Ce bâtiment a fait fondre une Jaguar : pourquoi j'ai cessé de faire confiance à l'IA pour concevoir quoi que ce soit

Il y a une Jaguar à Londres qui a fondu à cause d'un bâtiment.

Pas à cause d'un incendie à l'intérieur du bâtiment. À cause du bâtiment lui-même. La façade de verre concave du 20 Fenchurch Street — surnommée affectueusement le « Walkie-Talkie » — concentrait la lumière du soleil sur la rue en contrebas comme un enfant avec une loupe. Les températures sur le trottoir ont atteint des niveaux qui ont déformé la carrosserie de la voiture. Des carreaux se sont fissurés. Un journaliste a fait cuire un œuf sur le trottoir pour un reportage.

L'architecte, Rafael Viñoly, avait déjà fait cela une fois auparavant. Son hôtel Vdara à Las Vegas possède une façade en croissant qui crée ce que les clients appellent le « rayon de la mort » — une zone de convergence près de la piscine où le rayonnement solaire fait fondre les chaises longues en plastique et roussit les cheveux. La solution ? D'immenses parasols. C'est tout. Des parasols.

Je pense constamment à ces bâtiments. Pas parce que ce sont des échecs d'ingénierie — ils le sont — mais parce qu'ils offrent un aperçu parfait de ce qui se passe quand on laisse l'esthétique devancer la physique. Et en ce moment, avec l'IA générative, nous sommes sur le point de commettre cette même erreur à une échelle qui ferait rougir Viñoly.

Je m'appelle Ashutosh, et mon équipe chez Veriprajna conçoit des systèmes d'IA pour le secteur de l'architecture et de la construction. Nous avons passé cette dernière période de notre vie à soutenir — parfois entre nous, souvent avec des clients potentiels, parfois avec des investisseurs — que la chose la plus dangereuse dans l'IA aujourd'hui n'est pas un modèle incapable de générer un bâtiment. C'est un modèle qui en est capable.

Le problème d'Escher

Ouvrez Midjourney. Tapez « gratte-ciel durable à Miami, photoréaliste ». Vous obtiendrez quelque chose de magnifique en environ quatre-vingt-dix secondes. Du verre captant la lumière dorée du couchant. Une végétation luxuriante débordant des terrasses. Le genre d'image qui fait se dilater les pupilles d'un promoteur.

Maintenant, regardez de plus près. Regardez vraiment.

L'escalier du hall se termine contre un mur plein. Les colonnes porteuses se dissolvent dans le plafond sans transférer aucune force à quoi que ce soit. Les fenêtres n'ont aucun mécanisme d'ouverture — ce ne sont que des rectangles de lumière peints sur une surface. Le porte-à-faux du côté est nécessiterait des matériaux qui n'existent pas pour éviter de s'effondrer sous son propre poids.

J'ai commencé à appeler cela des « tableaux d'Escher » après avoir montré une série de conceptions générées par IA à un ingénieur en structure de notre équipe. Il a ri pendant une dizaine de secondes, puis s'est réellement mis en colère. « Ce n'est pas de l'architecture », a-t-il dit. « C'est une hallucination qui ressemble par hasard à un bâtiment. »

Il avait raison, et le mot « hallucination » est plus précis que la plupart des gens ne le pensent. Quand un modèle de diffusion génère une image, il opère dans ce qu'on appelle l'espace latent — un univers mathématique où « fenêtre » signifie « un motif visuel qui apparaît près d'autres motifs visuels étiquetés fenêtre ». Le modèle n'a aucune notion des ruptures thermiques, des ratios de vitrage, des dimensions d'ouverture brute ou des détails de solin. Il ne sait pas que les charges doivent se transférer de façon continue jusqu'à la fondation. Il sait que les colonnes sont généralement des éléments verticaux que l'on trouve dans les bâtiments.

Un modèle de diffusion ne comprend pas l'architecture. Il prédit statistiquement à quoi ressemble l'architecture.

Cette distinction — entre ce à quoi ressemble une chose et ce qu'elle est réellement — se trouve au cœur de tout ce que nous construisons.

Pourquoi est-ce important si ce n'est qu'une image de concept ?

