1. Non pas un chiffre, mais un intervalle de confiance : la refonte de l’évaluation immobilière

Une même maison, deux chiffres différents

En 2021, une maison individuelle de trois chambres dans une banlieue d’Austin, au Texas, a suscité deux réponses.

La première venait d’un être humain. Un expert évaluateur fort de vingt ans d’expérience sur le marché local a visité la maison, examiné l’état de la toiture, la luminosité du jardin, la hauteur de la clôture par rapport à la parcelle voisine, comparé le bien à trois ventes récentes similaires, puis y a apposé un prix. La seconde venait d’un algorithme. L’AVM (modèle d’évaluation automatisé) de Zillow — le « Zestimate » — a traité des milliers de variables à la fois et produit un chiffre en quelques secondes : surface habitable, orientation, étage, secteur scolaire, historique récent des ventes locales, et même la présence d’une piscine repérée sur des photos aériennes.

Les deux chiffres divergeaient. Rien d’étonnant à cela — les experts humains sont eux-mêmes souvent en désaccord entre eux. Ce qui a vraiment surpris, c’est la suite. Zillow a fait suffisamment confiance à la réponse de son propre algorithme pour se mettre à acheter des maisons directement à ce prix. Cette activité, baptisée « iBuying », reposait sur un pari simple et audacieux : si l’IA fixe un prix juste, pourquoi ne pas acheter et revendre nous-mêmes à ce prix ? Rien qu’au troisième trimestre 2021, Zillow a perdu 421 millions de dollars dans cette activité. Avant la fin de l’année, Zillow Offers a fermé purement et simplement, et l’entreprise a licencié une part importante de ses effectifs. La perte annuelle totale et l’aveu du PDG lui-même, consigné noir sur blanc, sont détaillés au chapitre 8.¹ À la même période, des expériences d’iBuying en Europe et en Asie ont été réduites, voire discrètement abandonnées — plusieurs start-up britanniques, ainsi que les activités d’achat en propre de quelques grandes plateformes de courtage immobilier chinoises. Il ne s’agissait pas de l’erreur de jugement d’une seule entreprise. L’erreur — confondre « un prix fixé avec précision » et « la liquidité de marché nécessaire pour réellement acheter et revendre à ce prix » — s’est répétée sur plusieurs continents.

La précision du Zestimate en elle-même n’était pourtant pas mauvaise. Sur les biens effectivement mis en vente, le taux d’erreur tournait autour de 2 %, plus fin que ce que réalisent la plupart des experts humains.¹ L’entreprise a néanmoins brûlé des centaines de millions de dollars en l’espace de quelques trimestres.

La raison tient à une distinction qui traverse tout ce chapitre. « Savoir ce que vaut un bien » et « avoir le cran et le sens du moment pour réellement acheter et vendre à ce prix » sont deux problèmes entièrement différents. L’IA excelle dans le premier. Le second reste — et le restera sans doute encore longtemps — un domaine mêlant liquidité de marché, timing et jugement humain. Le véritable basculement de l’évaluation immobilière ces cinq dernières années n’est pas le récit simpliste selon lequel « l’IA serait devenue plus précise que les humains ». C’est la question elle-même qui a changé. Non plus « combien vaut ce bien », mais « à quoi ressemble la distribution de probabilité de ce que vaut ce bien ».

D’une ère de précision à une ère d’intervalles de confiance

William Poorvu, dont l’ouvrage de 1999 The Real Estate Game fait figure de classique de l’investissement immobilier, avance un argument qui mérite d’être revisité : la plupart du temps, l’immobilier ne se juge pas au moyen d’un tableur sophistiqué, mais par une « analyse au dos de l’enveloppe ». Alors même qu’il enseignait l’immobilier à Harvard, il observait que le monde universitaire s’orientait vers des modèles toujours plus élaborés, tandis que les praticiens filtraient rapidement les opportunités à l’aide d’une poignée de ratios essentiels — le NOI (revenu net d’exploitation), le rendement sur fonds propres (ROE), le prix d’achat rapporté au coût de reconstruction. Le calcul qu’il griffonnait sur un bloc-notes jaune en répondant au téléphone d’un courtier reste, aujourd’hui encore, frappant de simplicité : diviser le prix d’achat par la surface pour obtenir un prix au mètre carré, le comparer au coût de construction neuve pour jauger la marge de sécurité du prix, puis calculer quel pourcentage des fonds propres investis le loyer restitue une fois déduits les charges d’exploitation et le service de la dette. Il appelait cette méthode la « soupe au poulet de grand-mère » — un résultat globalement juste à chaque fois, sans recette précise nécessaire.

