IA, jumeaux numériques et planification de la rénovation : entre effet de mode et utilité concrète aujourd’hui

Voici la réponse en bref : les outils utiles aujourd’hui sont ceux qui vous aident à planifier vos dépenses d’investissement (CAPEX) à l’aide de la gestion des actifs basée sur le risque, évaluer les options de modernisation, classer les projets en fonction des risques et de l'empreinte carbone, et justifier chacune de vos décisions. L'IA est efficace pour le triage lors des inspections. Les jumeaux numériques sont efficaces pour tester des scénarios de modernisation. Les modèles de risque sont efficaces pour déterminer quand il faut réparer, reporter ou remplacer. Et aucun d'entre eux ne devrait fonctionner en mode automatique.

Si je devais résumer tout l'article en quelques mots, ce serait ceci :

• L'IA permet d'optimiser les tâches d'inspection, mais ne remplace pas les ingénieurs
• Les modèles de cycle de vie et de risque permettent de planifier les dépenses sur 5, 10 et 30 ans
• Les jumeaux numériques permettent de comparer les différentes options de rénovation avant le début des travaux
• Les outils de gestion de portefeuille permettent de classer les bâtiments en fonction du risque, des émissions et du budget
• Des données erronées sur les ressources perturberont chacun de ces flux de travail

Quelques chiffres suffisent à illustrer rapidement la situation : l'analyse d'images par IA a atteint environ Précision du 94% pour certains cas concrets de détection de défauts ; un cas traité dans le cadre de notre portefeuille Plus de 2 000 demandes d'entretien réparties sur 600 biens immobiliers; et les jumeaux calibrés ont permis de soutenir les projets de modernisation liés à Économies d'énergie estimées : de 14% à 27%, un cas ayant été signalé Économies réelles 23% une fois les travaux terminés.

Libérer le potentiel des jumeaux numériques basés sur l'IA dans le secteur de la construction !

sbb-itb-5be7949

Comparaison rapide

Outil	À quoi ça me servirait pour l'instant ?	Ses points forts	Limite principale
Évaluation de l'état des installations à l'aide de l'IA	Inspections de triage portant sur de vastes portefeuilles	Signaler les défauts potentiels à partir de photos, de vidéos, d'images prises par drone et de registres de travaux	Faiblesses : dommages cachés, défaillances occasionnelles et données incohérentes
Modélisation du cycle de vie et des risques	Réparation ou remplacement : quand choisir ?	État des liaisons, risque de défaillance et évolution des coûts dans le temps	Les prévisions à point unique peuvent induire en erreur
Jumeaux numériques	Tests de scénarios de modernisation	Compare les aspects liés à l'énergie, au confort, aux coûts et aux options de mise en service progressive	Nécessite des données de référence calibrées
Outils de hiérarchisation des projets	Classement des projets sur l'ensemble des actifs	Permet d'affecter en priorité les fonds aux titres les moins performants	Les résultats doivent encore être vérifiés par des personnes
Oxand Simeo™	Planification pluriannuelle CAPEX/OPEX	Intègre l'état des liens, le vieillissement, les risques et la modélisation de scénarios dans des plans prêts pour l'audit	Cela dépend de la fiabilité du registre des actifs et des données relatives à leur état actuel

Ainsi, si vous gérez un campus vieillissant, un système de santé, un réseau de services publics ou un portefeuille immobilier d'entreprise, la stratégie à court terme est simple : Commencez par corriger vos données, utilisez l'IA pour accélérer l'examen des inspections, recourez à des modèles de risque pour optimiser le temps consacré à ces tâches, et utilisez des jumeaux numériques lorsque vous disposez de suffisamment de données sur les bâtiments pour vous fier aux résultats des scénarios.

1. Oxand Simeo™

Oxand Simeo™ est une plateforme de planification des investissements en actifs conçue pour faciliter la prise de décisions en matière de dépenses d'investissement (CAPEX) et d'exploitation (OPEX) en fonction des risques, sur des horizons de 5, 10 et 30 ans. ^[1][5][6]

En matière de planification de la rénovation, son rôle principal est assez simple : aider les équipes à modéliser le vieillissement, la défaillance et la remise en état des actifs selon différents scénarios d'intervention. La plateforme s'appuie sur Plus de 10 000 modèles de vieillissement et de performance et Plus de 30 000 interventions de maintenance et bases de coûts. ^[2][3] Aon décrit SIMEO™ comme suit :

un outil de simulation performant qui permet de comparer des stratégies d'investissement à court et à long terme, s'appuyant sur des modèles de vieillissement et des bases de données de maintenance constituées depuis plus de 15 ans. ^[4]

