L’estimation précise des coûts dans les projets de construction est essentielle, car elle influence directement la prise de décision, la faisabilité des projets et leur réussite globale (Elmousalami Haytham, 2020). Cependant, ce processus est intrinsèquement complexe, en particulier durant les phases amont où les informations disponibles sont limitées (Kim, An et Kang, 2004). Les principales difficultés concernent la quantification des risques, les erreurs d’estimation, les modifications de conception, les dérives de périmètre (scope creep), ainsi que les risques de corruption ou de pratiques frauduleuses (Ahiaga-Dagbui et Smith, 2014). Bien que la précision des estimations varie selon les phases du projet en fonction du niveau d’information disponible, il est intéressant de noter que le processus d’estimation lui-même demeure relativement constant tout au long du cycle de vie du projet (AASHTO, 2013 ; Holm et Schaufelberger, 2021). Ce processus repose sur une série d’étapes rigoureuses comprenant le calcul détaillé des coûts directs liés aux matériaux, à la main-d’œuvre et aux équipements, ainsi que la prise en compte des coûts indirects, des frais généraux et des provisions pour aléas (Tayefeh Hashemi, Ebadati et Kaur, 2020).

Le BIM révolutionne l’estimation des coûts de construction en proposant une approche plus rapide, plus précise et davantage fondée sur les données que les méthodes traditionnelles basées sur des plans 2D (Wahab et Wang, 2022). Cette approche réduit la dépendance aux décisions subjectives des estimateurs et des économistes de la construction (Lee, Kim et Yu, 2014). La force du BIM réside dans sa capacité à intégrer et à consolider diverses informations de projet au sein d’une maquette numérique 3D unique (Jafary et al., 2022). Le BIM permet l’extraction automatique d’informations visuelles, quantitatives et textuelles, ainsi que l’exploitation des résultats d’analyses et de simulations. Il ne se limite pas aux données géométriques et spatiales, mais intègre également un ensemble riche de métadonnées (Biswas, Sim et Lau, 2024 ; Fazeli et al., 2021 ; Monteiro et Poças Martins, 2013). En outre, l’intégration du BIM avec des logiciels spécialisés d’estimation des coûts, tels que Navisworks, Innovaya Composer, BIMMeasure, Solibri Model Checker ou CostX, renforce encore ses capacités. Ces plateformes exploitent les représentations numériques 3D détaillées produites par le BIM afin de réaliser des analyses, simulations et quantifications avancées, tout en rationalisant l’ensemble du processus d’estimation des coûts (Babatunde et al., 2019).

Toutefois, l’estimation des coûts basée sur le BIM présente plusieurs défis majeurs. Parmi ceux-ci figurent les écarts d’estimation résultant de l’absence de méthodes de mesure normalisées, le caractère manuel et sujet aux erreurs de l’extraction des composants — notamment pour les éléments constructifs composés — ainsi que la nécessité pour les logiciels de s’adapter aux normes de mesure utilisées à l’échelle internationale (Abanda, Kamsu-Foguem et Tah, 2017 ; Khosakitchalert, Yabuki et Fukuda, 2019b). Par ailleurs, l’interopérabilité entre les différents logiciels BIM demeure limitée, ce qui complique les échanges de données et entraîne fréquemment des pertes d’information ou des erreurs d’interprétation lors des conversions de formats (Baldrich Aragó et al., 2021). Enfin, les différents niveaux de développement (LOD) des maquettes BIM ajoutent une complexité supplémentaire au processus d’estimation, en influençant le niveau de détail et la précision des données disponibles. Cela nécessite une attention particulière afin de garantir la cohérence et la fiabilité des estimations tout au long des différentes phases du projet (Khosakitchalert, Yabuki et Fukuda, 2020).

L’intégration du format IFC dans les processus BIM a considérablement amélioré l’estimation des coûts de construction en fournissant un cadre normalisé pour l’échange de données, favorisant ainsi l’interopérabilité entre les différents outils BIM et facilitant la collaboration entre architectes, ingénieurs, entreprises de construction et économistes de la construction. Les processus de métré automatisé (QTO) basés sur l’IFC améliorent l’automatisation et la fiabilité de l’identification ainsi que de la quantification des matériaux de construction (Akanbi et Zhang, 2023 ; Ma, Wei et Zhang, 2013). Néanmoins, plusieurs difficultés subsistent, notamment en raison de l’absence de définitions suffisamment détaillées pour les besoins spécifiques du QTO (Liu et al., 2022a), de l’insuffisance potentielle des informations nécessaires à l’application des règles de mesurage, ainsi que des limites intrinsèques du BIM, conçu avant tout comme une base de données orientée produit et non comme un modèle sémantique métier complet (Liu, Lu et Al-Hussein, 2016 ; Liu et al., 2022a).

