L’intelligence artificielle ne se contente plus de produire du texte ou des images. Elle peut désormais utiliser des outils, écrire du code et enchaîner plusieurs tâches pour résoudre un problème. Pour les architectes et les ingénieurs, l’enjeu dépasse le simple gain de temps. À mesure que l’IA devient capable d’exécuter des tâches de plus en plus complexes, la question est de savoir ce qui peut lui être confié et ce qui doit rester sous contrôle humain. Lors d’une formation organisée par la SIA Valais et PRISM, Grégory Mermoud, professeur à la HES-SO Valais-Wallis, a invité les participants à considérer ces nouvelles capacités avec curiosité, tout en gardant un regard critique sur leurs limites et sur la fiabilité des résultats. Une position qu’il résume par l’image de « rester sur l’arête », en avançant avec l’IA sans perdre le recul nécessaire pour en évaluer les usages.
L’arrivée des agents IA modifie ce que l’on peut demander à ces systèmes. Lorsqu’un modèle ne connaît pas directement une réponse, il peut désormais identifier l’outil qui lui permettra de la trouver. Grégory Mermoud l’illustre avec une question volontairement impossible à résoudre par simple prédiction de texte, la 25e décimale de 13 divisée par π. Un agent peut écrire un petit programme Python, l’exécuter, récupérer le résultat puis répondre correctement.
Dans l’architecture et l’ingénierie, ces agents peuvent interagir avec des logiciels métiers comme Archicad, Revit ou Tekla. Ils ne se contentent alors plus de produire une réponse. Ils peuvent utiliser ces outils pour réaliser certaines tâches. Des technologies comme le MCP permettent justement de créer ce lien entre l’IA et les logiciels.
Douze mois de travail face à 40 minutes avec l’IA
Pour mesurer ce que les agents peuvent déjà accomplir, Grégory Mermoud s’est intéressé à un projet mené par la HEPIA et la HEIG-VD, qui consistait à transformer un nuage de points LiDAR en une maquette BIM au format IFC 4.3. Le projet avait mobilisé une équipe d’ingénieurs et d’architectes pendant douze mois, avec un budget de CHF 220’000. Les données étant accessibles en open data, il a tenté la même expérience avec Claude Code en lui demandant d’analyser le fichier et de le convertir en maquette BIM. Environ 40 minutes plus tard, l’agent avait produit une première maquette en utilisant Python et des bibliothèques open source, sans licence logicielle spécialisée.
La comparaison est impressionnante, mais elle a ses limites. Grégory Mermoud le souligne lui-même, il n’est ni architecte ni ingénieur civil et ne peut donc pas garantir que le résultat atteint la même qualité que le travail de l’équipe de recherche. L’agent a effectué plusieurs contrôles et enrichi la maquette, notamment en ajoutant un modèle de terrain, mais cette première base doit être évaluée par des spécialistes capables d’en juger la fiabilité.
L’expérience ne démontre pas qu’un projet de CHF 220’000 peut désormais être remplacé par 2 CHF d’IA. Elle montre qu’une partie du travail qui mobilisait auparavant beaucoup de temps et de compétences peut aujourd’hui être amorcée en quelques dizaines de minutes.
Cette accélération ne fait toutefois pas disparaître les contraintes d’un projet. Grégory Mermoud compare l’effet de l’IA à un gain de « vélocité ». Elle permet d’avancer très vite, surtout lorsqu’un projet part de zéro, sans pour autant faire disparaître sa « masse ». Changements d’exigences, processus existants, coordination des équipes ou contraintes réglementaires continuent de créer des frottements. La vitesse de production ne réduit donc pas automatiquement la complexité du projet.
Très performante sur le difficile, parfois perdue sur le simple
Même lorsque l’IA se montre très performante sur des tâches complexes, elle peut encore échouer face à des situations qui paraissent simples. Grégory Mermoud l’illustre avec un exemple. Une personne demande à un modèle si elle doit marcher ou conduire jusqu’à une station de lavage située à 100 mètres. L’IA conseille d’abord de marcher, puisque la distance est courte, avant de comprendre qu’il faut prendre la voiture pour pouvoir la laver.
Le même décalage apparaît avec les images. Des modèles peuvent reconnaître un drapeau américain tout en donnant le nombre de bandes qu’il devrait normalement avoir plutôt que celui réellement visible sur une image volontairement modifiée. Ils peuvent donc produire une réponse crédible en s’appuyant sur ce qu’ils connaissent, sans répondre correctement à ce qu’ils ont devant eux.
Pour un architecte ou un ingénieur, cette irrégularité est probablement plus importante à retenir qu’un classement de performances. Il reste difficile de prévoir à quel moment un système très performant va échouer, ce qui rend la vérification indispensable lorsque le résultat influence une décision professionnelle.
Autonomie, polyvalence et enjeux élevés ne font pas toujours bon ménage
Pour décider jusqu’où faire confiance à un agent, Grégory Mermoud propose un cadre fondé sur trois dimensions. Un système peut être très généraliste, fonctionner avec une grande autonomie ou intervenir dans une situation à forts enjeux, mais réunir ces trois caractéristiques reste aujourd’hui difficile à maîtriser.
Dans un domaine à forts enjeux comme l’architecture ou l’ingénierie, un outil généraliste devrait rester un système d’aide à la décision avec un professionnel dans la boucle. Si l’on souhaite lui donner davantage d’autonomie, son champ d’action doit être plus étroit et ses résultats vérifiables. À l’inverse, un agent très généraliste et très autonome convient davantage à des tâches où une erreur a peu de conséquences.
Avant d’automatiser une tâche, ce cadre invite à considérer non seulement ce que l’IA est capable de faire, mais aussi les conséquences possibles d’une erreur. La prudence devient encore plus importante lorsqu’un agent accède à des données privées, consulte des contenus externes ou peut agir lui-même, par exemple en envoyant un e-mail. Ces connexions ouvrent aussi de nouveaux risques, car des contenus malveillants peuvent chercher à influencer son comportement ou à lui faire divulguer des informations.
Tester sans déléguer son jugement
Grégory Mermoud résume sa position par une formule simple, « tester, ne pas faire confiance ». Les progrès rapides de l’IA invitent à expérimenter, mais ils rendent le jugement professionnel d’autant plus nécessaire. Plus un système gagne en autonomie ou accélère la production d’une première solution, plus il devient nécessaire d’en vérifier les résultats et d’en évaluer les limites.
Pour lui, l’IA offre aujourd’hui un véritable « vent dans le dos ». Il s’agit d’en profiter sans perdre le recul nécessaire, en restant sur « l’arête » entre exploration des nouvelles possibilités et vigilance face à leurs limites. Le jugement humain reste ainsi déterminant pour décider ce qui peut réellement être utilisé dans un contexte professionnel.