Cela a son importance dans la planification au quotidien. Un gestionnaire de portefeuille peut tester différents scénarios, comme repousser de cinq ans le remplacement d’une toiture, avancer la modernisation des systèmes de chauffage, de ventilation et de climatisation (CVC) pour atteindre un objectif de décarbonisation, ou encore maintenir les dépenses d’investissement (CAPEX) à un niveau stable plutôt que de les augmenter. Il peut ensuite comparer les compromis en termes de coûts, de risques et d’émissions sans se perdre dans le chaos des feuilles de calcul. ^[3][5] Selon Oxand, cette méthode permet de réduire le coût du cycle de vie, d'améliorer la disponibilité et d'accélérer la planification en vue des audits. ^[2][4]

La plateforme prend également en charge ISO 55001 gouvernance. De plus, cela permet de créer automatiquement une piste d'audit qui relie chaque recommandation d'investissement aux données et aux modèles sur lesquels elle repose. ^[3]

Il y a toutefois un gros bémol : la qualité de la planification dépend entièrement de celle des données qui l’alimentent. Simeo repose sur l’actualité et l’exhaustivité des données issues des GMAO, de l’IoT, des inspections et d’autres sources d’informations sur les actifs. Si le registre des actifs présente des lacunes ou si les données d’état sont obsolètes, les scénarios refléteront ces défauts. Simeo peut rendre les bonnes données plus utiles, mais il ne peut pas rattraper les données de mauvaise qualité. ^[3] C'est pourquoi l'évaluation de l'état des installations à l'aide de l'IA doit être une priorité.

2. Évaluation de l'état des installations à l'aide de l'IA

L'évaluation de l'état des équipements, assistée par l'IA, aide les équipes à transformer les données d'inspection en un système de triage plus rapide. Elle ne remplace pas les ingénieurs. Elle les aide à identifier les points prioritaires. C'est pourquoi l'inspection est l'un des premiers domaines où l'IA commence à porter ses fruits.

Au quotidien, cela revient généralement à appliquer apprentissage automatique et vision par ordinateur aux photos, aux vidéos, aux images prises par drone et aux registres d'entretien. Le système évalue l'état des actifs, signale les défauts potentiels et fournit aux inspecteurs un mieux point de départ. À l'heure actuelle, les meilleurs cas d'utilisation concernent les contrôles visuels répétitifs, notamment :

• fissuration
• effritement
• corrosion
• défauts de toiture
• infiltration d'eau
• anomalies de façade

En matière d'imagerie par drone, l'apprentissage profond a atteint environ Précision du 94% pour détecter les différents types de dommages subis par le béton.^[8]

Cela modifie la manière dont les équipes peuvent gérer les grands portefeuilles. Au lieu de contrôler chaque actif selon le même calendrier annuel fixe, l'IA peut attribuer une note préliminaire au portefeuille et mettre en évidence le groupe présentant le plus de risques afin qu'il fasse l'objet d'un examen technique approfondi. Un cadre de travail de 2023 utilisé sur un portefeuille immobilier a traité plus de 2 000 demandes d'entretien réparties sur 600 biens immobiliers. Ce projet a combiné l'analyse d'images de toitures et l'analyse de documents relatifs aux systèmes de chauffage, de ventilation et de climatisation (CVC), puis a transformé ces résultats en lots de travaux ciblés et en interventions de réparation des systèmes CVC d'une durée de 60 jours.^[7]

Cela dit, le point idéal ici est rendement et régularité dans le cadre de l'inspection, et non pour un diagnostic entièrement automatisé. L'IA peut aider à trier, classer et signaler les éléments. Elle ne constitue pas encore un outil auquel on peut se fier entièrement pour déterminer la cause première d'un problème ou définir l'étendue des réparations nécessaires.

Il existe également des limites strictes. L’IA fonctionne mieux lorsque les données d’inspection sont associées aux identifiants des actifs, aux types de défauts, aux niveaux de gravité et aux résultats de suivi. Sans cette structure, les performances diminuent. Elle est également moins fiable face à des détériorations cachées, des modes de défaillance rares, des types de construction très variables ou des actifs dont la documentation est incomplète. Et comme c’est souvent le cas avec les outils logiciels, les modèles peuvent donner l’impression d’être sûrs d’eux même lorsque les données ne correspondent pas à celles sur lesquelles ils ont été entraînés.

