Article

L’IA parle maintenant à vos modèles BIM. Votre relevé est-il prêt?

Associé cofondateur, développement des affaires et vigie technologique

Partagez

Le chiffre qui résume tout

Selon le rapport Unanet 2026 AEC Inspire, cité à AU 2026 par la firme Avant Leap, environ 75 % des firmes AEC sondées utilisent déjà l’IA. Les mêmes firmes, à la question suivante, ne sont que 29 % à avoir une grande confiance dans les données qui l’alimentent.

Trois firmes sur quatre utilisent l’IA. Moins d’une sur trois fait confiance à ce qu’elle lit. Comme l’ont résumé les conférenciers : ce n’est pas un problème d’IA, c’est un problème de définition des flux de travail. Et pour un modèle tel que construit, la première donnée du flux, c’est le relevé.

Chez Topo3D, cette statistique nous concerne directement. Nous livrons des nuages de points et des modèles qui deviennent la « vérité terrain » de nos clients. Si des agents IA vont désormais interroger et corriger ces modèles, la qualité de ce que nous livrons détermine la qualité de ce qu’ils produiront.

Un scanner laser terrestre transforme une salle mécanique en millions de points mesurés. C’est cette donnée, et non le modèle, qui sert de référence : si des agents IA interrogent le modèle, la fiabilité de leurs réponses dépend d’abord de la qualité du relevé.

Le MCP n’est plus émergent

Il y a un an, on parlait encore du MCP comme d’un standard prometteur. Les données présentées à AU 2026 montrent un tout autre portrait :

  • ouvert en novembre 2024, le SDK atteignait environ 97 millions de téléchargements par mois en mars 2026;
  • OpenAI, Google, Microsoft, Salesforce et AWS l’ont adopté, et sa gouvernance relève maintenant de la Linux Foundation;
  • le registre officiel comptait 9 652 serveurs en mai 2026;
  • Autodesk propose un serveur MCP pour Revit en préversion technique, et des projets indépendants exposent déjà Civil 3D, Inventor et AutoCAD.

Pour rappel, le principe est simple. Un LLM, seul, ne voit pas votre modèle et ne peut pas agir dans votre logiciel. Un « serveur MCP » expose les capacités d’une application (lire un modèle, interroger des éléments, modifier un paramètre, produire un export) dans un format standard qu’un agent IA sait utiliser. La plomberie est réglée. La vraie question est devenue : qu’est-ce qu’on confie à l’agent, et qu’est-ce qu’on garde?

Nous ne parlons pas de cela en théorie. Topo3D fait rouler ses propres serveurs MCP à l’interne, qui relient nos agents IA à nos outils de gestion de projet et à nos flux d’automatisation. C’est ce qui nous permet de lire les présentations d’AU avec un œil de praticien.

Trois cas réels présentés à la conférence AU 2026

1. Egis, Grand Paris Express : la conformité vérifiée en jours plutôt qu’en mois

Sur le Grand Paris Express (200 km de métro, 68 gares), chaque mètre carré souterrain additionnel coûte cher : excavation plus profonde, murs plus épais. Egis doit donc réduire les locaux techniques au minimum tout en prouvant qu’ils respectent des centaines d’exigences (dimensions, dégagements, équipements, accès). Il y a dix ans, cette vérification mobilisait six experts pendant des mois, modèle Revit par modèle Revit. Avec leur chaîne automatisée qui combine Autodesk Platform Services et IA, Egis indique que l’exercice prend désormais « des jours, pas des mois », et que le système regroupe les non-conformités qui partagent une même cause.

2. Nacorm : un agent qui apprend des corrections du projet

Le problème classique d’un flux automatisé : il répète la même erreur à chaque exécution, et quelqu’un la corrige à la main chaque fois. Nacorm a présenté un pipeline MCP qui conserve les corrections humaines comme règles de projet. Sur 60 enjeux de coordination à classer, la précision de l’agent est passée de 38 % à 83 % après seulement cinq phrases du type « tout ce qui traverse la structure va au structural ». Aucune ligne de code : seulement des faits sur le bâtiment, déjà connus de l’équipe. Une nouvelle session, sans historique, atteignait 78 % parce que la mémoire vivait dans le serveur, pas dans la conversation. Le conférencier a lui-même souligné la limite : un seul projet, un seul modèle d’IA.