Vingt-cinq ans plus tard, il vaut la peine de retourner cette image. L’évaluation immobilière à l’ère de l’IA n’a pas retrouvé la touche de grand-mère — elle a atteint l’extrême inverse. Une machine ultra-précise qui quantifie des milliers de variables, s’entraîne sur des millions de transactions historiques et maîtrise son taux d’erreur à la décimale près. Et pourtant, ce que cette précision a livré aux praticiens n’est pas « un chiffre encore plus exact ». C’est, ironiquement, la question de savoir dans quelle mesure faire confiance à ce chiffre en premier lieu.

La raison est simple. Le taux d’erreur d’un AVM n’est pas uniforme. Sur des marchés liquides et des actifs standardisés, il peut descendre à 2-3 %. La maison de banlieue américaine à trois chambres en est le cas d’école — les données y abondent.² Mais sur des marchés à faible volume de transactions, des actifs commerciaux atypiques, ou une classe d’actifs émergente à peine constituée (les centres de données, évoqués plus loin, en sont l’exemple type), le taux d’erreur dépasse aisément 10 %. La rareté des données en est la cause. Un même modèle, une même entreprise, produit des chiffres où « celui-ci fait presque foi » et « celui-là n’est qu’un ordre de grandeur » coexistent côte à côte. Un AVM n’est, au fond, qu’une évaluation par comparables menée à vitesse extrême. Là où un être humain se forge une impression à partir de cinq ou six comparables au cours d’un seul appel téléphonique, la machine en scanne des milliers dans le même instant. Mais sur un marché où il n’y a rien à scanner — aucun historique de transactions — même la machine la plus rapide n’a rien pour travailler.

Une sensibilité s’est ainsi discrètement, mais durablement, enracinée dans le secteur au cours des cinq dernières années. La mesure d’un bon modèle d’évaluation n’est plus « quel degré de précision produit-il », mais « vous dit-il à quel point faire confiance à ce chiffre ». L’intervalle de confiance — un concept emprunté aux statistiques — fait désormais partie du vocabulaire courant de la pratique immobilière. Plutôt qu’une déclaration unique et abrupte — « ce bâtiment vaut un million de dollars » —, une réponse du type « ce bâtiment vaut, avec 90 % de confiance, entre 950 000 et 1 050 000 dollars, sachant que cette fourchette repose sur seulement trois ventes comparables récentes et un échantillon restreint » est désormais celle en laquelle on a confiance. Non plus la précision, mais l’honnêteté, est devenue la nouvelle norme.

L’analyse de crédit en huit minutes, et son prix

Nulle part ce basculement ne s’est manifesté de façon plus spectaculaire que dans l’octroi de crédits immobiliers commerciaux. Traditionnellement, un prêt immobilier commercial relevait d’un processus bureaucratique — 30 à 45 jours entre le dossier et l’approbation, passant plusieurs fois entre les mains de banquiers et d’analystes. Lire les baux un par un, retranscrire dans des tableurs les loyers locataire par locataire, vérifier les chiffres des comptes d’exploitation par rapport aux exercices précédents, construire des modèles de flux de trésorerie à la main. Tout comme le calcul au dos de l’enveloppe évoqué plus haut se bouclait en un seul appel téléphonique, la logique sous-jacente de ce travail est elle aussi simple. C’est l’échelle qui diffère. Le même calcul qu’un investisseur individuel applique pour filtrer un immeuble, une banque doit le répéter sur des centaines de dossiers chaque jour.

Ces cinq dernières années, les retours d’expérience sur l’adoption de l’analyse de crédit assistée par IA dans les banques se sont multipliés : réduction de 50 à 75 % du temps d’analyse, économies de coûts allant jusqu’à 20 %.³ Pour les dossiers aux conditions claires et bien définies, on a vu apparaître des cas où l’IA lit les documents, construit automatiquement le modèle de flux de trésorerie et boucle l’analyse en huit minutes. Un travail qui prenait auparavant plusieurs semaines à un analyste, une machine l’exécute désormais le temps de boire un café.