C'est l'objection que j'entends le plus souvent. Un investisseur en capital-risque me l'a dit directement autour d'un café : « Ashutosh, personne ne coule du béton sur la base d'une image Midjourney. C'est juste pour l'idéation. »

J'aurais voulu lui donner raison. Cela aurait facilité la levée de fonds. Mais il a tort, et voici pourquoi.

Le secteur de la construction fonctionne selon ce que j'appelle la règle des 90/10. L'esthétique — la partie qui fait tomber un client amoureux — représente peut-être 10 % de l'indicateur de réussite global d'un projet. Les 90 % restants concernent la fabricabilité, l'intégrité structurelle, la logistique de la chaîne d'approvisionnement, la conformité réglementaire et la viabilité économique. Quand vous montrez à un promoteur un magnifique rendu généré par IA lors de la première réunion, vous avez fixé un ancrage esthétique. Tout ce qui suit devient une négociation coûteuse pour se rapprocher autant que possible de cet ancrage, dans la limite de ce que la réalité permet.

Et la réalité est brutale.

L'Opéra de Sydney en est l'exemple canonique. Jørn Utzon a remporté le concours avec une conception qui était, structurellement parlant, un fantasme. Les coques de béton étaient géométriquement indéterminées — personne ne savait comment les construire. Le projet a néanmoins été lancé, la vision étant trop belle pour être abandonnée. Il a fallu une décennie de lutte technique pour trouver une solution constructible. Le budget a explosé, passant de 7 millions de dollars à 102 millions de dollars — un dépassement de 1 400 %.

C'était un seul bâtiment, un seul architecte, un seul moment d'ambition sans limites. Imaginez maintenant chaque promoteur du monde obtenant dès le premier jour des rendus de qualité Midjourney. Imaginez des milliers de projets ancrés à des formes financièrement irresponsables avant même que la première pelletée de terre ne soit retournée.

Ce n'est pas de l'idéation. C'est une chaîne de futures faillites.

Le pixel qui coûte 25 millions de dollars

Je dois parler du verre, car c'est là que l'économie de l'architecture générée par IA devient véritablement absurde.

Pour un modèle de diffusion, un pixel plat et un pixel courbé sont identiques. Générer une façade de verre sinueuse et ondulante demande exactement autant de calcul que d'en générer une plate. L'IA ne voit aucune différence.

Pour un promoteur, la différence est existentielle.

Le verre trempé plat standard — le produit courant qui sort des usines de flottage automatisées — coûte environ 18 à 25 dollars le pied carré en 2025. Il est disponible partout. Facile à transporter, facile à remplacer.

Le verre courbé sur mesure — où chaque panneau est chauffé sur un moule personnalisé, lentement plié à la forme voulue avec un outillage distinct pour chaque rayon unique — coûte 100 à plus de 500 dollars le pied carré.

Faites le calcul pour un bâtiment de 50 000 pieds carrés de vitrage. Verre plat : 1,25 million de dollars. Verre courbé : jusqu'à 25 millions de dollars. L'IA ne le sait pas. L'IA ne s'en soucie pas. L'IA pense que les courbes sont gratuites, parce que dans l'espace des pixels, elles le sont.

Dans l'espace latent, une courbe ne coûte rien. Dans l'espace physique, elle coûte 20 fois plus. L'IA générative vit dans l'espace latent. Les bâtiments vivent dans l'espace physique.

C'est pour cela que je perds le sommeil. Pas parce que les images sont mauvaises — elles sont magnifiques. Parce que les images sont séduisantes. Elles font paraître inévitables des choses impossibles à construire.

J'ai écrit sur l'économie complète de tout cela — les écarts de coût du verre, les contraintes de la chaîne d'approvisionnement en acier, la complexité de fabrication — dans la version interactive de notre étude. Les chiffres sont pires que ce que la plupart des gens imaginent.

La nuit où nous avons abandonné notre première approche

Je vais être honnête sur un point. Quand nous avons créé Veriprajna, nous avons construit une surcouche.

Je sais. Je sais. Nous avons pris un modèle de fondation, nous l'avons affiné sur des données architecturales, nous avons construit une belle interface, et nous nous sommes dit que nous faisions quelque chose de différent. Ce n'était pas le cas. Nous faisions exactement ce que faisait tout autre cabinet de conseil en IA — reconditionner un modèle généraliste et l'appeler « de niveau entreprise ».