La stratégie la plus défendable à l'heure actuelle est Inspection assistée par l'IA avec validation par un ingénieur. Le modèle classe les actifs en fonction de leur degré de détérioration probable et signale les anomalies. Les ingénieurs confirment ensuite les notes d'état, déterminent la cause première et définissent l'étendue des réparations pour tout ce qui touche à la sécurité, à la conformité réglementaire ou aux décisions d'investissement majeures. Le processus est simple : inspecter, vérifier, puis investir. Ces notes d'état vérifiées peuvent ensuite alimenter les modèles de cycle de vie et de risque.

3. Modélisation du cycle de vie et des risques

Une fois que vous avez validé les notes d'état issues de l'inspection assistée par IA, la prochaine étape est simple : Quand faut-il dépenser de l'argent, et à quoi doit-il servir ? Cela commence par un registre des actifs à jour, des évaluations de l'état technique vérifiées, la durée de vie utile restante (RUL), des données sur les coûts, ainsi qu'une vision claire de la probabilité de défaillance et de ses conséquences. En rassemblant tous ces éléments, les données sur l'état technique permettent alors de définir le calendrier, le périmètre et les limites de risque.

La modélisation fondée sur les risques s'avère généralement plus efficace que la planification basée uniquement sur l'âge. Des études menées à partir de données d'inspection antérieures ont montré que la gestion des installations fondée sur les risques présentait un lien plus étroit avec l'état futur et la fiabilité des installations que les modèles déterministes basés sur l'âge.^[16][18] Cette idée n’est pas nouvelle. Ce qui a changé, c’est l’échelle à laquelle on peut l’appliquer. Deux façades construites la même année peuvent nécessiter des plans d’action très différents en fonction de leur exposition, de leur utilisation et des conséquences en cas de défaillance. Une façade surplombant une entrée publique très fréquentée sera traitée en priorité. Une façade similaire située dans une aile de service peu fréquentée pourra attendre. L’âge en soi ne permet pas de le déterminer.

En matière d'IA, les modèles pronostiques basés sur l'IA ont désormais atteint un niveau de maturité suffisant pour améliorer les prévisions de durée de vie résiduelle par rapport aux tables de durée de vie.^[9][11][13] Ils permettent de prendre en compte les signaux de dégradation qui se chevauchent, la détérioration non linéaire et les différentes conditions d'exploitation. Ils permettent également de déterminer des fourchettes de durée de vie résiduelle (RUL) assorties de limites de confiance, ce qui facilite une planification tenant compte des risques.^[9][11] Au quotidien, ces modèles s'avèrent particulièrement utiles pour les ouvrages de grande valeur ou à haut risque – ponts, éléments structurels majeurs et systèmes MEP essentiels au bon fonctionnement –, pour lesquels les propriétaires disposent déjà de rapports d'inspection ou de données issues de capteurs.^[9][10] Pour les parcs immobiliers généraux pour lesquels les données sont moins complètes, des modèles plus simples, fondés sur l’âge, l’environnement et des contrôles périodiques de l’état des bâtiments, constituent souvent la solution la plus adaptée, en particulier pour les façades et les toitures.^[13] Ces prévisions devraient être directement prises en compte dans la planification des dépenses d'investissement (CAPEX) et des dépenses d'exploitation (OPEX) du portefeuille.

Il y a toutefois un bémol : les estimations du RUL peuvent sembler exactes sur le papier tout en étant loin de la réalité. Si les actifs sont utilisés dans des conditions qui ne correspondent pas à celles utilisées pour entraîner le modèle – nouveaux matériaux, phénomènes climatiques extrêmes ou changements dans les habitudes d'utilisation –, les prévisions peuvent être très éloignées de la réalité.^[11][12] Une erreur courante consiste à établir des plans d'amortissement en se basant sur des estimations ponctuelles de la durée de vie utile résiduelle (RUL), sans procéder à des tests de sensibilité ni à un réajustement régulier.^[9][11] Il est plus prudent de considérer les résultats du cycle de vie comme gammes, et non des réponses figées. Consignez les hypothèses, conservez les courbes de détérioration dans vos dossiers et procédez à un réétalonnage après chaque cycle d'inspection afin que le modèle reste à jour et ne devienne pas obsolète.^[17][15]

La véritable question est de savoir quel degré d'incertitude votre modèle peut supporter.

