Peut-on faire confiance à l'IA pour la sécurité structurelle des bâtiments ?

Le problème

Un balcon ne tient pas parce qu'un modèle d'IA affirme qu'il a l'air « robuste ». Il tient parce que le chemin de charge est continu, que la contrainte reste dans les limites du matériau, et que la structure satisfait les équations qui régissent la physique. Cette distinction — entre avoir l'air juste et être juste — est précisément là où l'IA d'aujourd'hui échoue dans la conception et la construction de bâtiments.

Lorsque vous soumettez un plan structurel à une IA multimodale comme GPT-4V ou Gemini, le modèle ne voit ni poutres, ni colonnes, ni chemins de charge. Il voit des pixels. Il découpe votre plan en petits blocs — de minuscules carrés de 16×16 pixels — et recherche des motifs statistiques entre eux. Il peut apprendre qu'une ligne verticale (une colonne) apparaît généralement près d'une ligne horizontale (une poutre). Mais il ne comprend pas que la poutre est soutenue par la colonne. Retirez la colonne, et la confiance de l'IA pourrait légèrement diminuer. Mais elle ne dispose d'aucune physique interne pour lui indiquer que la poutre doit désormais s'effondrer.

Des chercheurs ont testé cela directement. Lorsque les blocs d'image sont brouillés, ces modèles d'IA conservent souvent une grande précision de classification. Ils s'appuient sur la texture et les motifs locaux, et non sur la structure spatiale réelle. En ingénierie, un détail de connexion « presque complet » mais dépourvu d'un chemin de charge critique n'est pas sûr à 90 %. Il est dangereux à 100 %. Votre système d'IA ne peut pas faire la différence.

Pourquoi cela compte pour votre entreprise

Ces chiffres devraient faire réfléchir tout responsable des risques. L'étude DSR-Bench — un benchmark ayant testé dix modèles d'IA de pointe sur 4 140 cas de problèmes — a révélé que le modèle le plus performant n'a obtenu que 0,498 sur 1,0 sur des tâches complexes de raisonnement structurel. C'est une fiabilité de pile ou face pour des décisions déterminant si un bâtiment tient debout ou s'effondre.

Voici ce que cela signifie pour votre organisation :

• Exposition réglementaire : Les modèles d'IA incapables de vérifier les exigences structurelles par rapport aux codes du bâtiment créent une responsabilité. Le benchmark DesignQA a montré que les modèles pouvaient extraire une règle telle que « déflexion maximale autorisée » d'un document. Mais ils échouaient à appliquer cette règle à la conception réelle d'une poutre. Votre validation de conformité ne vaut que ce que vaut le système qui la produit.
• Dérapages des coûts matériels : Des recherches ont révélé que les modèles d'IA présentent un fort biais en faveur de matériaux exotiques et haute performance comme le titane ou la fibre de carbone — même lorsque le projet exige des solutions économiques. Pourquoi ? Parce que ces matériaux apparaissent plus fréquemment dans les données d'entraînement de haute technologie. Votre IA peut recommander des matériaux qui gonflent votre budget d'ordres de grandeur, sans aucune justification technique.
• Effondrement des performances avec la complexité : La précision de l'IA chute considérablement à mesure que les problèmes structurels deviennent plus complexes sur le plan spatial et multidimensionnel. Les modèles performent également moins bien lorsque les problèmes sont décrits en langage naturel plutôt qu'en code formel. Cela signifie que plus vos ingénieurs décrivent des situations réelles et non standardisées en langage courant, plus l'IA risque de se tromper — avec potentiellement un taux d'échec de 50 % sur des problèmes uniques.
• Défaillances de raisonnement cachées : Ces modèles peinent avec le raisonnement à sauts multiples — le fait de retracer une relation à travers plusieurs connexions intermédiaires. Dans un bâtiment, cela signifie retracer la charge depuis un balcon en toiture à travers les poutres, les colonnes, jusqu'aux fondations. Si votre IA ne peut pas suivre cette chaîne, elle ne peut pas vérifier la sécurité structurelle.

Ce risque n'est pas théorique. C'est un écart mesurable et étalonné entre ce que ces modèles promettent et ce qu'ils livrent réellement.

Ce qui se passe réellement en coulisses

Voyez les choses ainsi. Imaginez que vous engagiez un inspecteur du bâtiment qui a mémorisé des milliers de photos de bâtiments sûrs. Lorsque vous lui montrez une nouvelle conception, il la compare aux photos qu'il a en mémoire. « Ça ressemble à un bâtiment sûr que j'ai déjà vu », dit-il. Mais il n'a jamais appris l'ingénierie. Il ne peut pas calculer si une poutre tiendra. Il fait correspondre des motifs, il ne résout pas la physique.

C'est exactement ainsi que fonctionnent les modèles d'IA multimodaux. Ce sont des moteurs de prédiction du prochain jeton — des systèmes entraînés à deviner le mot ou le pixel suivant le plus probable, sur la base des motifs présents dans leurs données d'entraînement. Lorsque vous demandez à une IA « Ce balcon est-il sûr ? », elle ne calcule pas le moment d'inertie. Elle prédit quels mots suivent généralement cette question dans les millions de documents sur lesquels elle a été entraînée. Si ses données d'entraînement contiennent des milliers de rapports concluant que « la structure semble saine », l'IA est statistiquement encline à générer une réassurance similaire — indépendamment de ce que montre réellement le plan.