3. Autodes : la boucle Interroger → Vérifier → Corriger

Phuc Le, d’Autodesk, a présenté un projet de recherche personnel bâti sur les API publiques : un système à plusieurs agents sur Revit. Un agent lit le modèle par MCP, un deuxième le vérifie contre des normes écrites en langage clair (fichiers YAML), un troisième propose des corrections. Chaque correction est prévisualisée, approuvée par un humain et journalisée avant d’être écrite dans le modèle. La boucle se répète jusqu’à ce que le modèle passe.

Sa conclusion mérite d’être retenue : les paramètres peuvent être automatisés; la géométrie et l’intention de design demandent un humain.

La ligne de partage : paramètres d’un côté, géométrie de l’autre

Cette phrase trace exactement la frontière du scan-to-BIM.

Ce que l’agent fait bien : nommer les familles selon la norme du client, remplir les paramètres manquants, vérifier qu’une porte coupe-feu a bien sa cote de résistance, produire le registre d’écarts et le brouillon du rapport. Ce sont des tâches déterministes : la bonne réponse est connue d’avance, donc vérifiable.

Ce que l’agent ne peut pas inventer : la position réelle d’un mur, la flèche d’une poutre, le faux aplomb d’un poteau, l’écart entre ce qui a été conçu et ce qui a été construit. Ces informations viennent du terrain : d’un relevé géoréférencé, d’un nuage de points dont on connaît l’incertitude (voir notre article sur la vraie précision d’un nuage de points), d’une modélisation validée par quelqu’un qui sait lire un nuage.

Autrement dit, plus les agents automatisent l’aval, plus l’amont devient critique. Un agent qui vérifie 300 portes en quelques secondes vérifiera 300 portes mal placées tout aussi vite si le modèle de départ est faux.

Superposé au nuage de points, le modèle révèle un mur et une série de portes décalés par rapport à leur position réelle. Un agent qui ne vérifie que les paramètres validera chacune de ces portes : seule la donnée mesurée permet de voir l’écart.

La frontière commence à bouger : le cas Prevu3D

La ligne entre paramètres et géométrie n’est pas figée. Notre partenaire Prevu3D, plateforme québécoise de jumeaux numériques, illustre bien ce mouvement. Il y a quelques semaines, son outil de diffusion de nuages de points — un connecteur Revit — rendait déjà la donnée disponible très rapidement à l’intérieur de Revit. Le gain, à cette étape, portait sur l’accès à la donnée, pas encore sur la modélisation.

Puis la frontière a bougé pour de bon. Il y a environ une semaine, en s’appuyant sur l’API de Prevu3D, l’IA a pris le relais : avec un modèle comme GPT-6 Astra, elle a navigué dans la capture de façon autonome, segmenté et délimité les objets, les a reconnus, en a bâti la géométrie et produit des fichiers IFC prêts à être intégrés dans Revit. Pour y arriver, le modèle combine deux sources aux forces complémentaires : le maillage issu du nuage de points, qui porte la vérité géométrique et assure la précision, et le Gaussian Splatting issu des photos, riche en information visuelle, qui aide à reconnaître les objets. On ne parle donc plus d’une semaine entre la capture et la modélisation dans Revit, mais de 24 heures — et, d’ici quelques mois, possiblement de quelques heures entre le moment où la donnée est captée, alignée, maillée, classifiée et convertie par l’IA en actif géométrique. L’IA s’attaque désormais à la géométrie elle-même.

Le maillage apporte la géométrie mesurée; le Gaussian Splatting apporte l’apparence qui aide à reconnaître les objets. Ensemble, ils permettent à l’IA de segmenter l’équipement et d’en produire la CAO, qui doit ensuite être contrôlée.

Prevu3D ne retire pas l’humain de la boucle pour autant. À terme, la plateforme permettra de visualiser la CAO produite pour chaque objet ou pour l’ensemble du lieu, et de contrôler la production automatisée au fur et à mesure. Des cartes de chaleur feront ressortir rapidement les zones problématiques, et des outils compareront automatiquement l’objet produit à la CAO de référence.

C’est exactement la logique que nous défendons : plus l’IA produit de géométrie, plus il faut valider ce qu’elle produit, avec des mesures et des contrôles qui ne dépendent pas d’elle. Voir l’exemple de Prevu3D.

Valider ce qui entre… et ce qui sort

Une donnée d’entrée fiable ne suffit pas. Il faut aussi vérifier ce que l’IA produit, et c’est souvent la partie la plus difficile.