Approche	Force	Limitation principale
Renouvellement en fonction de l'âge	Simple et facile à expliquer	Ne tient souvent pas compte de l'état réel, de l'utilisation et des conséquences d'une défaillance
Modélisation du cycle de vie en fonction de l'état	Reflète l'usure réelle et la durée de vie restante	Cela nécessite des contrôles réguliers et des données de bonne qualité
Modélisation fondée sur les risques	Hiérarchise en fonction de la probabilité et de l'impact	Il faut définir des critères de criticité et un cadre de gouvernance
Prévision de la durée de vie résiduelle (RUL) basée sur l'IA	Permet d'améliorer la précision des prévisions et de gérer la détérioration non linéaire	Cela dépend de la qualité des données d'apprentissage et peut entraîner une surestimation de la précision

Dans certains cas, des biens qui devaient initialement être remplacés à court terme ont finalement tenu le coup sans problème 25% ou plus au-delà des estimations de durée de vie, ce qui permet aux équipes de reporter leurs dépenses d'investissement tout en restant dans une fourchette de risque acceptable.^[14] D'un autre côté, la modélisation des risques peut mettre en évidence des actifs problématiques cachés – des structures dont la durée de vie théorique est longue, mais dont l'environnement est défavorable –, ce qui permet aux équipes d'intervenir rapidement là où les risques en matière de sécurité et de conformité sont les plus élevés.^[13] Ces plages servent ensuite de données d'entrée pour les tests de scénarios de rénovation sur jumeau numérique.

4. Les jumeaux numériques pour la simulation de scénarios de rénovation

Les jumeaux numériques aident les propriétaires à évaluer les différentes options de rénovation en fonction des performances mesurées du bâtiment, des coûts et des perturbations engendrées. Un jumeau numérique calibré intègre un modèle BIM ou 3D, des données de consommation d'énergie collectées à intervalles réguliers, des données CVC/GBC et les horaires d'occupation.^{[21][22][23][30]} À partir de là, il permet de modéliser les performances actuelles d'un bâtiment et la manière dont celui-ci pourrait réagir à différentes options de rénovation, notamment en termes d'impact sur la consommation d'énergie, les pics de charge, le confort et les compromis entre dépenses d'investissement (CAPEX) et dépenses d'exploitation (OPEX).^[22][23][26]

Le mot-clé ici est étalonné. Un modèle de référence est particulièrement utile lorsqu’il correspond aux performances de référence mesurées et qu’il tient compte des données locales de consommation, des fichiers climatiques et des habitudes réelles d’occupation.^[23][26] C'est cette étape qui permet de transformer le modèle, qui n'était au départ qu'une estimation approximative, en un outil que les propriétaires peuvent utiliser pour planifier leurs projets.

Au quotidien, les jumeaux numériques peuvent aider les propriétaires à déterminer s’il est plus judicieux de procéder à une mise aux normes plutôt qu’à un remplacement complet, quel ensemble de mesures offre le meilleur retour sur investissement, et dans quel ordre procéder à la rénovation des actifs pour atteindre les objectifs de réduction des émissions de carbone et respecter les délais fixés par la réglementation.^[22][25][26] Au niveau du portefeuille, les jumeaux peuvent comparer les différentes options de rénovation et aider à établir l'ordre des projets en fonction du délai de rentabilité, des périodes de perturbation et des échéances réglementaires.^[20][25]

Il existe déjà des exemples concrets. Une maquette numérique calibrée d'un bâtiment a été utilisée pour planifier la rénovation du système de chauffage, de ventilation et de climatisation (CVC) à l' Université de Liverpool Économies d'énergie prévues : 141 TP3T. La consommation d'énergie réelle a baissé de 231 TP3T, ce qui représente une économie d'environ 1 TP4T32 000 par an.^[29] Une simulation portant sur 15 immeubles de bureaux à Singapour a permis d'estimer des économies d'énergie de 27% et une production d'électricité pouvant atteindre 19% grâce à des panneaux solaires photovoltaïques installés sur place.^[31] Au niveau du portefeuille, cette même méthode offre aux équipes un moyen standard de comparer des actifs hétérogènes. Cette approche calibrée peut ensuite être appliquée à l'ensemble du portefeuille.