Cette rapidité a un prix : la multiplication de « boîtes noires » où il devient difficile d’expliquer pourquoi tel chiffre est sorti. Un analyste humain peut justifier son jugement — « j’ai revu à la baisse la probabilité de renouvellement de ce locataire parce que ses ventes récentes sont fragiles ». Quand un modèle d’IA aboutit à la même conclusion, il est beaucoup plus difficile de savoir si celle-ci découle réellement des chiffres de vente du locataire, ou d’un biais qui s’est glissé accidentellement dans les données d’entraînement. La réglementation a commencé à rattraper son retard — tardivement, mais rapidement — et le point de départ comme la forme de la réponse diffèrent selon les pays. Aux États-Unis, l’Interagency Rule on AVMs, entrée en vigueur en 2024, impose une gestion de la confiance pour les modèles d’évaluation, des garde-fous contre la manipulation des données et des protections contre les conflits d’intérêts.⁴ En Europe, l’organisme fixant les normes de la profession d’évaluateur a, par sa norme révisée de 2025, consacré le principe selon lequel « un AVM ne peut se substituer à lui seul à une expertise formelle — il doit être combiné à une visite du site et au jugement d’un expert ». Il y a cinq ans, l’avantage concurrentiel consistait à savoir « à quelle vitesse adopter l’IA ». Aujourd’hui, il consiste à savoir « avec quel degré de rigueur justifier le jugement de cette IA » — un nouvel axe de compétition qui traverse tous les continents.

Trente personnes rachètent un géant

Un dernier événement résume bien cette trajectoire de cinq ans. En 2021, JLL — l’une des plus grandes sociétés de services immobiliers au monde — a racheté Skyline AI, une start-up de la donnée basée en Israël et à New York, comptant à peine plus de trente salariés. Ce que cette entreprise a précisément développé, et la manière dont ses outils ont été utilisés après le rachat, sont détaillés au chapitre 2.⁵

La question soulevée par ce rachat était simple et incisive : une petite équipe de data scientists peut-elle prédire l’avenir d’un actif avec plus de justesse qu’une organisation bâtie sur des décennies de courtiers et d’experts ? La réponse du secteur a été le rachat lui-même. Il ne s’agissait pas d’un mode d’acquisition de compétences isolé — au cours des cinq années suivantes, les grandes sociétés de courtage et de gestion d’actifs ont, de façon répétée, préféré acheter plutôt que développer en interne. L’Asie a suivi une voie quelque peu différente. Une grande plateforme de courtage immobilier chinoise a, plutôt que de racheter, constitué en interne une importante équipe d’ingénierie des données et développé elle-même ses propres fonctionnalités d’aide à l’évaluation par IA — y compris des outils de reconnaissance d’image capables de lire l’état d’un bien à partir de photographies. Achat contre développement interne : les approches ont divergé, mais la conclusion — à savoir que la capacité en IA est devenue un actif concurrentiel central pour les sociétés de services immobiliers — s’est vérifiée sur tous les continents. Les propres statistiques de JLL (nombre de cas d’usage de l’IA, taux d’adoption pilote chez les institutionnels) sont également détaillées au chapitre 2. L’évaluation par IA n’est plus l’expérimentation d’une poignée de pionniers. Elle est devenue le mode de fonctionnement standard du secteur.

Un algorithme a construit une collusion sans même le savoir

Tout, dans cette trajectoire de cinq ans, n’est pas une réussite éclatante. Le revers le plus spectaculaire est celui de RealPage, un logiciel de fixation des loyers. Ce logiciel agrégeait des informations tarifaires confidentielles provenant de plusieurs bailleurs et recommandait un « loyer optimal » pour chaque immeuble. La logique semblait raisonnable — la même prémisse qu’un AVM : plus de données produit un prix plus juste.

Le problème, c’est que plusieurs bailleurs d’une même ville utilisaient ce logiciel simultanément. Aucun bailleur n’a jamais discuté de collusion avec un autre. Mais parce que chacun alimentait le même algorithme avec les données tarifaires de son propre immeuble, et que l’algorithme synthétisait ces informations en une même conclusion chuchotée à chacun d’eux — « tous les autres utilisent aussi ce même logiciel, le marché peut donc absorber une hausse de loyer coordonnée » —, une structure a émergé qui fonctionnait comme une collusion sans que personne n’ait explicitement accepté de s’entendre. Selon la plainte du ministère américain de la Justice, un bailleur a commencé à augmenter ses loyers dans la semaine suivant l’adoption du logiciel, et les avait relevés de plus de 25 % en onze mois.⁶ La plainte américaine sur les algorithmes de fixation des loyers a en substance inculpé le logiciel pour facilitation de collusion, et en novembre 2025, l’éditeur du logiciel a conclu un règlement avec le ministère de la Justice — sans admettre de faute — s’engageant à abandonner la fonctionnalité de recommandation de loyers exploitant des informations concurrentielles confidentielles.⁶

