Maturité IA dans la construction : les trois piliers indispensables pour chaque CTO

Dans un récent épisode de Bridging the Gap: The Conversation, CIO sous pression, Atul Khanzode, CTO chez DPR Construction, a expliqué comment l'une des plus grandes entreprises générales de construction aux États-Unis aborde la préparation à l'IA. Plutôt que de considérer cela comme un problème technologique, DPR le voit comme un défi organisationnel. Avec 29 ans d'ancienneté chez DPR et la responsabilité de toutes les fonctions technologiques au sein d'une entreprise opérant dans les secteurs des infrastructures critiques, des sciences de la vie, de la santé et des technologies de pointe, son point de vue est ancré dans la réalité de la construction à grande échelle.

Le fossé de la préparation à l'IA que personne ne veut admettre

Avant qu'une entreprise de construction puisse tirer profit de l'IA, elle doit être honnête sur sa situation réelle. Pas là où elle aspire à être, pas ce que disent les communiqués de presse, mais à quoi ressemblent les fondations de données, quel est le niveau de maturité des compétences internes et si l'organisation dispose de la gouvernance nécessaire pour utiliser l'IA de manière responsable sur des projets sensibles.

La plupart des entreprises n'ont pas encore eu cette discussion. Elles ont mené des projets pilotes, expérimenté des outils prêts à l'emploi et observé leurs équipes utiliser ChatGPT de manière informelle. Mais l'expérimentation sans fondation ne permet pas de passer à l'échelle. Et la pression pour concrétiser l'IA — de la part des conseils d'administration, des clients, des concurrents — arrive plus vite que la plupart des organisations ne peuvent construire l'infrastructure pour la soutenir.

Atul Khanzode y réfléchit depuis plus longtemps que la plupart des gens. DPR a investi dans son entrepôt de données il y a cinq ou six ans, spécifiquement pour construire la base que l'IA finirait par exiger. Cette décision semble visionnaire aujourd'hui. À l'époque, c'était simplement de la discipline.

Les entreprises les plus avancées en matière de préparation à l'IA aujourd'hui sont presque toujours celles qui ont réalisé des investissements d'infrastructure peu glamour des années avant que l'IA ne devienne un sujet de discussion au niveau des conseils d'administration. 

Celles qui se démènent maintenant sont celles qui ont sauté cette étape.

Vous voulez savoir comment un CTO envisage l'ensemble du mandat technologique ? Regardez la conversation complète avec Atul Khanzode ici. 

Les trois piliers de la préparation à l'IA chez DPR

Le cadre de préparation à l'IA d'Atul chez DPR repose sur trois piliers. Aucun d'entre eux ne commence par l'outil d'IA lui-même. Ils doivent tous être en place avant que l'outil ne puisse apporter de la valeur à grande échelle.

Pilier 1 : Fondations de données

Le premier et le plus fondamental des piliers est la qualité des données. Les modèles d'IA ne sont performants qu'en fonction des données sur lesquelles ils sont entraînés. Sans données propres, structurées et gouvernées, les résultats de l'IA sont au mieux peu fiables et au pire activement trompeurs.

L'investissement de DPR dans son entrepôt de données il y a cinq ans signifie que l'entreprise aborde le moment actuel de l'IA avec une base que la plupart des concurrents sont encore en train de construire. Mais la qualité des données n'est qu'une partie du défi. Sur les types de projets sur lesquels DPR travaille — infrastructures critiques centres de données, installations de sciences de la vie, établissements de santé : les données elles-mêmes sont extrêmement sensibles. Les clients imposent des accords de confidentialité (NDA). Les contrats précisent exactement ce qui peut et ne peut pas être fait avec les données de projet. Les exigences en matière de gouvernance sont considérables.

« Nous sommes les gardiens des données sur les projets pour lesquels nous collaborons avec eux. Nos contrats contiennent des directives très strictes sur ce que nous sommes autorisés à faire avec ces données. »
‍Atul Khanzode, directeur de la technologie, DPR Construction

La solution développée par DPR est une approche structurée de l'anonymisation des données, permettant d'entraîner des modèles d'IA sur des données de projet sans exposer les informations propriétaires des clients.