Bien sûr, ces résultats dépendent des données de référence utilisées pour paramétrer le jumeau. Au minimum, les propriétaires américains ont besoin de 12 à 24 mois de données sur la consommation par intervalle, d’un modèle de bâtiment raisonnablement précis, des principales caractéristiques techniques des installations et des horaires d’occupation.^[21][22][23] Sans cette base, les résultats des simulations deviennent trop incertains pour servir de fondement à des décisions d'investissement concrètes. Pour les bâtiments anciens dont la documentation est limitée, les équipes peuvent créer des jumeaux numériques par étapes, en commençant par les plans de l'état actuel et en y ajoutant progressivement les données issues des capteurs et des compteurs.^[22][27]

Les jumeaux numériques se distinguent notamment par leur capacité à tester en continu différents scénarios. Les équipes peuvent simuler divers cas de figure, tels que différents niveaux de fréquentation, des conditions météorologiques extrêmes ou des changements tarifaires, puis mettre à jour le modèle à mesure que de nouvelles données sont disponibles.^[19][22] Tout aussi important, ce système jumeau offre aux propriétaires, aux ingénieurs et aux exploitants une référence visuelle commune. Cela permet de réduire les allers-retours qui ralentissent souvent les décisions d'investissement.^[22][25][27] Les « Twins » permettent également d'effectuer des mesures et des vérifications après la mise en œuvre, en établissant un lien entre les performances prévues et les résultats réels.^[23][24][27]

Cela dit, il y a des limites. De nombreux jumeaux se concentrent uniquement sur la consommation d'énergie et négligent d'autres aspects tels que les risques structurels, la conformité aux normes, le comportement des locataires et la logistique de chantier.^[22][25][15] Celles-ci doivent encore faire l'objet d'une expertise. À l'échelle d'un portefeuille immobilier, il reste difficile de synthétiser des données hétérogènes provenant de dizaines de bâtiments, et affirmer que les « jumeaux de portefeuille » peuvent automatiquement générer des séquences de rénovation optimisées dépasse les capacités actuelles de la plupart des équipes.^[19][20][28] La stratégie à adopter est donc simple : utiliser les jumeaux numériques pour comparer les différentes options, et non pour se substituer au jugement des ingénieurs. Les résultats obtenus peuvent ensuite servir à établir les priorités du portefeuille de projets et à planifier la décarbonisation. L'étape suivante consiste à classer ces options en fonction des risques, de l'empreinte carbone et du budget.

Cas d'utilisation	Échéance aujourd'hui	Exigence clé	Principale limite
Simulation de la rénovation du système CVC d'un bâtiment unique	À savoir aujourd’hui	Données d'utilité et du système de gestion de bâtiment (BMS) étalonnées	Champ d'application restreint ; axé sur les décisions en matière d'énergie et de CVC
Tests de scénarios de rénovation de l'enveloppe du bâtiment	À savoir aujourd’hui	Modèle 3D/BIM + fichier climatique + données de comptage	L'étalonnage demande davantage de travail dans les bâtiments anciens
Planification des travaux de rénovation au niveau du portefeuille immobilier	Émergents	Des données cohérentes pour l'ensemble des actifs	L'intégration de données hétérogènes reste complexe
Mesure et vérification après la mise en œuvre	À savoir aujourd’hui	Mesure et surveillance en continu	Nécessite un engagement durable en matière de gestion des données

5. Hiérarchisation du portefeuille et planification de la décarbonisation

Les simulations de scénarios au niveau des immeubles ne sont rentables que si vous affectez le capital de votre portefeuille aux bons endroits. Au niveau du portefeuille, la démarche est assez simple à décrire, mais plus difficile à mener à bien : classer les projets par risque, carbone et budget. Et même avec un logiciel performant, cette décision nécessite toujours un jugement humain.

Commencez par comparer chaque actif à Gestionnaire de portefeuille ENERGY STAR, puis utilisez le DOE de MIEUX outil permettant d'évaluer le potentiel de rénovation des bâtiments en vue d'atteindre la neutralité carbone.^[32][39] À partir de là, classez les actifs par intensité en GES, par type de système de chauffage et par intensité carbone du réseau électrique. Cela facilite la sélection de bâtiments représentatifs pour des audits plus approfondis, puis l'application des conclusions tirées à des actifs similaires.^[33] Cela s'avère d'autant plus utile lorsque les classements sont mis en relation avec les scores d'état, les plages RUL et les résultats des scénarios déjà établis grâce à la modélisation du cycle de vie et aux tests sur jumeau numérique.

Pour le dire simplement : commencer par s'attaquer aux plus mauvais éléments. Consacrer les fonds destinés à la rénovation à ces biens immobiliers peut permettre d'obtenir des réductions de 10 à 30 fois plus importantes en termes de consommation d'énergie et d'émissions de carbone par rapport à des approches moins ciblées.^[36] du DOE Défi « Better Climate » donne une idée de ce à quoi cela peut ressembler dans la pratique. Les participants ont fait état d’une Réduction moyenne des émissions de GES selon le modèle 21% au cours de la première année.^[35][37]

Pour l'instant, il est généralement judicieux de centrer le modèle sur Émissions opérationnelles de scope 1 et 2, à moins que le portefeuille ne dispose de données plus approfondies auxquelles vous pouvez vous fier. Le carbone incorporé, le périmètre 3 et les risques climatiques détaillés ne sont toujours pas pris en compte par de nombreux outils de planification essentiels.^[38][40] Ainsi, bien que ces outils soient utiles pour planifier les travaux et établir les budgets, une feuille de route de rénovation axée sur la réduction des émissions de carbone doit tout de même faire l'objet d'un examen par des experts.