Ce dossier dépasse le cas d’une seule entreprise ou d’un seul pays. C’est la première réfutation juridique majeure du récit selon lequel « l’IA rend les marchés plus efficients ». Une inquiétude similaire a déjà émergé de l’autre côté de l’Atlantique — non pas dans l’immobilier mais dans la distribution de carburant en Europe, où une vague de stations-service passées au même algorithme de tarification a été suivie d’une hausse conjointe des marges, attirant l’attention des autorités de la concurrence. Secteur différent, structure identique. En laissant de côté les textes de loi propres à chaque pays pour s’en tenir au principe sous-jacent : dès l’instant où plusieurs concurrents font tourner simultanément le même algorithme de tarification, cet algorithme se situe à la frontière entre outil d’efficience et mécanisme de collusion. Chaque acteur se comporte rationnellement à titre individuel, et pourtant le résultat collectif fonctionne comme une entente — une nouvelle espèce de défaillance de marché. C’est la leçon la plus inattendue des cinq premières années de l’évaluation par IA, et elle ne se limite à aucun pays en particulier.

L’expert évaluateur ne disparaît pas — il se redéploie

Alors, au bout du compte, qu’advient-il des métiers d’expert évaluateur et de courtier ? Les cinq années de données pointent vers une réponse : « redéploiement », et non « extinction ».

Il existe un travail bien réel que l’IA s’est clairement approprié : extraire et lister les comparables, calculer les prix des actifs standardisés, lire les rôles de loyers et construire les modèles de flux de trésorerie. Ces tâches répétitives et quantitatives sont désormais plus rapides pour une machine que pour un être humain — et, pour les actifs standard, plus précises. C’est précisément pour cette raison que les grandes sociétés de courtage ont racheté des entreprises comme Skyline AI dans leur intégralité plutôt que de développer en interne. La capacité de calcul répétitif n’est plus une case qu’un humain doit remplir à la main ; c’est un composant qu’on achète sur étagère.

C’est exactement pour cette raison que la nature du travail laissé aux humains a changé. La question à laquelle un expert évaluateur se confronte désormais n’est plus « à combien s’est récemment vendu un bien comparable » — une machine y répond déjà en quelques secondes. Les humains se sont plutôt déplacés vers les questions que les données ne saisissent toujours pas : comment évaluer un actif sans comparable pertinent sur lequel le modèle puisse s’appuyer ? Un changement dans la composition des locataires de ce quartier est-il en train de se dessiner, sans que les données ne l’aient encore repéré ? Le vendeur dissimule-t-il une situation désespérée ? L’insistance de l’organisme européen de normes d’évaluation selon laquelle « un AVM doit être combiné à une visite du site et au jugement d’un expert » s’inscrit dans la même logique — elle institutionnalise une structure où la réponse de la machine et celle de l’humain sont mises côte à côte, et où c’est l’humain qui signale leurs divergences.

Le rôle du courtier a évolué de façon similaire. Annoncer le prix du marché a perdu toute sa valeur de rareté, désormais que chacun peut le vérifier sur son téléphone en quelques secondes. Ce qui crée de la valeur, en revanche, c’est de lire la véritable situation de la partie adverse autour de la table des négociations, et de naviguer parmi des variables qui ne se réduisent pas à des chiffres — réglementation, relations avec la collectivité, partenariats. La nouvelle répartition du travail que ces cinq années ont produite est la suivante : la machine calcule « combien ça vaut » là où les données abondent ; l’humain juge « faut-il faire confiance à ce chiffre » là où les données sont rares, ou n’ont jamais pu se réduire à des chiffres. Ce n’est pas un emploi perdu. C’est un emploi redéployé.

Ce qui vient après l’intervalle de confiance

Alors, quelles parties de cette trajectoire de cinq ans resteront valables dans trois ans, ou dans un autre pays ? Trois questions se détachent.

D’abord, la limite structurelle selon laquelle la précision de l’évaluation par IA évolue directement avec la densité des données ne va pas disparaître. Pour les actifs standardisés sur des marchés liquides, l’IA continuera de surpasser les humains avec une précision toujours plus fine. Pour les actifs rares et spécialisés, ainsi que pour les classes d’actifs émergentes, l’expérience et l’intuition humaines conserveront l’avantage. Cette frontière continuera de se déplacer à mesure que les modèles d’IA progressent, mais elle ne disparaîtra pas entièrement.

Ensuite, « la prédiction » et « la décision de réellement engager des capitaux sur la foi de cette prédiction » resteront des choses distinctes. Zillow a perdu plus de 400 millions de dollars non pas parce que son modèle se trompait, mais parce que transformer une prédiction exacte en transaction réelle s’est heurté à la liquidité de marché et au timing — des variables qu’un modèle statistique peine à gérer. Cet écart a peu de chances de se refermer, quelle que soit la sophistication atteinte par l’IA, parce que l’immobilier n’est pas un actif qui se vend à l’instant où l’on souhaite le vendre.

