Modèles et plateformes d’IA
Ce que le Sommet Canada 2026 sur la transformation de l’IA & des données dans la construction a révélé sur l’IA en entreprise

Points clésLa principale contrainte de l'IA en entreprise est désormais l'organisation entourant…
Voir plus
- La principale contrainte de l'IA en entreprise est désormais l'organisation entourant le modèle plutôt que l'accès au modèle.
- La préparation des données est une discipline opérationnelle continue car l'IA ne peut pas reconstruire des informations qui n'ont jamais été capturées.
- Les investissements dans l'IA font face à un examen croissant du ROI alors que les entreprises exigent des résultats mesurables liés à des problèmes opérationnels spécifiques.
Déclaration : AMG World a accueilli Unite.AI au sommet de Toronto. Les observations et conclusions présentées dans cet article sont les nôtres.
Le secteur de la construction n’est peut-être pas le premier auquel on pense pour comprendre l’évolution de l’intelligence artificielle. C’est précisément ce qui en fait un terrain d’évaluation particulièrement utile pour cette technologie.
La construction conjugue des chaînes d’approvisionnement complexes, des équipes décentralisées, des systèmes anciens, des risques physiques, des marges serrées et d’énormes volumes d’informations générés sur des chantiers en constante évolution. Un système d’IA peut donner lieu à une démonstration impressionnante dans un environnement contrôlé, mais fournir une valeur fiable dans ces conditions représente un tout autre défi.
Lors du Sommet Canada 2026 sur la transformation de l’IA & des données dans la construction, organisé par AMG World à Toronto le 17 novembre, les échanges ont témoigné de l’entrée du marché de l’IA dans une phase plus exigeante. Le programme de la conférence portait sur le retour sur investissement mesurable, les données interconnectées, les jumeaux numériques, la transformation de la main-d’œuvre et le déploiement opérationnel. Pourtant, une conclusion s’est imposée au fil des présentations et des tables rondes : le principal obstacle à l’IA en entreprise n’est plus l’accès à un modèle puissant. C’est l’organisation qui entoure ce modèle.
Les ambitions en matière d’IA se heurtent aux réalités opérationnelles
Il n’était guère nécessaire de convaincre les participants que l’IA pouvait avoir des effets sur le secteur de la construction. Les questions les plus difficiles étaient de savoir comment la déployer, où l’appliquer et comment démontrer une valeur suffisante pour justifier l’investissement.
De nombreuses organisations semblent prises entre ambition et incertitude. Elles souhaitent mettre en œuvre l’IA, mais ne disposent pas encore d’une démarche claire pour déterminer les cas d’usage pertinents, attribuer les responsabilités ou introduire la technologie de manière à ce que les employés l’acceptent. Cette discussion est plus saine que l’enthousiasme sans réserve qui caractérisait les débuts de l’essor de l’IA générative.
Les fournisseurs ont donc aussi affaire à des clients plus exigeants. Une interface séduisante ne suffit pas. Les entreprises de construction veulent de plus en plus savoir comment un système d’IA s’intègre à leur environnement de données existant, ce qui se passe lorsque des informations manquent, comment les résultats peuvent être validés et si le déploiement résistera à l’épreuve des opérations réelles sur le terrain.
Même les discussions sur les modèles semblaient plus restreintes que ne le laisserait penser le marché plus vaste de l’IA. Claude était le seul grand modèle de langage à usage général cité à plusieurs reprises dans les échanges consignés dans nos notes. Il ne faut pas y voir une indication des parts de marché. Cela suggère toutefois que l’adoption en entreprise se concentre souvent autour d’un petit nombre d’outils qui ont déjà franchi les seuils internes de confiance, de sécurité ou d’approvisionnement.
Le problème le plus important lié à l’IA se pose avant même le modèle
La qualité des données était la préoccupation la plus récurrente.