Vous devriez également plier IRA mesures incitatives dans le modèle. Le §179D déduction pour efficacité énergétique, §45L les crédits d'impôt, et le Crédit d'impôt à l'investissement En effet, les énergies renouvelables produites sur site peuvent améliorer la rentabilité des projets au sein d'un portefeuille. En clair, elles permettent d'optimiser un budget d'investissement fixe sans compromettre les objectifs en matière d'émissions de carbone.^[34]

Outil / Approche	Décision qu'elle soutient	Échéance aujourd'hui	Limitation principale
Gestionnaire de portefeuille ENERGY STAR	Analyse comparative de l'EUI et de l'intensité en GES pour l'ensemble des actifs	Adulte	Analyse comparative des données relatives aux services publics ; aucune évaluation de l'état.
Outil « DOE BETTER »	Définition des priorités parmi les bâtiments en vue de leur rénovation pour atteindre la neutralité carbone	Adulte	À titre indicatif ; ne remplace pas les audits.
Priorisation selon le principe « le pire d'abord »	Organiser les travaux de rénovation pour optimiser l'impact carbone	Adulte	Il faut établir une base de référence cohérente pour l'ensemble du portefeuille.
Modélisation des mesures incitatives relatives aux comptes IRA	Amélioration de la rentabilité des projets et de la répartition des dépenses d'investissement (CAPEX)	Adulte	Nécessite une vérification des conditions d'éligibilité.
Carbone incorporé et intégration du périmètre 3	Planification carbone sur l'ensemble du cycle de vie	Émergents	Il subsiste des lacunes dans les données.

Ces outils donnent les meilleurs résultats lorsque les données du portefeuille sont fiables et que la décision a déjà été définie en fonction de risque, carbone et budget.

Avantages, inconvénients et choix les plus adaptés

La vraie question n'est pas de savoir ce que ces outils promesse. La question est de savoir lesquels sont déterminants en ce moment même.

La plupart des outils n'ont d'intérêt que lorsqu'ils contribuent à faire évoluer une décision d'investissement, et non lorsqu'ils génèrent un tableau de bord soigné. Les critères énoncés plus haut dans cet article restent valables : Calendrier des dépenses d'investissement, objectifs en matière d'émissions de carbone, piste d'audit et réduction des risques. Si un outil ne permet pas de résoudre ces problèmes, son utilité est difficile à justifier.

La maintenance prédictive permet de réduire les coûts et d'améliorer la disponibilité, mais de nombreux déploiements n'atteignent toujours pas les objectifs de retour sur investissement, car les données sont insuffisantes et la mise en place des processus n'est pas encore au point.^[41][42] C'est là que réside le problème. Pas dans la technologie en soi.

Les jumeaux numériques en temps réel permettent de tester différents scénarios de rénovation. Les jumeaux numériques statiques, basés sur le BIM, se contentent généralement de décrire ce qui existe déjà. C’est une différence majeure. La question n’est pas de savoir si l’outil apparence avancée ; la question est de savoir si elle permet de justifier une décision d'investissement.

Oxand Simeo™ se distingue particulièrement dans ce domaine. Il permet une planification pluriannuelle des dépenses d'investissement (CAPEX) grâce à des modèles probabilistes de vieillissement et de risque, et ce sans s'appuyer sur des réseaux de capteurs denses.

Le tableau ci-dessous distingue les outils qui permettent dès aujourd'hui d'améliorer les décisions en matière de rénovation de ceux qui nécessitent encore des données plus fiables ou une gouvernance plus rigoureuse.