Enfin, le risque structurel qui naît de l’usage simultané d’un même outil par plusieurs concurrents continuera de peser sur ce secteur, quelle que soit l’évolution de la réglementation. Les outils d’évaluation sont déjà passés du statut d’aide au jugement individuel à celui d’infrastructure façonnant directement la formation des prix sur l’ensemble du marché. Qui supervise cette infrastructure, et comment, est une question qui ne fait que commencer à se poser.

Ce que ces cinq dernières années ont laissé n’est pas le récit simpliste d’une victoire ou d’une défaite — « l’IA a remplacé les humains ». C’est la façon même dont on interroge la valeur d’un bien immobilier qui a changé. Autrefois, un chiffre unique, validé par un expert unique, faisait office de réponse. Aujourd’hui, un point d’interrogation accompagne systématiquement ce chiffre : dans quelle mesure peut-on réellement lui faire confiance ? La capacité à répondre honnêtement à ce point d’interrogation est devenue la nouvelle qualification exigée, à la fois des humains et des machines, dans l’immobilier à l’ère de l’IA.

Il est temps à présent de porter ce point d’interrogation vers la question suivante. Pourquoi l’IA s’acharne-t-elle à calculer la valeur de l’immobilier avec une telle précision ? Et où, exactement, l’IA elle-même réside-t-elle ?

---

La règle du jeu Un modèle résume le marché ; il ne fait pas le marché. L’IA n’est intelligente qu’à hauteur de la profondeur des données dont elle dispose, et connaître le chiffre exact ne signifie pas avoir le cran et le sens du moment pour réellement engager des capitaux derrière lui. Le camp qui l’emporte n’est donc pas celui qui possède le modèle le plus sophistiqué — c’est celui qui sait exactement jusqu’où faire confiance à ce modèle, et où l’humain doit reprendre la main.

---

Sources

Footnotes

1. Zillow a exploité une activité d’iBuying (Zillow Offers) à partir de 2018, utilisant son propre AVM « Zestimate » pour acheter et revendre des maisons directement, avant de s’en retirer après avoir perdu 421 millions de dollars au T3 2021. Le taux d’erreur du Zestimate par rapport aux biens effectivement en vente a été rapporté à environ 2 %. (The Close, « Zillow Estimates Ultimate Guide » ; Best Practice AI, « Zillow provides real estate price estimates ») ↩ ↩²

2. Sur les taux d’erreur des AVM — les documents du secteur citent largement 2-3 % pour les actifs résidentiels standard et 5-15 % pour les actifs non standard ou commerciaux. (PatSnap, « AI property valuation technology landscape 2026 » ; BusinessWire, « PropStream Announces New AVM & AI Innovations ») ↩

3. Documents d’éditeurs/cabinets de conseil du secteur (Blooma, GrowthFactor, Alpaca, etc. ) — les banques ayant adopté l’analyse de crédit assistée par IA rapportent une réduction de 50 à 75 % du temps d’examen, des économies de coûts allant jusqu’à 20 %, et des cas d’analyse en moins de huit minutes pour des dossiers bien définis. À noter une variance importante selon les institutions et les échantillons ; il ne s’agit pas de statistiques sectorielles normalisées. ↩

4. L’Interagency Rule on AVMs américaine (entrée en vigueur en 2024) impose une gestion de la confiance pour les modèles d’évaluation, des garde-fous contre la manipulation des données et des protections contre les conflits d’intérêts. D’autres exigences de conformité régionales, telles que la loi sur l’IA du Colorado de 2026, sont également entrées en vigueur. ↩

5. JLL a racheté Skyline AI, une start-up d’IA immobilière commerciale basée en Israël et à New York, en 2021. Les spécifications complètes, l’usage post-acquisition, et les statistiques d’adoption de l’IA chez JLL sont détaillés au chapitre 2. (JLL Newsroom ; AI Business ; PitchBook) ↩

6. Le ministère américain de la Justice a inculpé en août 2024 l’éditeur du logiciel de fixation des loyers RealPage pour facilitation de collusion algorithmique, citant un cas où un bailleur avait commencé à augmenter ses loyers dans la semaine suivant l’adoption du logiciel et les avait relevés de plus de 25 % en onze mois. En novembre 2025, RealPage a conclu un règlement avec le ministère de la Justice sans admettre de faute, s’engageant à abandonner les fonctionnalités de recommandation de loyers exploitant des informations concurrentielles confidentielles. (Annonce officielle du DOJ ; ProPublica ; NPR ; Holland & Knight) ↩ ↩²