Optimisation combinatoire et regroupement par similarité — les deux mécanismes qui rendent calculable un problème que les services techniques ne peuvent pas trancher à la main.
Réduire de moitié la consommation d'un parc de bâtiments publics n'est pas un problème de technologie du bâtiment : les solutions techniques sont connues. C'est un problème de choix. Quels travaux, sur quel bâtiment, quelle année, avec quel budget — et dans quel ordre. Le nombre de combinaisons dépasse très vite ce qu'un service technique peut examiner. C'est là que l'intelligence artificielle intervient utilement, et seulement là.
Un problème combinatoire avant d'être un problème thermique
Prenons un parc de deux cents bâtiments. Pour chacun, une dizaine de gestes possibles : isolation des combles, remplacement des menuiseries, changement de générateur, régulation, ventilation, éclairage. Chaque geste a un coût, un gain attendu, une durée de chantier et des contraintes de calendrier propres — une école ne se rénove pas pendant l'année scolaire.Ajoutez la contrainte budgétaire annuelle, qui interdit de tout faire en même temps, et une trajectoire réglementaire à respecter d'ici 2030. Le nombre de séquences possibles se compte en millions.Aucune direction des bâtiments ne peut explorer cet espace manuellement. Elle fait donc ce que tout le monde fait : elle traite les urgences, les bâtiments les plus visibles, ceux pour lesquels un audit existe. Le résultat est un plan pluriannuel raisonnable, mais rien ne dit qu'il soit efficient.
Premier mécanisme : explorer les scénarios sous contrainte
Le premier moteur développé par Eridanis pour le projet RECITAL, mené avec la ville de Noisy-le-Grand, répond exactement à cela. Il compare des centaines, voire des milliers de simulations de travaux et de combinaisons de travaux, pour identifier la trajectoire qui atteint l'objectif au coût le plus faible.C'est un problème d'optimisation sous contrainte, pas de prédiction. L'algorithme n'invente pas le comportement thermique des bâtiments : celui-ci est modélisé par ailleurs, à Noisy-le-Grand par les travaux de l'institut Efficacity. Ce que l'IA apporte, c'est la capacité de parcourir l'espace des solutions et d'en éliminer l'écrasante majorité, pour ne présenter que les quelques scénarios défendables.La sortie n'est pas un tableau de bord. C'est une feuille de route : quel chantier, quelle année, pour quel gain et quel coût.
Second mécanisme : regrouper les bâtiments qui se ressemblent
Le second moteur répond à un autre verrou, plus prosaïque : le coût des audits.Auditer finement deux cents bâtiments est hors de portée budgétaire pour la plupart des collectivités. On audite donc un échantillon, et le reste du parc attend — y compris, parfois, les bâtiments où se trouvent les gisements les plus importants.Un algorithme de clustering contourne l'obstacle en regroupant les bâtiments par similarité de fonctionnement énergétique. Une fois ces familles constituées, un modèle de réduction déjà éprouvé sur un bâtiment de référence peut être appliqué aux autres membres du groupe, sans attendre un diagnostic complet sur chacun.L'estimation ne remplace pas l'audit : elle le hiérarchise. La collectivité travaille sur une vue complète de son parc et concentre l'ingénierie approfondie là où les enjeux le justifient.
Pourquoi cette approche est frugale par construction
Le projet RECITAL a été retenu dans le cadre du DIAT, un appel à projets France 2030 qui évalue les candidats autant sur la sobriété de leurs moyens que sur les résultats visés : consommation énergétique des traitements, volume de données mobilisées, choix des algorithmes.Cette contrainte n'a pas été subie, elle a orienté la conception. Un modèle qui regroupe des bâtiments par similarité pour transposer une solution connue mobilise infiniment moins de données et de calcul qu'une instrumentation exhaustive suivie d'un apprentissage sur chaque bâtiment. La frugalité, ici, n'est pas un supplément d'âme : elle produit une méthode moins coûteuse pour la collectivité.
Interrogé par Smart City Mag en septembre 2023 sur le rôle des deux moteurs d'IA développés pour RECITAL, Alexis Semmama, directeur général d'Eridanis, décrivait la fonction du premier comme la recherche du « meilleur chemin afin d'atteindre cet objectif en dépensant le moins possible », le second regroupant les immeubles par similarité de fonctionnement énergétique afin d'y appliquer des modèles de réduction déjà validés. Il soulignait que l'ambition dépassait le service rendu à Noisy-le-Grand : construire une offre réplicable pour d'autres collectivités.
Ce que l'IA ne fait pas
Trois limites méritent d'être posées clairement, parce qu'elles décident de la réussite d'un projet bien plus sûrement que la qualité des algorithmes.
Elle ne remplace pas les travaux. Un projet fondé uniquement sur l'IA, sans investissement de rénovation, serait irréaliste. L'IA est un levier d'arbitrage et d'exploitation ; le gain structurel vient du bâti.
Elle ne crée pas la donnée manquante. Les modèles ont besoin de consommations par bâtiment, d'un inventaire du patrimoine à jour et d'un historique exploitable. Une collectivité qui ne dispose que de factures agrégées par fournisseur devra d'abord reconstituer cette granularité.
Elle ne prend pas la décision. L'outil produit un ordre de priorité. Cet ordre doit être porté politiquement, y compris — et surtout — lorsqu'il diffère de l'ordre attendu localement.
L'enjeu réel : la réplicabilité
Une méthode validée sur un parc de deux cents bâtiments n'a d'intérêt collectif que si elle descend dans la strate communale, là où l'ingénierie interne fait défaut. C'est l'objectif assigné au dispositif DIAT, et c'est la façon dont les briques développées par Eridanis sont conçues : chaque nouveau territoire enrichit les modèles et affine la précision des simulations.Le vrai test ne sera pas la performance obtenue à Noisy-le-Grand. Ce sera le coût de la deuxième mise en œuvre.
Noisy-le-Grand : 200 bâtiments publics, deux moteurs d'IA
La ville s'est fixé une trajectoire de réduction de la consommation énergétique de son patrimoine bâti alignée sur le décret tertiaire, puis au-delà. Eridanis y porte le volet intelligence artificielle au sein d'un consortium réunissant Efficacity et deux filiales du groupe EDF, Datanumia et Citégestion. « Les élus d'alors avaient entendu parler de l'IoT et ils nous ont incité à expérimenter rapidement pour que les données aident à la prise de décision et engendrent des économies dans les coûts de fonctionnement », se rappelle Cyril Sauget, directeur technique du syndicat.