Objet	Avantages aujourd'hui	Principales limites	Cas d'utilisation le plus adapté	Pas encore assez fiable
Oxand Simeo™	Planification des dépenses d'investissement (CAPEX) et d'exploitation (OPEX) fondée sur les risques ; simulation de scénarios ; piste d'audit conforme à la norme ISO 55001 ; indépendante des réseaux IoT à forte densité	Nécessite un registre des actifs à jour et des données d'état calibrées	Grands portefeuilles nécessitant des plans d'investissement fondés sur les risques et alignés sur les objectifs carbone, accompagnés d'une documentation solide	Affectation automatique des budgets sans intervention humaine
Évaluation de l'état des installations à l'aide de l'IA	Détection plus précoce des défauts ; triage cohérent lors des inspections ; décisions de maintenance ciblées	Nécessite un historique suffisant de données de capteurs et d'images ; peut ne pas détecter certains défauts structurels cachés	Inspection à haute fréquence avec des données opérationnelles détaillées	Seul fondement des décisions cruciales en matière de sécurité structurelle
Modélisation du cycle de vie et des risques	Soumet les scénarios budgétaires à des tests de résistance ; quantifie les trajectoires de risque ; facilite la planification des dépenses d'investissement (CAPEX) sur des horizons allant de 5 à 30 ans	Les courbes de dégradation dépendent de la qualité des données historiques ; les prévisions ponctuelles peuvent induire en erreur	Analyse de scénarios budgétaires au niveau du portefeuille	Prévisions ponctuelles considérées comme des certitudes
Jumeaux numériques pour les tests de scénarios	Simulations de scénarios hypothétiques portant sur la rénovation de l'enveloppe du bâtiment, des systèmes CVC et des systèmes de régulation avant le début des travaux ; permettent d'identifier très tôt les principaux facteurs de coût et de risque	Un investissement initial important pour les bâtiments existants ; des obstacles en matière d'interopérabilité et de cybersécurité ; des données souvent descriptives et non prédictives	Bâtiments dotés d'infrastructures BIM, BMS et IoT existantes ; rénovations complexes réalisées par étapes	Planification de la rénovation à l'échelle d'une ville ou d'un quartier ; prévision précise du comportement des occupants
Hiérarchisation du portefeuille et décarbonisation	Regroupe les données relatives aux risques et aux émissions de carbone au niveau des actifs dans des tableaux de bord de portefeuille ; facilite l'élaboration de feuilles de route de rénovation tenant compte des objectifs carbone	Des lacunes subsistent concernant les données relatives au scope 3 et au carbone incorporé ; les résultats doivent faire l'objet d'une expertise	Portefeuilles multi-sites soumis à des obligations de déclaration réglementaires ou ESG	Sélection entièrement automatisée des projets, sans examen par les instances de gouvernance

Deux types d'erreurs reviennent sans cesse : des données d'entrée de mauvaise qualité et l'interprétation des graphiques de tendance comme s'il s'agissait de prévisions de risques. Ces deux erreurs peuvent être évitées. Il faut disposer d'une base de données solide et faire preuve de rigueur pour traiter les résultats du modèle comme aide à la décision, ce n'est pas le dernier mot.

Le dilemme concret pour les propriétaires américains est donc assez simple : quels outils faut-il intégrer dans le plan à court terme, et lesquels vaut-il mieux laisser de côté pour l'instant ?

Ce que les actionnaires et les gestionnaires de portefeuille américains devraient faire dès maintenant

Commencez par nettoyer les données relatives aux actifs. Ensuite, on fait intervenir l'IA après votre processus d'inventaire et d'inspection est standardisé. À l'heure actuelle, les outils les plus utiles pour prendre des décisions en matière de rénovation sont ceux qui s'appuient sur des données sur les actifs claires et bien structurées.

Établissez un inventaire complet des actifs, comprenant le type d'actif, le modèle, le numéro de série, l'âge et l'emplacement. Organisez-le selon une norme de classification unique, telle que Uniformat II.^[44] Il convient ensuite d'uniformiser les inspections à l'aide de formulaires numériques, de photos et du système de notation FCI. Le ministère américain de la Défense utilise des scores FCI validés selon un cycle quinquennal et examine environ 20% d'actifs chaque année.^[45]

Une fois l'inventaire et les inspections établis, passez à la modélisation « réparation ou remplacement ». Utilisez des modèles de durée de vie résiduelle et de risque pour trier les décisions de réparation ou de remplacement. Utilisez ensuite l'EUI, les émissions, la fin de vie et l'intensité carbone du réseau pour déterminer quels projets doivent être traités en priorité au sein du portefeuille.^[43]

peut traduire les données relatives aux actifs, aux risques, à l'état des installations, à l'énergie et aux émissions de carbone en scénarios pluriannuels de dépenses d'investissement (CAPEX) et d'exploitation (OPEX). Cela facilite la planification des dépenses d'investissement, l'élaboration de plans de rénovation alignés sur les objectifs carbone et la mise à disposition d'une documentation prête pour les audits à l'échelle de l'ensemble du portefeuille.