Le livre blanc appelle cela le problème du « perroquet stochastique » : une IA qui répète des réponses plausibles en apparence, sans comprendre la physique sous-jacente. L'ingénierie structurelle est déterministe — si la somme des forces n'est pas égale à zéro, la structure accélère (elle bouge, elle s'effondre). Aucune probabilité n'entre en jeu. Mais l'IA traite chaque réponse comme une distribution de probabilité. Elle vous donne une meilleure estimation là où votre bâtiment a besoin d'un calcul rigoureux.

Cette inadéquation architecturale — un moteur probabiliste appliqué à un domaine déterministe — explique pourquoi même les modèles d'IA les plus avancés se heurtent à un plafond de précision de 49,8 % en raisonnement structurel.

Ce qui fonctionne (et ce qui ne fonctionne pas)

Commençons par ce qui échoue.

Analyse d'IA basée sur les pixels : Soumettre des plans à des modèles de vision traite vos dessins techniques comme des images à classer, et non comme des structures à calculer. L'IA voit des textures et des motifs, pas des chemins de charge et des connexions. Elle passe à côté de la nature binaire de la sécurité structurelle.

IA généraliste pour la conformité aux codes : Les modèles peuvent citer les codes du bâtiment avec aisance, mais ne peuvent pas appliquer de contraintes quantitatives à une conception spécifique. Ils extraient les règles sans les faire respecter. Votre contrôle de conformité devient un résumé, pas une vérification.

La force brute des grands modèles : Entraîner des modèles plus grands sur davantage de données issues d'Internet ne résout pas le problème fondamental. Dans les tests DSR-Bench, les performances en raisonnement structurel ne se sont pas améliorées de manière significative avec l'augmentation d'échelle. Davantage de paramètres ne créent pas une compréhension de la physique.

Voici ce qui fonctionne — l'approche utilisée par Veriprajna :

1. Convertir les plans en graphes, pas en pixels. Au lieu de découper un plan en blocs de pixels, le système convertit votre modèle BIM (Building Information Model) en un graphe mathématique. Chaque nœud représente un composant structurel réel — une poutre, une colonne ou une dalle — porteur de propriétés physiques réelles telles que le module de Young et la limite d'élasticité. Chaque arête représente une connexion physique réelle où la charge se transmet. Ce graphe capture la logique de votre structure, pas seulement son apparence.

2. Intégrer la physique directement dans l'entraînement de l'IA. Le système utilise des réseaux de neurones informés par la physique (Physics-Informed Neural Networks, PINNs) — des modèles d'IA dans le processus d'apprentissage desquels sont intégrées les équations fondamentales de la mécanique des structures. Si le modèle prédit une forme de déflexion qui viole les lois de l'équilibre, la pénalité physique appliquée pendant son entraînement l'oblige à se corriger. L'IA ne peut pas « imaginer » une réponse qui enfreint les lois de Newton. Les Graph-Structured Physics-Informed DeepONets — une version avancée de cette approche — ont atteint des valeurs de précision de R² = 0,9999 tout en fonctionnant 7–8x plus vite que les solveurs d'ingénierie traditionnels.

3. Retracer algorithmiquement chaque chemin de charge. Grâce à la théorie des graphes, le système retrace tous les chemins possibles de transfert de charge, du point d'application jusqu'aux fondations. Il calcule une métrique appelée l'indice U* qui visualise l'« épine dorsale » de votre structure — le trajet le plus rigide à travers le bâtiment. Si la conception de votre balcon présente un chemin de charge discontinu, le système ne devine pas. La ligne de flux s'interrompt brutalement, signalant le point de rupture exact.

Pour vos équipes de conformité et d'audit, cette approche crée une piste de décision en boîte de verre. Parce que chaque nœud du graphe correspond de façon biunivoque à un composant physique, vous pouvez retracer précisément pourquoi le système a signalé un problème : « La colonne a cédé parce que la charge transférée depuis la poutre A et la poutre B a dépassé la capacité. » C'est un résultat auditable et explicable — pas un score de confiance de type boîte noire.

Ce système fonctionne sur site. Vos équipes n'envoient pas de plans sensibles à une API publique. Le moteur physique réside sur votre serveur, protégeant votre propriété intellectuelle et vos données de projet tout en vous donnant des réponses déterministes.

L'approche Veriprajna sert de couche de vérification. Les architectes et les concepteurs peuvent toujours utiliser l'IA générative pour des concepts créatifs. Mais chaque concept passe par un contrôle physique déterministe avant d'atteindre vos ingénieurs. Si le contrôle échoue, le système renvoie une contrainte stricte — « augmenter la hauteur de la poutre de 200mm » ou « ajouter une connexion de contre-portée » — imposant une reconception physiquement valide. Vous obtenez la rapidité créative avec la certitude technique appuyée par des workflows de simulation et de jumeau numérique.

Vous pouvez lire l'analyse technique complète pour le cadre mathématique complet, ou explorer la version interactive pour une visite guidée.