Heimstaden a réduit de plus de 99 % le coût du home staging virtuel de ses appartements

La société de gestion immobilière Heimstaden présente un exemple rare et utile de déploiement de l’IA en entreprise : il ne s’agit pas de « donner un chatbot à tout le monde », mais d’analyser des processus précis, avec un coût avant-après clairement établi. L’entreprise utilise ChatGPT et Codex pour préparer des annonces, estimer les loyers, vérifier les données et analyser les risques climatiques.

L’indicateur le plus parlant vient des Pays-Bas. Auparavant, le home staging virtuel d’une photo d’appartement vide coûtait environ 50 €. Après l’adoption d’outils génératifs, le coût d’une image est tombé, selon Heimstaden, sous les 0,10 €, soit une baisse de plus de 99 %. Les économies annuelles potentielles sur ce seul marché sont estimées à 130 000 €.

Mais l’essentiel ne réside pas dans une image bon marché. L’entreprise réorganise tout le parcours d’un logement vacant : le système aide à proposer un prix, à préparer les images et la description, à vérifier que l’annonce publiée respecte les normes internes et à recueillir les retours du marché. Un employé valide toujours le résultat et demeure responsable de la décision.

Pas un chatbot, mais un processus connecté

Prenons un appartement qui vient de se libérer. Le gestionnaire doit estimer le loyer, commander des photos, rédiger l’annonce, en contrôler la qualité, puis comprendre pourquoi le bien tarde à trouver preneur. Si seule la rédaction de la description est automatisée, le gain restera limité : les autres délais ne disparaîtront pas.

Heimstaden est partie du processus dans son ensemble. Des outils fondés sur ChatGPT ont été créés pour les employés, une équipe centrale coordonne les changements et les données issues des systèmes de gestion immobilière sont progressivement préparées pour être traitées par des machines. C’est la partie peu spectaculaire du déploiement, mais c’est précisément ce qui distingue un système opérationnel d’une démonstration impressionnante.

Cette approche vaut aussi au-delà de l’immobilier. Une équipe produit devrait choisir un parcours client récurrent, en mesurer le coût et la durée, repérer les transferts manuels entre systèmes, puis seulement connecter un modèle. L’indicateur pertinent ne doit pas être le nombre de requêtes adressées à l’IA, mais la réduction du temps, des erreurs ou des dépenses par opération achevée.

Quand une spécialiste construit elle-même son outil

Le deuxième cas de Heimstaden intéressera encore davantage les développeurs. Julia Erlandsen, analyste en développement durable, devait évaluer les risques climatiques du portefeuille. Les informations initiales étaient dispersées entre différentes sources ouvertes, différents formats et différents jeux de données. Un tel projet aurait normalement nécessité une équipe d’ingénierie dédiée ou des consultants.

Avec Codex, l’analyste a construit un pipeline reproductible de recherche, de nettoyage, de standardisation et de validation des données. Au total, 20 112 biens ont été évalués et plus de six millions de lignes de données exploitables ont été produites. Selon l’estimation interne de l’entreprise, la charge de travail est passée de cinq personnes pendant un an à deux personnes pendant deux mois.

Cela ne signifie pas que le modèle a mené seul une étude fiable. La méthodologie et la validation sont restées entre les mains de la spécialiste du domaine. En pratique, le dispositif fonctionne ainsi : l’experte définit les règles et les exemples de contrôle, l’IA aide à écrire et à relier les opérations de traitement, puis une personne vérifie les échantillons, les exceptions et les calculs finaux.

Ce que cette étude de cas ne démontre pas encore

Le document a été publié par OpenAI et constitue essentiellement un témoignage client. Les chiffres doivent donc être considérés comme des données fournies par Heimstaden, et non comme les conclusions d’un audit indépendant. Les coûts des licences, de l’intégration, de la formation des employés, du contrôle qualité et de la maintenance des solutions créées ne sont pas précisés. Aucun indicateur n’est non plus communiqué sur les erreurs dans les recommandations tarifaires ou sur l’effet de l’automatisation sur les délais de location.

L’étude fournit néanmoins un cadre opérationnel. Il faut commencer non par le choix d’un modèle, mais par la cartographie du processus et la mesure de référence. Les décisions financières et celles concernant les clients doivent rester soumises à une validation humaine. Les pipelines de données doivent intégrer des contrôles automatiques, un journal retraçant la provenance des sources et des jeux de test dont le résultat est connu.

La conclusion principale est simple : un rendement significatif apparaît lorsque l’IA accède à des données préparées et s’insère entre les étapes du travail réel. À lui seul, un chat d’entreprise fait gagner quelques minutes. Un processus repensé peut faire gagner des mois, mais uniquement si l’entreprise mesure la qualité et ne confie pas au modèle une responsabilité qu’il ne peut assumer.