Une erreur humaine a souvent l’air d’une erreur : un chiffre aberrant, une case vide, une unité oubliée. L’erreur d’une IA, elle, a l’air juste. Le tableau est complet, le rapport bien rédigé, les références semblent cohérentes. Les modèles de langage sont conçus pour produire de l’information plausible, pas de l’information vraie. Plus le résultat paraît soigné, plus il est tentant de le croire sans le vérifier, et plus l’erreur est difficile à repérer.

C’est pourquoi, chez Topo3D, nous avons développé nos propres mécanismes de vérification de la production faite avec l’IA. Ils reposent sur le principe de base de l’arpentage : on ne valide pas un relevé avec lui-même, on le compare à des points de contrôle indépendants. Il en va de même pour l’IA : elle ne peut pas être la seule à juger son propre travail. Tout ce qu’elle produit est confronté à des contrôles indépendants (outils déterministes, mesures terrain, révision humaine) avant de sortir de nos bureaux.

Le piège le plus courant est subtil. Pour reconstruire la géométrie, l’IA a tendance à modéliser des éléments standardisés : une poutre droite, un poteau d’aplomb, un profilé de catalogue. Or le bâtiment réel ne l’est pas toujours. Une poutre a pris de la flèche, un poteau penche, une pièce a été modifiée sur le chantier. Le modèle généré est propre et cohérent, mais il décrit le bâtiment tel qu’il devrait être, pas tel qu’il est. L’opérateur doit donc voir rapidement la différence entre le nuage de points, qui est la réalité mesurée, et le rendu extrait par l’IA, comprendre où se trouvent les écarts, puis décider : corriger le modèle, accepter l’écart s’il respecte la tolérance convenue, ou retourner sur le terrain. C’est le rôle des cartes de chaleur des écarts.

L’IA a modélisé une poutre droite et des poteaux d’aplomb, comme dans un catalogue. Le nuage de points montre la réalité : la poutre a pris de la flèche et un poteau penche. En rouge, les zones où le modèle s’écarte le plus du nuage; les cibles et le jalon sont des points de contrôle mesurés sur le terrain, indépendants de l’IA. L’opérateur voit en un coup d’œil où sont les écarts et peut décider : corriger le modèle, accepter l’écart s’il respecte la tolérance, ou retourner sur le terrain.

Les postes de contrôle que nous recommandons :

  1. Une source indépendante, jamais l’IA seule. Chaque écart qu’il rapporte est recalculé par un outil déterministe (un script, un logiciel de mesure) et confronté à des points de contrôle mesurés sur le terrain.
  2. Chaque valeur doit renvoyer à sa source. Un chiffre du livrable doit pointer vers l’élément du modèle, le point du nuage ou le fichier d’origine. Sans source, la valeur ne sort pas.
  3. Des tests de vraisemblance automatiques. Bornes physiques (épaisseur de mur, plage d’élévations), totaux qui balancent, unités et systèmes de coordonnées cohérents. Ces tests attrapent les erreurs « crédibles » qu’un œil pressé laisse passer.
  4. Un échantillonnage vérifié à la main. Une portion des résultats, choisie au hasard, est revérifiée par un technicien. Une seule erreur trouvée, et l’échantillon s’élargit.
  5. Un jeu de cas connus. Avant de modifier un flux, on le fait rouler sur des données dont on connaît déjà la réponse, y compris des cas pièges. S’il échoue, il ne va pas en production.
  6. Le droit de dire « je ne sais pas ». L’agent doit laisser un champ indéterminé plutôt que de le combler. Toute valeur déduite plutôt que mesurée est identifiée comme telle.
  7. Une signature humaine documentée. Un professionnel responsable valide le livrable final, avec la trace de ce qui a été vérifié, comment et par qui.

Au bout de la ligne, l’objectif est simple : une donnée vérifiée, traçable et défendable. L’IA accélère la production. La vérification, elle, ne se délègue pas.