Le moment de vérité est arrivé un jeudi soir. Nous avions généré une conception structurelle pour un projet résidentiel de moyenne hauteur — rien d'exotique, juste une ossature en béton standard. Notre système l'a produite en quelques minutes. Cela paraissait plausible. Les dimensions des éléments semblaient raisonnables. Nous étions confiants.

Puis notre ingénieur en structure a refait les calculs à la main. La poutre du troisième étage — celle que l'IA avait dimensionnée avec assurance — aurait fléchi trois fois au-delà des limites réglementaires sous les charges de service. Pas dans un scénario extrême. Sous une utilisation normale. Des gens qui marchent, des meubles, le poids de l'étage supérieur. Le bâtiment se serait affaissé de façon visible.

L'IA avait choisi une taille de poutre qui « semblait correcte » d'après les données d'entraînement. Elle n'avait aucun modèle interne des limites de flèche. Elle ignorait les critères de service L/360. Elle avait, par recoupement de motifs, abouti à une réponse d'apparence plausible qui aurait constitué une défaillance structurelle.

Je me souviens être resté assis au bureau après le départ de tout le monde, fixant l'écran, en pensant : Nous sommes en train de construire un moyen très coûteux de se tromper avec assurance.

Nous avons abandonné l'approche de la surcouche la semaine suivante. Ce que nous avons commencé à construire à la place nous a menés vers un territoire plus difficile, plus lent et — je l'avoue — plus effrayant. Parce que cela signifiait que nous ne pouvions plus simplement surfer sur la vague des modèles de fondation. Il fallait tout concevoir à partir de zéro.

Qu'est-ce que la conception générative sous contraintes ?

Voici l'idée centrale, réduite à l'essentiel.

La plupart des IA génératives en architecture fonctionnent ainsi : du texte entre, une image sort. Le travail de l'IA est de produire quelque chose qui ressemble à ce que vous avez demandé. Il n'existe aucune règle, sinon la plausibilité visuelle.

Ce que nous construisons fonctionne différemment. Notre IA ne génère pas d'images. Elle génère des décisions d'ingénierie. Et chaque décision est bornée par des contraintes strictes — physique, coût, disponibilité de la chaîne d'approvisionnement, réglementation du bâtiment — qui ne peuvent pas être violées.

Nous utilisons l'apprentissage par renforcement profond, un paradigme fondamentalement différent des modèles de diffusion. Au lieu de débruiter un bruit aléatoire pour en faire une jolie image, notre agent d'IA apprend en agissant. Il place des éléments structurels, attribue des profils de poutres, ajuste les épaisseurs de dalles — et après chaque action, il reçoit un retour d'un simulateur physique, d'un moteur de coûts et d'un vérificateur de conformité réglementaire.

Pensez-y ainsi : un modèle de diffusion est un peintre qui a vu un million de photos de bâtiments. Notre système est un ingénieur apprenti qui a conçu un million de bâtiments et s'est fait réprimander à chaque fois que l'un d'eux s'est effondré, a coûté trop cher, ou utilisait de l'acier qui n'était pas en stock.

Nous ne demandons pas à l'IA de « concevoir un bâtiment ». Nous lui demandons de « concevoir un bâtiment qui ne s'effondrera pas, qui ne ruinera pas le client, et qui pourra être construit avec des matériaux disponibles dans un rayon de 200 milles ».

La fonction de récompense — l'équation qui indique à l'IA ce que signifie « bon » — est le cœur de tout. Elle équilibre l'efficacité structurelle, le coût des matériaux et la constructibilité, tout en pénalisant sévèrement les infractions réglementaires. L'IA ne peut pas être créative dans le vide. Elle peut être créative dans les limites de la réalité.

Comment coder en dur une chaîne d'approvisionnement dans une IA ?

Ce fut l'un des problèmes les plus difficiles que nous ayons affrontés, et c'est un problème dont la plupart des acteurs de l'IA ignorent même l'existence.

L'approvisionnement en acier de structure a une double nature. Il y a les centres de service — des plateformes de distribution locales qui stockent des profilés de poutres standard avec des délais de livraison de quelques jours. Et il y a les commandes d'usine — des achats directs auprès des aciéries, avec des exigences de tonnage minimum et des délais pouvant s'étendre sur des mois. Certains profilés de poutres ne sont laminés qu'une fois par trimestre.