Qu'est-ce qu'une « clean room » de données ?
Une « clean room » est un environnement de données contrôlé où les données sources brutes sont anonymisées avant d'être utilisées pour entraîner des modèles d'IA ou partagées entre différentes organisations. Chez DPR, cette « clean room » est intégrée à leur entrepôt de données et sert de passerelle entre les données sensibles des projets et les modèles d'IA qui y sont développés. Les données sources ne sont jamais partagées directement. Les données anonymisées sont transférées dans la « clean room », où elles peuvent servir à améliorer les services et à entraîner des modèles sans enfreindre les accords de confidentialité des clients ni les exigences de gouvernance des données. C'est un concept plus courant dans la publicité numérique et les services financiers que dans la construction, mais à mesure que l'adoption de l'IA s'accélère dans le secteur, il est probable qu'il devienne une pratique standard pour toute entreprise générale travaillant sur des types de projets sensibles.

À retenir : La préparation à l'IA commence par la qualité des données, et non par les outils d'IA. Si vos fondations de données ne sont pas solides, aucun outil d'IA ne pourra apporter une valeur constante. Pour les entreprises travaillant sur des projets sensibles, une approche structurée de la gouvernance et de l'anonymisation des données n'est pas une option, c'est un prérequis.

Pilier 2 : De l'expérimentation au passage à l'échelle

Le deuxième pilier est le mécanisme permettant de passer d'expérimentations isolées à une adoption à grande échelle. La plupart des entreprises de construction mènent des expérimentations informelles sur l'IA ici et là. Le défi consiste à transformer ces essais en flux de travail reproductibles et évolutifs qui apportent de la valeur à l'ensemble de l'organisation.

L'approche de DPR consiste à travailler directement avec les équipes opérationnelles et les groupes de travail fonctionnels pour identifier les points de friction et les gains rapides : des tâches spécifiques et complexes où l'IA peut démontrer rapidement une valeur claire. L'examen des contrats est un exemple cité par Atul. Une fois qu'un cas d'usage est validé, l'objectif est de le déployer rapidement afin qu'un nombre suffisant de personnes en perçoive la valeur et favorise une adoption plus large.

« Nous travaillons avec nos équipes opérationnelles ainsi qu'avec nos autres groupes de travail fonctionnels pour identifier leurs points de friction et les gains rapides qu'ils peuvent obtenir grâce à l'IA. Nous essayons de prendre ces éléments et de les déployer rapidement pour que chacun puisse en constater la valeur. »
‍Atul Khanzode, directeur de la technologie, DPR Construction

Cette approche ascendante — qui part de problèmes réels dans des fonctions spécifiques plutôt que d'impositions descendantes — est l'un des moyens les plus fiables pour garantir une adoption durable de l'IA. Lorsque le cas d'usage est réellement utile aux personnes sur le terrain, l'adoption se fait naturellement. Lorsqu'il est imposé sans lien avec un point de friction réel, cela ne fonctionne pas.

DPR dispose également d'une équipe d'innovation spécifiquement chargée de gérer ce processus d'expérimentation : évaluer ce qui fonctionne, ce qui ne fonctionne pas et ce qui mérite d'être déployé à plus grande échelle. La rigueur de ce processus est tout aussi importante que l'expérimentation elle-même.

Conclusion : Le passage à l'échelle de l'IA nécessite un processus structuré pour identifier les points de friction, prouver rapidement la valeur et intégrer les projets pilotes réussis dans les flux de travail standards. Les équipes d'innovation sans ce processus produisent des expériences. Celles qui l'ont produisent des capacités.

Pilier 3 : Éducation et formation internes

Le troisième pilier est celui dans lequel la plupart des entreprises investissent le moins, et pourtant c'est lui qui détermine si les deux premiers piliers apportent réellement de la valeur. Les fondations de données et l'infrastructure d'expérimentation ne servent à rien si les personnes censées utiliser ces outils ne savent pas comment s'y prendre ou n'ont pas confiance en eux.

DPR a fait de l'éducation interne un engagement organisationnel majeur. Sur les 6 000 employés administratifs de l'entreprise, environ 2 500 ont déjà été formés aux fondamentaux de l'IA : comment utiliser les outils, comment rédiger des prompts efficaces et comment appliquer l'IA à leur rôle spécifique. Ce n'est pas un projet pilote. C'est un programme.