Les règles apprises à la dure

Avant Leap, qui fait rouler des serveurs MCP en production, a présenté ses règles, souvent apprises à la dure. On retrouve plusieurs des mêmes garde-fous dans le projet de Phuc Le :

  • Peu d’outils à la fois. Avant Leap recommande un maximum de six outils visibles par l’agent au moment où il agit. Certains serveurs du marché en exposent plus de 170. Sept serveurs branchés remplissent déjà le tiers de la mémoire de travail d’un modèle, avant même la première question. Plus l’agent voit d’outils, plus il se trompe et plus il coûte cher.
  • Aperçu, puis confirmation, pour toute écriture. Aucun changement n’entre dans le modèle sans qu’un humain l’ait vu.
  • Journal d’audit en ajout seulement. On doit pouvoir reconstituer ce que l’agent a fait et ce que l’humain a approuvé.
  • Un cœur déterministe, une orchestration par agent. L’agent enchaîne des fonctions éprouvées; il ne remplace pas le calcul.
  • Pas d’exécution de code arbitraire. Un outil qu’on ne peut ni auditer ni tester ne va pas en production.

Le coût, lui, est souvent sous-estimé. Un agent ne répond pas une seule fois : il planifie, appelle un outil, lit le résultat et recommence, parfois une dizaine de fois pour une même tâche. Selon Gartner (cité à AU), une tâche confiée à un agent consomme ainsi de 5 à 30 fois plus de ressources de calcul qu’une simple question posée à un assistant IA. Il faut donc réserver les agents aux tâches répétitives et volumineuses, là où le temps gagné dépasse ce que coûte l’automatisation.

Il faut surtout s’assurer que l’agent exécute la tâche de la façon la plus directe possible. Un agent mal outillé tourne en rond : il hésite entre des outils qui se ressemblent, refait des appels inutiles ou traite 400 éléments un par un, et chaque détour se paie. Les praticiens entendus à AU proposent des moyens simples d’éviter ce gaspillage : n’exposer que les outils utiles à la tâche en cours, décrire chaque outil clairement (ce qu’il fait, quand l’utiliser, quand ne pas l’utiliser), offrir une seule opération qui traite tout un lot plutôt qu’un appel par élément, et confier les calculs à des scripts éprouvés plutôt qu’au modèle. Un flux bien conçu coûte moins cher et se trompe moins.

Ce que ça change pour vos relevés : le livrable « prêt pour les agents »

Si vos équipes BIM s’apprêtent à brancher des agents sur leurs modèles, voici ce qu’il faut exiger du relevé et du modèle tel que construit qui l’accompagne :

  1. Un géoréférencement explicite. Système de coordonnées, réseau de contrôle et points d’appui documentés, pour que l’agent compare des objets qui sont réellement au même endroit.
  2. Une incertitude déclarée. Un écart de 8 mm n’a pas le même sens selon la précision du relevé. Sans cette information, l’agent ne peut pas distinguer une non-conformité d’un bruit de mesure.
  3. Un nommage et des paramètres normalisés. Les familles et paramètres doivent suivre la norme du client dès la livraison. C’est ce que les agents lisent en premier.
  4. Un niveau de détail (LOD) défini par élément. L’agent doit savoir ce qui a été modélisé à partir du nuage et ce qui a été déduit.
  5. La traçabilité de la validation. Qui a validé quoi, à quelle date, avec quelle méthode.
Rattaché à un réseau de contrôle, chaque point du relevé possède une position connue et une incertitude déclarée, représentée ici par les ellipses rouges. C’est ce qui permet à un agent de distinguer une véritable non-conformité d’un simple bruit de mesure.

Risques et erreurs fréquentes

  • Confondre fluidité et exactitude. Une réponse bien formulée n’est pas forcément juste.
  • Automatiser l’aval sans fiabiliser l’amont. C’est l’écart entre les 75 % et les 29 %.
  • Brancher trop d’outils. La performance baisse et la facture monte.
  • Croire un résultat parce qu’il est bien présenté. Plus une sortie d’IA paraît soignée, plus elle mérite d’être vérifiée.
  • Viser l’autonomie totale. En 2026, la valeur est dans l’assistance supervisée, pas dans le pilote automatique.
  • Brancher l’IA aux modèles de projet sans politique de données. Hébergement, droits d’accès et clauses contractuelles doivent être réglés d’abord.

Recommandations

  1. Commencer par un flux qui existe déjà, se répète souvent et dont l’erreur est réversible : vérification de paramètres, registre d’écarts, brouillon de rapport.
  2. Écrire vos normes en phrases claires. Les cas Nacorm et Autodesk montrent qu’elles deviennent directement des règles pour l’agent.
  3. Garder une validation humaine explicite et documentée pour tout livrable à enjeu. L’agent prépare, le professionnel signe.
  4. Exiger un relevé « prêt pour les agents » : géoréférencé, à incertitude déclarée, normalisé et traçable.
  5. Valider la sortie autant que l’entrée : recalcul indépendant, traçabilité de chaque valeur, échantillonnage manuel.

