le jugement professionnel

Il est essentiel de faire la distinction entre assistance et autorité. Les grands modèles de langage ne « comprennent » pas les bâtiments, la physique ou la constructibilité de la même manière que les architectes et les ingénieurs. Ils reconnaissent plutôt des schémas linguistiques et des relations dans les données. Leurs résultats doivent donc toujours être validés par des professionnels qualifiés.

La Royal Institution of Chartered Surveyors (RICS) souligne que les outils d’IA doivent soutenir la prise de décisions éclairées tout en maintenant une responsabilité clairement définie au sein d’une équipe de projet.

Concernant la conception des façades et des enveloppes de bâtiments — où la performance, la sécurité et la conformité sont primordiales — les GML peuvent rationaliser la création de documents et le travail d’analyse, mais ne doivent en aucun cas remplacer le jugement technique ni les tests de performance.

Considérations liées à la qualité et à la gouvernance des données

L’efficacité des GML dépend fortement des données avec lesquelles ils interagissent. Les modèles entraînés sur des ensembles de données généraux peuvent produire des résultats non pertinents ou trompeurs dans des contextes AIC spécialisés. Par conséquent, de plus en plus d’organisations explorent des modèles spécifiques à leur domaine, entraînés sur du contenu technique soigneusement sélectionné.

L’Institut national des normes et de la technologie (NIST, National Institute of Standards and Technology) souligne l’importance de la gouvernance des données, de la transparence et de la supervision humaine lors du déploiement de systèmes d’IA dans des environnements professionnels.

Sans ces contrôles, les GML risquent de renforcer des normes obsolètes, d’interpréter de manière erronée des réglementations ou de générer un contenu qui semble faire autorité, mais qui n’est pas suffisamment précis pour le contexte du projet.

Valeur stratégique tout au long du cycle de vie du projet

Lorsqu’ils sont mis en œuvre de manière réfléchie, les GML peuvent apporter une valeur ajoutée à toutes les phases du cycle de vie d’un bâtiment — depuis la conception initiale et la rédaction des cahiers des charges jusqu’à la construction et la gestion des installations. Leur capacité à synthétiser rapidement l’information permet une prise de décision plus rapide, une meilleure coordination et une documentation plus cohérente.

Pour les entreprises du secteur AIC, cela marque une transition d’une gestion réactive de l’information à une valorisation proactive des connaissances, où l’expertise est amplifiée plutôt que diluée.

Perspectives d’avenir

Les grands modèles de langage ne sont pas un phénomène passager. Ils représentent un changement fondamental dans la manière dont les professionnels interagissent avec l’information. Pour le secteur de l’AIC, le succès dépendra de l’intégration responsable de ces outils dans les flux de travail, en tirant parti de leurs points forts tout en respectant leurs limites.

En considérant les GML comme des collaborateurs plutôt que comme des remplaçants, les entreprises peuvent augmenter leur efficacité, réduire les risques et améliorer la qualité de la prise de décision tout au long du processus de conception et de construction.