Les jumeaux numériques en ont fourni un exemple concret. Un jumeau numérique n’est utile que si des informations continuent de lui parvenir depuis toutes les parties pertinentes d’un projet. Si un entrepreneur ne transmet pas de mise à jour, si un système tiers ne fournit qu’une partie des informations nécessaires ou si un employé quitte l’organisation sans transmettre son savoir, le modèle s’éloigne peu à peu de la réalité.
Le résultat peut tout de même sembler sophistiqué. Il peut aussi être erroné.
Augmenter la taille du modèle ne résout pas ce problème. L’IA ne peut pas reconstituer de manière fiable des informations opérationnelles qui n’ont jamais été recueillies. Elle ne peut pas non plus déterminer quelle partie était chargée de combler une lacune, à moins que l’organisation ait défini cette responsabilité.
Les discussions à Toronto ont souligné à plusieurs reprises la nécessité de disposer d’informations fiables, de structures de données claires et de processus permettant de maintenir les modèles à jour. C’est l’une des raisons pour lesquelles le programme officiel de la conférence accordait une telle place aux fondements des données, à la réalisation interconnectée des projets, aux jumeaux numériques et à l’harmonisation des personnes et des processus.
Pour l’ensemble du secteur de l’IA, la leçon est importante : la préparation des données ne se résume pas à un nettoyage de bases de données effectué avant le déploiement. C’est une discipline opérationnelle permanente.
Les équipes de terrain font désormais partie de l’infrastructure de l’IA
L’une des observations les plus concrètes de la conférence portait sur le rôle des chefs de projet. Ceux-ci ont été désignés comme un maillon essentiel pour recueillir les informations sur le terrain et veiller à ce qu’elles parviennent aux systèmes utilisés par l’ensemble de l’organisation.
Les chefs de projet et les équipes de première ligne font donc partie de l’infrastructure de l’IA, que leur intitulé de poste fasse ou non référence à l’intelligence artificielle.
Si la collecte d’informations exige de remplir des formulaires supplémentaires, de saisir plusieurs fois les mêmes données ou de suivre un nouveau processus complexe, les lacunes persisteront. Les systèmes les plus efficaces seront donc ceux qui intègrent naturellement la collecte de données exactes à la réalisation du travail, plutôt que d’en faire une charge administrative supplémentaire imposée après coup.
C’est particulièrement important dans un secteur où de nombreux processus restent analogiques et où les employés, les sous-traitants, les syndicats, les fournisseurs de technologies et les maîtres d’ouvrage peuvent tous interagir différemment avec l’information. Pour réussir le déploiement, il ne suffit pas de donner accès à un assistant d’IA. Il faut concevoir un flux d’information fiable à l’échelle de toute l’organisation.
L’exigence de rentabilité se renforce
Les participants ont également fait part de leurs préoccupations au sujet d’investissements dans l’IA qui n’avaient pas encore généré les rendements initialement attendus. Les coûts liés aux jetons ont été évoqués, mais le principal enjeu était le risque financier.
Les entreprises de construction ont l’habitude d’évaluer les projets en fonction des coûts, des délais, de la sécurité et des risques. Elles ne toléreront probablement pas indéfiniment des expérimentations sans échéance dans le domaine de l’IA, surtout lorsque le déploiement nécessite, en plus de l’utilisation du modèle, de nouvelles intégrations, des services de conseil, de la formation et la préparation des données.
Cela ne signifie pas que les entreprises se détournent de l’IA. Cela signifie qu’elles exigent un lien plus étroit entre la technologie et des résultats commerciaux mesurables.
Les déploiements les plus crédibles répondront à des problèmes opérationnels précis : réduire les tâches administratives, faciliter l’accès aux connaissances liées aux projets, repérer les risques de retard, tenir à jour les dossiers numériques ou aider les équipes à prendre plus rapidement des décisions à partir des informations dont elles disposent déjà. Une initiative d’IA présentée uniquement comme une transformation suscitera davantage de résistance qu’une initiative conçue pour éliminer un goulot d’étranglement bien défini.