Conclusion

AU 2026 l’a confirmé : les agents IA qui travaillent dans Revit et les autres logiciels de CAO/BIM sont passés du laboratoire à la production. Ils automatisent bien ce qui est déterministe, comme les paramètres, le nommage, les vérifications et les rapports. Ils commencent même à produire de la géométrie. Mais ils dépendent entièrement de la qualité de la donnée terrain qu’on leur fournit, et ce qu’ils produisent doit être vérifié. Les firmes qui en tireront le plus de valeur ne seront pas celles qui branchent le plus d’outils, mais celles qui partent de données en lesquelles elles ont confiance.

Vous préparez l’arrivée d’agents IA dans vos flux BIM ou de contrôle qualité? Parlons de vos relevés : Topo3D livre des nuages de points et des modèles tels que construits géoréférencés, documentés et prêts à être exploités par vos outils, et nous faisons déjà rouler nos propres serveurs MCP. Discutons d’un cas concret.

FAQ

Qu’est-ce que le Model Context Protocol (MCP)?

Un standard ouvert qui permet à un agent IA d’utiliser les fonctions d’un logiciel, comme lire un modèle Revit ou modifier un paramètre, sans intégration sur mesure pour chaque application.

Un agent IA peut-il modéliser à partir d’un nuage de points?

Ça commence. Des plateformes comme Prevu3D génèrent déjà de la CAO à partir du maillage et des images, et des modèles d’IA peuvent désormais produire des IFC de façon autonome. Mais la géométrie produite doit être contrôlée contre la donnée mesurée, et l’intention de design demande encore un humain. Aujourd’hui, l’agent excelle surtout sur les paramètres, le nommage et les vérifications.

Est-ce fiable pour de l’ingénierie?

Seulement avec des garde-fous : aperçu avant chaque modification, approbation humaine, journal d’audit. L’agent prépare, le professionnel signe.

Comment détecter les erreurs d’une IA si elles ont l’air crédibles?

En ne laissant jamais l’IA être son seul juge : recalcul par un outil indépendant, traçabilité de chaque valeur jusqu’à sa source, tests de vraisemblance automatiques, échantillonnage vérifié à la main et signature d’un professionnel responsable.

Par où commencer?

Par un flux qui existe déjà, se répète souvent et dont l’erreur est réversible : vérification de paramètres, registre d’écarts, brouillon de rapport.

Pourquoi la qualité du relevé compte-t-elle encore plus avec l’IA?

Parce qu’un agent vérifie très vite, y compris des données fausses. Un relevé géoréférencé, à incertitude déclarée et normalisé est la condition pour que ses résultats soient utilisables.

Sources

  • AS2698 — MCP on the Autodesk Platform: Three Production Servers Across the Full Stack (E. Galicia Tovar, J. L. Baquero Rivera, Avant Leap), Autodesk University 2026. Cite notamment Unanet 2026 AEC Inspire Report, Gartner (mars 2026), Epoch AI et Chroma.
  • AS2183 — Using MCP to Build Self-Improving AEC Data Workflows (N. Sadeg, Nacorm), AU 2026.
  • AS1569 — Multi-AI-Agent BIM Orchestration: Query · Check · Fix Loops for Revit (Phuc Le, Autodesk), AU 2026.
  • BLD3171 — Design Requirements Verification with BIM Automation and AI Agents (A. Hersant, Egis), AU 2026.
  • BES4067 — Agents of Change: Agentic AI and MCP Workflows (M. Gustafson, Qnect; A. Sundal, HGA), AU 2026.
  • Prevu3D — publication LinkedIn : https://lnkd.in/p/gxiJSXta

À propos de l’auteur

Associé cofondateur, développement des affaires et vigie technologique

Associé cofondateur de Topo3D, Jonathan se consacre depuis plus de 15 ans à la numérisation 3D et à la capture de la réalité : LiDAR terrestre, mobile et par drone, modélisation et inspection d’infrastructures. Il est titulaire d’un brevet sur une technique d’assemblage de nuages de points, appliquée notamment à la numérisation de l’échangeur Turcot. Responsable de la vigie technologique, il suit les nouveaux capteurs et les outils d’IA et fait évoluer les méthodes de Topo3D en conséquence. Il détient un baccalauréat en design de l’environnement de l’UQAM.