IA, estimation et due diligence immobilière : promesses et garde-fous

L’évaluation immobilière a été l’un des premiers métiers à adopter la statistique à grande échelle, bien avant que l’on parle d’intelligence artificielle. Aujourd’hui, les modèles d’estimation automatique et les outils capables de lire des centaines de pages de documents promettent d’accélérer encore les analyses. Ils sont utiles, à condition de savoir précisément où s’arrête leur fiabilité.

Les modèles hédonistes, une tradition suisse

En Suisse, l’estimation automatique repose surtout sur la méthode hédoniste. Le principe : décomposer un bien en caractéristiques (surface, volume, année de construction, état, standing, situation, bruit, accès aux transports…) et estimer statistiquement, à partir de ventes récentes, la contribution de chacune au prix. Un nouveau bien est ensuite évalué en additionnant la valeur de ses attributs.

Plusieurs acteurs du marché suisse proposent ce type de modèle. IAZI, cofondé à Zurich en 1994, a contribué à introduire la méthode dans le pays ; banques, assureurs et caisses de pension s’en servent pour apprécier des biens avant l’octroi d’un crédit hypothécaire. Wüest Partner a développé en 1999, avec UBS, le modèle qu’utilise cette banque. Fahrländer Partner (FPRE) propose aussi des évaluations hédonistes pour le résidentiel et le commercial. Plus récemment, des sociétés comme PriceHubble, fondée à Zurich en 2016, ont misé sur l’apprentissage automatique et l’enrichissement des données de localisation.

Selon la description qu’en donne UBS, son modèle s’appuie sur plus de 20’000 transactions par an conclues aux conditions du marché, soit environ la moitié des ventes suisses selon la banque, et sur quelque 70 critères. La banque précise elle-même que l’écart avec la valeur de marché réelle peut atteindre 20 %.

Là où les modèles décrochent

Les limites des modèles hédonistes sont connues, et les fournisseurs les reconnaissent :

• Les biens atypiques. Une villa de prestige, un objet classé, une maison sur une très grande parcelle ou un immeuble à l’affectation particulière ont peu de comparables. Le modèle extrapole, et l’erreur grandit.
• Les données rares ou anciennes. Dans un marché local étroit ou peu liquide, les transactions récentes manquent ; un modèle nourri de données datées décrit le marché d’hier.
• Les caractéristiques invisibles. Une servitude gênante, une vue exceptionnelle, un état de vétusté réel ou un potentiel de densification n’apparaissent pas toujours dans les variables.
• Le résidentiel standard avant tout. Ces modèles sont conçus pour les appartements en PPE et les maisons individuelles. Pour un immeuble de rendement, la valeur dépend surtout des loyers, des baux et des charges, ce qui relève d’une approche par capitalisation ou flux actualisés.

Prenons, à titre d’exemple, un appartement estimé à CHF 1’200’000 par un modèle : une marge d’incertitude de 10 % représente déjà CHF 120’000, de quoi changer le montage d’un financement.

L’IA générative et la due diligence documentaire

L’autre front concerne la lecture des documents. Une acquisition implique des extraits du registre foncier, des baux, des règlements de PPE, des rapports techniques, des autorisations de construire. Les modèles de langage savent aujourd’hui résumer ces pièces, extraire des échéances de baux, des clauses d’indexation ou des servitudes, et signaler des incohérences entre documents.

Le registre foncier illustre bien l’enjeu. En vertu de l’art. 970 CC, chacun peut obtenir sans justifier d’un intérêt la désignation d’un immeuble, le nom du propriétaire, le type de propriété, la date d’acquisition, ainsi que les servitudes et charges foncières ; le reste exige un intérêt légitime. Nul ne peut se prévaloir de l’ignorance d’une inscription. Une erreur de lecture sur une servitude n’est donc pas un détail : c’est un risque juridique que l’acheteur assume.

Hallucinations et confidentialité : les deux risques majeurs

Les modèles de langage peuvent produire des réponses plausibles mais fausses. En juin 2023, un tribunal fédéral de New York a sanctionné de USD 5’000 des avocats qui avaient déposé des écritures citant des jurisprudences inventées par ChatGPT (affaire Mata c. Avianca). Même les outils spécialisés ne sont pas à l’abri : une étude du RegLab de Stanford publiée en 2024 a mesuré que des outils juridiques du marché produisaient des erreurs de ce type dans environ 17 % à 33 % des requêtes testées, moins que les modèles généralistes mais bien plus que ce qu’annonçaient leurs éditeurs.

Le second risque est la confidentialité. Un dossier d’acquisition contient des données personnelles (locataires, vendeurs) et des informations commerciales sensibles. Avant de les confier à un service en ligne, il faut savoir où les données sont traitées, si elles servent à entraîner le modèle, et si leur transfert respecte la loi sur la protection des données.

Le jugement humain comme pièce maîtresse

La profession commence à formaliser ces garde-fous. La RICS, organisation professionnelle internationale des experts immobiliers, a fait entrer en vigueur le 9 mars 2026 une norme sur l’usage responsable de l’IA. Elle rappelle que l’expert reste responsable de son avis, quels que soient les outils employés, et impose notamment des politiques internes, une diligence sur le choix des outils et un registre des risques.

Notre lecture : l’IA est un excellent outil de premier tri. Elle permet de passer plus de temps sur ce qui compte, les points qu’elle signale et ceux qu’elle ne peut pas voir. Mais une estimation automatique n’est pas une expertise, et un résumé de bail n’est pas une lecture de bail.

À retenir

Les modèles hédonistes sont éprouvés en Suisse pour le logement standard, avec une marge d’erreur que leurs propres fournisseurs chiffrent jusqu’à 20 %. Ils perdent en fiabilité pour les biens atypiques, les marchés peu liquides et les immeubles de rendement. L’IA générative accélère la due diligence documentaire, mais ses hallucinations et les questions de confidentialité imposent une vérification systématique des sources. La responsabilité finale de l’évaluation reste humaine, ce que les normes professionnelles commencent à écrire noir sur blanc.