« Sans cela, les gens n'adoptent pas vraiment ces outils, ou alors ils les utilisent de temps à autre sans rien en faire de concret. C'est pourquoi nous mettons l'accent sur ce volet de formation et d'éducation internes. »
‍Atul Khanzode, CTO, DPR Construction

La formation est spécifique à chaque rôle plutôt que générique. Comprendre que différentes fonctions nécessitent différents flux de travail basés sur l'IA — et structurer la formation autour de ces flux spécifiques plutôt que sur une culture générale de l'IA — est ce qui distingue les programmes qui modifient les comportements de ceux qui se limitent à un atelier d'une journée sans lendemain.

La prochaine phase chez DPR va encore plus loin : collaborer avec les équipes fonctionnelles pour identifier des domaines d'intervention précis où l'IA peut apporter des progrès mesurables dans leur travail quotidien.

À retenir : Une formation efficace à l'IA est spécifique à un rôle, pratique et liée à des flux de travail réels. Les programmes de culture générale sur l'IA ne font que sensibiliser. La formation ciblée, elle, favorise l'adoption. Les entreprises qui investissent dans cette dernière verront cet avantage se multiplier avec le temps.

Les quatre catégories : comment évaluer tout investissement dans l'IA

En complément des trois piliers, Atul propose un cadre pour évaluer la pertinence de tout investissement dans l'IA — une méthode qui permet de faire abstraction du bruit médiatique et des promesses des fournisseurs pour se concentrer sur ce qui compte réellement pour une entreprise de construction.

Chaque investissement technologique, qu'il s'agisse d'IA ou non, doit être évalué au regard de quatre questions :

• Améliore-t-il le chiffre d'affaires et la marge ?
• Réduit-il les coûts opérationnels ?
• Améliore-t-il l'expérience des employés ?
• Améliore-t-il l'expérience client ?

Si un outil permet de répondre par l'affirmative à une ou plusieurs de ces questions, preuves à l'appui, il mérite sa place. Sinon, peu importe à quel point la démonstration était impressionnante.

« Plutôt que de se laisser séduire par les outils technologiques, il faut engager un dialogue interne sur ce que vous cherchez réellement à accomplir. C'est cela qui guidera vos futures décisions en matière d'exploration technologique. »
‍Atul Khanzode, CTO, DPR Construction

C'est le même principe qui s'applique plus largement à l'ensemble de la stratégie technologique de DPR. Les dépenses logicielles sont rationalisées en fonction de leur contribution à la stratégie fondamentale de l'entreprise : garantir des résultats prévisibles grâce au VDC, à la préfabrication et aux travaux réalisés en interne. Si un outil sert cette stratégie et que les résultats sont visibles, il est conservé. Sinon, le processus s'élimine de lui-même.

À retenir : Avant d'évaluer un outil d'IA, définissez ce qu'est la réussite en utilisant les indicateurs propres à votre entreprise : chiffre d'affaires, coûts, expérience des employés ou expérience client. Si l'outil ne permet pas de faire bouger l'un de ces curseurs, il ne vaut probablement pas l'investissement, peu importe ce que disent les gros titres.

Par où commencer si vous n'avez pas encore sauté le pas

La leçon à tirer de l'expérience d'Atul chez DPR est simple : les entreprises qui réussissent leur transition vers l'IA n'ont pas commencé par l'IA. Elles ont commencé par les données. Elles ont construit leur entrepôt de données, misé sur la qualité, établi une gouvernance et créé les conditions nécessaires au fonctionnement de l'IA avant même que celle-ci ne devienne une priorité.

Pour les entreprises qui n'ont pas encore franchi ces étapes, le point de départ n'est pas l'outil d'IA le plus sophistiqué du marché. C'est une évaluation honnête de la qualité des données, un dialogue avec les équipes opérationnelles sur leurs difficultés réelles et un investissement dans une infrastructure de formation qui déterminera si un outil d'IA sera réellement adopté ou discrètement abandonné après la phase pilote.

Si vos données de coordination ne sont ni connectées, ni structurées, ni accessibles, c'est par là qu'il faut commencer. Discutez avec Revizto pour bâtir les fondations dont votre stratégie d'IA a besoin.

Pour les équipes qui cherchent à développer leurs compétences numériques et à optimiser leurs flux de travail de coordination, la Revizto Academy propose des cours gratuits en autonomie, basés sur des flux de travail réels du secteur de la construction — aucun compte client n'est requis.