Une IA sans contraintes pourrait optimiser une structure en choisissant une poutre W14x730 parce qu'elle satisfait parfaitement une condition de charge locale. Mathématiquement élégant. Logistiquement catastrophique. Si cette poutre est un article de commande d'usine avec un délai de six mois, l'IA vient d'ajouter des millions en frais de financement au projet.

Notre système se connecte à des bases de données d'inventaire en temps réel. L'espace des actions de l'IA est discrétisé pour correspondre à ce qui est réellement disponible — les profilés standard AISC de type W que les centres de service stockent. Quand l'agent choisit une poutre, il reçoit un bonus de récompense pour avoir opté pour des sections de stock courantes, et une pénalité pour les articles de commande d'usine. Il connaît également les longueurs de stock standard — 40 pieds, 60 pieds — et est pénalisé pour les conceptions qui génèrent un excès de chutes.

Un membre de mon équipe l'a parfaitement décrit lors d'une séance de conception tardive : « Nous ne construisons pas un concepteur. Nous construisons un stratège en approvisionnement qui, accessoirement, comprend la mécanique des structures. »

C'est exactement cela.

La soufflerie virtuelle

Pour les projets situés dans des régions sujettes aux ouragans, nous avons dû résoudre un tout autre type de problème de contraintes. Notre IA doit concevoir des bâtiments capables de survivre à des vents de catégorie 5 — des vitesses soutenues dépassant 157 mph.

Exécuter une simulation complète de mécanique des fluides numérique pour chaque itération de conception prendrait des heures par candidat. Nous devons évaluer des millions de candidats. Les mathématiques ne fonctionnent pas.

C'est là que les réseaux de neurones informés par la physique — les PINN — ont tout changé pour nous. Au lieu d'entraîner un réseau de neurones uniquement sur des données, les PINN intègrent directement les équations fondamentales de la physique dans la fonction de perte du réseau. Pour la charge de vent, cela signifie les équations de Navier-Stokes. Pour l'analyse structurelle, les équations d'équilibre et de compatibilité contrainte-déformation.

Le résultat est un réseau de neurones capable d'approximer une simulation CFD complexe en quelques millisecondes. Notre IA acquiert une « intuition physique » à la vitesse de l'inférence neuronale.

Ce qui m'a fasciné, c'est d'observer ce que l'IA a découvert au fil de ce processus. Sur des millions d'itérations, elle a appris de manière autonome que les angles vifs augmentent la traînée et le cisaillement à la base. Elle a appris à adoucir les arêtes, à effiler les formes des bâtiments, à introduire des découpes qui réduisent le détachement tourbillonnaire. Personne ne lui a enseigné ces astuces. Elle les a trouvées de la même façon que la nature les trouve — par une itération incessante face à une fonction d'adaptation impitoyable.

La gravité n'est pas une suggestion. Le vent n'est pas une texture. Dans notre système, les lois de la physique ne sont pas une vérification finale — elles sont une contrainte générative.

Un système à conception sous contraintes doté ne serait-ce que d'une fonction de récompense basique de lancer de rayons aurait détecté le rayon de la mort du Vdara dès la première milliseconde de simulation. L'IA aurait pénalisé la géométrie concave pour avoir créé un flux thermique dangereux, et aurait généré une alternative convexe ou à facettes qui dispersait la lumière en toute sécurité. Aucun parasol nécessaire.

Pour l'analyse technique complète de l'architecture de notre fonction de récompense, de l'intégration des PINN et de la conception de l'agent fédéré du système, voir notre analyse technique approfondie.

Le débat que nous continuons d'avoir

On me demande si cette approche tue la créativité. J'ai eu ce débat avec des architectes, avec des investisseurs, avec ma propre équipe.

Ma réponse a évolué. Au début, je me mettais sur la défensive — « les contraintes ne limitent pas la créativité, elles la canalisent ». C'est vrai, mais c'est un lieu commun. Voici ce que je crois réellement aujourd'hui, après avoir observé notre système traverser des millions d'itérations de conception :

La génération sans contraintes n'est pas créative. Elle est aléatoire. La créativité qui compte — celle qui donne naissance à des bâtiments que les gens habitent réellement — naît de la tension entre ce que l'on veut et ce que la réalité permet. L'Opéra de Sydney est devenu emblématique non pas grâce à l'esquisse originale d'Utzon, mais grâce à la lutte technique d'une décennie pour le rendre constructible. La solution sphérique qui a finalement fonctionné est plus élégante que le fantasme original précisément parce qu'elle a été forcée à exister par les contraintes.