Une fois que vous aurez mis en place des scénarios de portefeuille, intégrez la maintenance prédictive là où l'historique des données est solide. À partir de cette même base de données, la maintenance prédictive assistée par l'IA peut apporter De $25 000 à $150 000 d'économies annuelles pour un 100 000 pieds carrés immeuble commercial.^[41]

La mise en œuvre concrète peut s'étaler sur 12 à 24 mois:

• Nettoyer le registre des actifs
• Harmoniser les inspections des systèmes à haut niveau de criticité, tels que les toitures, les installations de chauffage, de ventilation et de climatisation, les installations électriques et les équipements de sécurité
• Déployer des modèles de risque de référence sur un groupe pilote
• Étendre la planification par scénarios à l'ensemble du portefeuille
• N'introduire la classification des défauts et la détection des anomalies à partir d'images que lorsque l'historique des données est suffisamment complet

Intégrez ensuite chaque résultat dans la planification des investissements, les registres des risques, les rapports ESG et les documents destinés au conseil d'administration. De cette manière, la planification des investissements fondée sur les risques reste traçable, au lieu d'être noyée dans un tableau de bord de la plateforme que personne ne consulte.

FAQ

De quelles données ai-je besoin avant d'utiliser l'IA ou les jumeaux numériques ?

Avant de mettre en place l'IA ou les jumeaux numériques, commencez par mettre de l'ordre dans votre couche de données. Cela implique d'intégrer les informations relatives aux actifs dans un système harmonisé au lieu de les laisser éparpillées dans des feuilles de calcul, des outils de fournisseurs et d'anciens dossiers.

Commencez par les données historiques :

• inventaires des actifs
• journaux d'entretien
• coûts récurrents
• détails de la garantie
• caractéristiques physiques

Ajoutez ensuite des données télémétriques en temps réel, telles que la consommation d'énergie, la température, les vibrations et le taux d'occupation.

L'objectif est simple : offrir à votre équipe un espace de travail unique, avec des données qui suivent la Les 5C – complètes, exactes, à jour, cohérentes et exhaustives.

Dans quels cas un jumeau numérique justifie-t-il son coût dans le cadre de la planification de travaux de rénovation ?

Un jumeau numérique est un investissement rentable lorsque la planification d'une rénovation repose sur des essais complexes et si… scénarios. Cela inclut notamment les rénovations énergétiques, l'alignement des projets d'investissement sur les cycles de vie des équipements, ou encore la mise en balance des objectifs de réduction des émissions de carbone et des contraintes budgétaires.

Cela revêt une importance encore plus grande pour les portefeuilles volumineux et matures. Dans ces cas-là, les méthodes de classement simples peuvent passer à côté de certains risques, tels que les échéances de mise en conformité ou les contraintes propres à chaque site. Un jumeau numérique rassemble des données dispersées en un seul et même endroit, ce qui aide les équipes à prendre des décisions d'investissement davantage fondées sur l'analyse des risques.

Comment dois-je associer l'IA, les modèles de risque et l'examen humain ?

Adoptez une approche structurée dans laquelle chaque élément a un rôle bien défini.

Commencez par des données sur les actifs centralisées, normalisées et prêtes pour un audit. Si les données sont désordonnées, tout ce qui suit devient rapidement incertain.

Utilisez ensuite IA et modèles de risque pour analyser de vastes ensembles de données et modéliser le vieillissement des actifs, leur maintenance et différents scénarios en matière d'émissions de carbone. C'est là que des tendances commencent à se dessiner à grande échelle.

Pour finir, ajoutez vérification par un humain pour analyser les résultats, tenir compte des contraintes quotidiennes telles que la fréquentation ou le budget, et définir les priorités en matière d'investissement. Cette dernière étape est essentielle. Les données peuvent vous orienter dans la bonne direction, mais ce sont les personnes sur le terrain qui doivent encore déterminer ce qui fonctionne concrètement.

Cela permet de garantir que les décisions fondée sur les données, axée sur les risques et alignée sur les objectifs de l'organisation.

Articles de blog connexes

• Des jumeaux numériques pour le développement durable : Simuler des scénarios avant d'investir
• L'IA pour la planification des investissements en actifs : Là où elle crée réellement de la valeur
• Comment l'IA peut-elle aider à établir des priorités pour le renouvellement des infrastructures vieillissantes dans un contexte de contraintes budgétaires ?
• L'IA peut-elle aider à identifier les bâtiments les moins performants avant les grands programmes de rénovation ?