Dans l’industrie de l’architecture, de l’ingénierie et de la construction (AEC), l’intelligence artificielle (IA) et ses différentes branches, notamment le machine learning (ML), le deep learning (DL) et le traitement automatique du langage naturel (NLP), se sont imposés comme des technologies de rupture capables de relever des défis complexes et d’optimiser de nombreux processus tout au long du cycle de vie des projets (Baduge et al., 2022 ; Xu et al., 2021). L’un de leurs domaines d’application les plus prometteurs concerne précisément l’estimation des coûts, où l’intégration de ces techniques avancées est susceptible de transformer profondément les approches traditionnelles. La complexité inhérente des projets de construction, associée à la multitude de variables influençant les coûts, constitue un terrain particulièrement favorable à l’application de l’IA et du ML. L’un de leurs principaux avantages réside dans leur capacité à traiter et analyser de vastes volumes de données, incluant les coûts historiques de projets, les prix des matériaux, les coûts de main-d’œuvre ainsi que de nombreux autres paramètres pertinents (Pham, Le-Hong et Tran, 2023 ; Tayefeh Hashemi, Ebadati et Kaur, 2020 ; Yi et Luo, 2023).

Malgré ce potentiel, le secteur AEC, historiquement caractérisé par un faible niveau d’innovation, adopte la transformation numérique plus lentement que d’autres secteurs industriels. La réticence à investir dans les nouvelles technologies, le manque de données pertinentes, les problématiques de cybersécurité ainsi que la pénurie de compétences spécialisées constituent autant de freins à l’adoption généralisée de ces technologies avancées dans différents processus, notamment ceux liés à l’estimation des coûts (Abioye et al., 2021 ; Zabin et al., 2022).

La convergence du BIM avec l’IA et le ML offre une voie prometteuse pour surmonter les limites associées à l’utilisation isolée de ces technologies dans le secteur AEC. Bien que les techniques d’IA et de ML puissent théoriquement être appliquées à tout jeu de données relatif au bâtiment, le BIM fournit un environnement multidimensionnel structuré, intelligent et riche en informations qui améliore considérablement leur efficacité (Jafary et al., 2025b). Les données détaillées relatives à la géométrie, aux matériaux et aux composants constituent une base solide pour la modélisation pilotée par les données (Sacks, Girolami et Brilakis, 2020).

Cependant, comme évoqué précédemment, les maquettes BIM présentent souvent des incohérences, des niveaux de détail variables, des attributs incomplets ou manquants, une sémantique métier limitée ainsi que des écarts vis-à-vis des règles de mesurage ou des systèmes de classification des coûts (Fazeli et al., 2021). En réalité, plutôt que de constituer une représentation pleinement sémantique ou ontologique de l’ouvrage, le BIM demeure fréquemment centré sur la géométrie et les objets constructifs (Liu, Lu et Al-Hussein, 2016). Dans ce contexte, les techniques d’IA et de ML sont de plus en plus mobilisées pour combler ces lacunes, notamment à travers la classification automatisée des composants BIM (Koo, Jung et Yu, 2021), l’enrichissement sémantique des modèles (Jiang et al., 2023) ou encore les processus liés au QTO (Wu, Akanbi et Zhang, 2022). Alors que le secteur de la construction poursuit sa transformation numérique, la richesse informationnelle des maquettes BIM 3D devient un atout majeur pour l’entraînement et la validation des modèles d’IA et de ML tout au long du cycle de vie des projets, depuis les phases de conception jusqu’à l’exploitation et à la maintenance (Bassir et al., 2023 ; Pan et Zhang, 2023 ; Rangasamy et Yang, 2024 ; Zabin et al., 2022), ainsi que pour les applications de localisation (Liu, Blut et Blankenbach, 2025).

Malgré l’intérêt croissant pour l’estimation des coûts basée sur le BIM et le développement rapide des applications d’IA et de ML, il n’existe actuellement aucune revue systématique analysant de manière exhaustive l’intégration de ces technologies à chacune des étapes du processus d’estimation des coûts fondé sur le BIM, depuis la décomposition des composants et la préparation du QTO jusqu’au calcul final des coûts. Les travaux de synthèse existants abordent généralement le BIM ou l’IA/ML séparément, sans proposer une analyse globale et structurée de leur intégration étape par étape.

Ainsi, à mesure que les projets de construction deviennent plus complexes et davantage pilotés par les données, cette revue de littérature vise à combler cette lacune en examinant et en synthétisant de manière systématique les recherches existantes portant sur l’application conjointe de l’IA, du ML et du BIM aux différentes phases de l’estimation des coûts de construction. Une telle synthèse constitue à la fois un support pour les chercheurs développant de nouveaux modèles et un guide pour les praticiens souhaitant améliorer l’automatisation, la précision et l’efficacité des processus d’estimation des coûts.

Cette étude apporte une contribution originale en proposant une synthèse structurée des travaux existants sur l’intégration IA/ML–BIM, organisée non pas selon les technologies utilisées mais selon les trois étapes fondamentales du processus d’estimation des coûts. Contrairement aux revues précédentes, centrées soit sur le BIM soit sur l’IA de manière isolée, elle offre une vision globale de la manière dont l’intelligence numérique peut être intégrée à l’ensemble du processus d’estimation des coûts fondé sur le BIM.