La fiabilité entre désormais dans le calcul du retour sur investissement. Les participants se sont demandé ce qui se passerait si un service d’IA ou une grande plateforme infonuagique devenait indisponible. Dès lors que l’IA est intégrée à un processus opérationnel, la planification de la continuité ne peut plus être une réflexion après coup. Les organisations doivent savoir quelles tâches peuvent se poursuivre, quelles décisions nécessitent une solution de repli faisant appel à une personne et comment les systèmes pourront être rétablis sans perte de données.
L’adoption reste un défi humain
La crainte de perdre son emploi était présente, mais un obstacle plus immédiat se posait également : de nombreux employés ne comprennent pas encore les capacités et les limites de l’IA.
Cela crée des risques dans les deux sens. Les employés peuvent éviter des outils utiles parce qu’ils ne leur font pas confiance, ou se fier trop facilement à leurs résultats parce qu’ils surestiment leur exactitude.
Une seule séance de formation ne suffit pas à résoudre le problème. L’adoption repose sur la démonstration de la manière dont l’IA peut aider les employés dans leur travail, la définition claire des responsabilités humaines et le choix d’applications dont les employés peuvent reconnaître l’utilité.
La difficulté est particulièrement grande pour les petites et moyennes entreprises. Beaucoup n’ont pas les moyens de créer une équipe dédiée à l’IA ni de confier la responsabilité à long terme d’une initiative expérimentale. Il peut donc être moins important de se demander comment entraîner un grand modèle de langage interne que de savoir comment accéder aux données, en assurer la gouvernance et évaluer le système, et qui restera responsable de celui-ci.
Les perspectives commerciales sont considérables, mais elles pourraient profiter aux fournisseurs capables de réduire la complexité organisationnelle plutôt que de simplement proposer un autre modèle.
La construction, banc d’essai pour l’IA d’entreprise
Le sommet de Toronto était précieux parce qu’il s’intéressait à l’écart entre une démonstration réussie et un déploiement fiable. La combinaison de présentations et de discussions en petits groupes a permis d’aborder les enjeux opérationnels souvent laissés de côté dans les discours bien rodés sur l’IA.
Le secteur de la construction met en évidence presque toutes les faiblesses auxquelles l’IA d’entreprise doit remédier : l’information fragmentée, des environnements changeants, des processus hérités, des acheteurs prudents, des capacités techniques limitées, la résistance de la main-d’œuvre et les graves conséquences d’informations erronées.
Il montre aussi pourquoi les perspectives restent si prometteuses. Le rapprochement des connaissances sur les projets, des données de terrain, des jumeaux numériques et de l’expérience organisationnelle pourrait améliorer sensiblement la planification et la réalisation de travaux complexes. Mais les systèmes qui l’emporteront seront ceux qui rendront l’information plus complète, plus fiable et plus accessible aux personnes chargées d’agir en conséquence.
La discussion se poursuit au-delà de Toronto
La série d’AMG World consacrée à la construction se poursuit avec le Sommet sur la transformation de l’IA et des données dans le secteur de la construction à Austin 2027, le 26 janvier, suivi du Sommet sur la transformation de l’IA et des données dans le secteur de la construction en Europe 2027, à Londres, le 23 février.
L’organisateur étend également les discussions à d’autres secteurs à forte intensité d’actifs. Son Sommet 2027 sur l’IA et les technologies dans le secteur du pétrole et du gaz se tiendra à Houston le 9 février et réunira des responsables de l’IA, des données, de la transformation numérique et des opérations du secteur de l’énergie.
Si Toronto est un signe avant-coureur, la prochaine phase de l’IA d’entreprise ne sera pas menée par ceux qui produisent la démonstration la plus spectaculaire. Elle le sera par les organisations capables de relier le modèle à des données fiables, à des personnes responsables, à des processus résilients et à des résultats commerciaux qui justifient un investissement.