Notre IA opère dans ce même espace. Elle ne dispose pas d'une liberté infinie. Elle possède un espace de conception vaste mais borné, défini par les matériaux disponibles, les lois physiques et les limites budgétaires. Et à l'intérieur de cet espace, elle trouve des solutions qui nous surprennent — des configurations structurelles à la fois plus légères, moins coûteuses et plus résilientes que ce qu'un ingénieur humain aurait proposé.

L'autre question qu'on me pose : « Pourquoi ne pas simplement utiliser l'IA pour la conception de concept et laisser les ingénieurs la corriger plus tard ? »

Parce que « la corriger plus tard », c'est là que les projets meurent. Chaque cycle d'analyse de la valeur coûte du temps et de l'argent. Chaque reconception repousse le calendrier. Et plus un concept s'éloigne avant de heurter la réalité, plus la collision est douloureuse. Nous intégrons la réalité dès le début du processus de génération, afin qu'il n'y ait plus rien à corriger.

La machine fiduciaire

Il y a une façon de voir les choses à laquelle je reviens sans cesse. Notre IA n'est pas un concepteur. C'est un fiduciaire.

Un fiduciaire a l'obligation légale d'agir dans l'intérêt supérieur du client. Quand notre système évalue un candidat de conception, il ne se demande pas « est-ce beau ? ». Il se demande : Cela peut-il être construit avec des matériaux disponibles dans cette région ? Est-ce conforme à la réglementation locale du bâtiment ? Résistera-t-il aux charges environnementales propres à ce site ? Et le promoteur peut-il se le permettre ?

Le moteur de coûts estime le coût total de possession pour chaque candidat — non seulement le coût des matériaux, mais aussi la complexité de fabrication, les heures de main-d'œuvre de connexion et la performance énergétique à long terme. Une connexion boulonnée standard au cisaillement est récompensée. Une connexion à moment complexe nécessitant un soudage sur chantier à pénétration totale est pénalisée. Les poutres en acier qui traversent l'enveloppe thermique sont pénalisées pour les décennies de gaspillage énergétique qu'elles engendreront.

Au fil de millions d'épisodes d'entraînement, l'agent converge vers quelque chose de remarquable : une conception qui n'est pas seulement structurellement valide, mais équilibrée de façon optimale entre la sécurité, le coût et la disponibilité. Aucun ingénieur humain ne pourrait itérer manuellement sur autant d'alternatives. L'espace combinatoire est trop vaste. Mais un agent d'IA doté de la bonne fonction de récompense et des bonnes contraintes ? Il vit dans cet espace.

L'avenir n'est pas dans de meilleurs prompts

Je terminerai par quelque chose qui pourrait sembler dur, mais que je crois entièrement.

Le secteur de la construction n'a pas de problème d'imagination. Il a un problème de certitude. Les promoteurs n'ont pas besoin de rendus plus beaux. Ils ont besoin de la certitude que ce qu'ils regardent peut réellement être construit, dans le budget, dans les délais, avec des matériaux qui existent.

La vague actuelle d'IA générative — Midjourney, Stable Diffusion, DALL-E — offre de l'imagination sans certitude. Elle offre l'illusion de la conception sans la substance de l'ingénierie. Et l'écart entre ces deux choses se mesure en Jaguar fondues, en clients de piscine brûlés, et en dépassements budgétaires se chiffrant en milliards.

Nous construisons quelque chose de différent. Pas un outil qui rêve des bâtiments, mais un système qui les conçoit avec rigueur. La physique codée en dur parce que la gravité ne négocie pas. L'inventaire codé en dur parce que les chaînes d'approvisionnement ne plient pas devant l'esthétique. Le coût codé en dur parce qu'aucun promoteur n'a jamais fait faillite à cause d'un bâtiment trop ennuyeux.

Ne générez pas de l'art. Générez des actifs.

L'avenir de l'architecture n'est pas dans de meilleurs prompts. Il est dans une meilleure physique.