IA pour l'estimation des quantités de béton : benchmarks de précision face au métré manuel

Un entrepreneur commercial de taille moyenne à Phoenix a mené une expérience intéressante l'année dernière. Il a pris 12 projets terminés, allant d'un aménagement commercial de 4 000 pi² à un entrepôt de 60 000 pi², et a fait passer les plans dans trois outils d'estimation par IA différents. Ensuite, il a comparé les quantités de l'IA avec celles produites par son estimateur senior, et avec les quantités réellement coulées sur le chantier.

Les chiffres de référence

Pour les travaux de dalle sur sol plat, les outils d'IA affichaient en moyenne un écart de 2,3 % par rapport aux quantités réellement mises en place. L'estimateur humain affichait un écart moyen de 4,1 %. Sur la seule surface, l'IA avait un avantage car elle pouvait numériser chaque centimètre carré du plan sans fatigue ni raccourcis d'interpolation.

Mais le tableau se complique avec le béton structural. Fondations, longrines, poteaux, dalles surélevées avec des épaisseurs variables. Ici, les outils d'IA affichaient un écart moyen de 6,8 % par rapport aux valeurs réelles, tandis que l'estimateur expérimenté atteignait 3,9 %. L'humain comprenait le séquençage de la construction, savait quels détails sur le plan étaient aspirationnels par rapport à ce qui serait réellement construit, et appliquait des facteurs de perte basés sur la complexité du coffrage.

Là où l'estimation par IA excelle

La rapidité est l'avantage évident. Ce qui prend à un estimateur expérimenté 6 à 10 heures pour un projet commercial de taille moyenne, les outils d'IA le complètent en 15 à 40 minutes. Pour un entrepreneur général répondant à un appel d'offres avec un délai de 5 jours, ce gain de temps est significatif.

La constance est l'avantage moins évident. Faites passer les mêmes plans dans un outil d'IA dix fois et vous obtenez le même chiffre dix fois. Demandez à trois estimateurs différents de faire le métré du même projet et vous obtiendrez trois chiffres différents, parfois avec un écart de 8 % ou plus. Une étude du programme de sciences de la construction de Texas A&M a révélé que la variance du métré manuel entre estimateurs qualifiés atteignait en moyenne 7,2 % sur les projets de béton structural.

L'IA détecte également des éléments de quantité que les humains manquent régulièrement lors du premier passage. Les détails de goussets aux intersections de poteaux, les bords de dalle épaissis aux emplacements de quais, les petites assises d'équipement indiquées sur les plans mécaniques mais pas sur les plans structuraux. Une plateforme d'IA a rapporté que sur 500 projets analysés, elle identifiait en moyenne 3,4 éléments de béton manqués par projet par rapport au métré manuel initial.

Là où le métré manuel l'emporte encore

Les estimateurs expérimentés appliquent un jugement que les outils d'IA actuels ne peuvent pas reproduire. Ils savent que l'architecte a dessiné une dalle de 6 pouces mais que le rapport géotechnique exigera probablement 8 pouces compte tenu des conditions du sol. Ils savent que le mélange de béton spécifié nécessitera un camion-pompe, ce qui modifie les calculs de perte. Ils tiennent compte des joints de reprise, des corrections de sur-excavation et de la réalité qu'aucun coffrage n'est parfaitement d'aplomb.

La connaissance de la constructibilité est le principal écart. L'IA lit ce qui est sur le dessin. Un estimateur chevronné lit ce qui est sur le dessin, ce qui devrait être sur le dessin et ce qui se passera réellement sur le terrain. Pour les travaux structuraux complexes, ce jugement compte encore.

L'approche hybride qui fonctionne

Les entrepreneurs qui obtiennent les meilleurs résultats utilisent l'IA pour l'extraction initiale des quantités, puis font réviser et ajuster par un estimateur expérimenté. Cela prend généralement environ 30 % du temps qu'un métré manuel complet nécessiterait, et produit des estimations à moins de 2 % des quantités réelles pour tous les types de béton.

Le flux de travail se présente ainsi : l'IA extrait les quantités du jeu de plans en 20 minutes. L'estimateur révise le métré en 2 heures au lieu de 8, en se concentrant sur les domaines où l'IA est connue pour avoir des difficultés, comme les conditions de coffrage complexes, les détails non standards et les coulages par phases. L'estimateur applique des ajustements basés sur l'expérience terrain pour les pertes, la sur-excavation et les tolérances de coffrage.

Les entreprises qui explorent ce type de flux de travail de construction assisté par IA constatent que la technologie fonctionne mieux comme accélérateur pour les personnes expérimentées, et non comme un remplacement.

Précision par type de projet

Les données montrent des tendances claires quant aux domaines où l'IA performe le mieux. Les projets d'entrepôts en panneaux préfabriqués basculants avec des dispositions de panneaux répétitives affichent une précision de l'IA à moins de 1,5 % des valeurs réelles. Les centres commerciaux linéaires et les coques commerciales avec dalle sur sol standard se situent dans la fourchette de 2 à 3 %. Le béton structural multi-étages avec dalles post-contraintes, poutres de transfert et systèmes de fondation complexes affiche encore un écart de 5 à 8 % lorsque l'IA travaille seule.

Le béton résidentiel, fait intéressant, donne des résultats mitigés. L'IA gère bien les plans de fondation, généralement avec une précision de 3 %, mais peine avec le béton décoratif, les coques de piscines sur mesure et les formes de dallage non standards que les projets résidentiels incluent souvent.

Ce que les benchmarks nous apprennent

L'écart de précision entre l'IA et l'estimation manuelle se réduit, mais il se réduit plus rapidement pour les travaux simples et répétitifs que pour les projets structuraux complexes. Cela correspond au fonctionnement général de l'apprentissage automatique. Plus le travail est standardisé et basé sur des modèles, mieux l'IA performe.

Pour les entrepreneurs qui évaluent ces outils, la question pertinente n'est pas de savoir si l'IA est plus précise qu'un humain. C'est de savoir si l'IA plus un humain, travaillant ensemble dans un processus de révision structuré, produit de meilleures estimations en moins de temps qu'un humain travaillant seul. Les données issues de multiples études indépendantes répondent systématiquement oui, avec une marge significative.