On parle beaucoup d’intelligence artificielle comme si tout se jouait dans les modèles conversationnels, les images générées ou les assistants personnels. Mais dans le monde réel, l’IA doit souvent commencer ailleurs : dans des bâtiments anciens, des systèmes mécaniques complexes, des protocoles oubliés et des capteurs qui ne disent pas toujours la vérité.
C’est l’un des messages les plus intéressants entendus lors de l’ouverture du laboratoire d’IA de BrainBox AI et Trane Technologies à Montréal. Pour Jean-Simon Venne, fondateur de BrainBox AI, le défi n’est pas seulement de créer un bon modèle. Le défi est de faire fonctionner l’IA dans des environnements imparfaits.
Et les bâtiments sont probablement l’un des meilleurs exemples de cette réalité.
Les bâtiments ne parlent pas tous la même langue
Sur papier, l’idée semble simple. Un bâtiment possède déjà des systèmes de contrôle. Il génère des données. Il suffit de lire ces données, d’entraîner un modèle, de prédire les besoins énergétiques, puis d’envoyer les bonnes commandes aux équipements.
En théorie, tout paraît fluide.
En pratique, c’est une autre histoire.
Jean-Simon Venne a expliqué que les bâtiments utilisent une grande variété de protocoles de contrôle, accumulés sur plusieurs décennies. Certains systèmes ont été installés par des entreprises qui n’existent même plus. D’autres fonctionnent encore avec des technologies héritées, difficiles à interpréter ou à connecter.
Avant même de parler d’intelligence artificielle, il faut donc régler une question très concrète : comment lire les données?
Ce détail est fondamental. L’IA appliquée au monde physique ne fonctionne pas dans un laboratoire propre, avec des données parfaites. Elle doit se brancher à des systèmes existants, souvent fragmentés, parfois incohérents, et rarement conçus pour l’autonomie algorithmique.
Le problème caché : les mauvaises données
Même lorsqu’on réussit à connecter un bâtiment, un autre problème apparaît : les données peuvent être mauvaises.
Jean-Simon Venne a donné un exemple simple. Un capteur peut indiquer une température de 600 degrés Fahrenheit. Évidemment, il ne fait pas réellement 600 degrés dans la pièce. Le capteur est probablement mal configuré ou défectueux. Mais si cette donnée est envoyée directement à un modèle d’IA, le modèle peut apprendre ou réagir à partir d’une information absurde.
C’est le vieux principe informatique : mauvaises données en entrée, mauvais résultats en sortie.
Dans le cas d’un chatbot, une erreur peut produire une réponse étrange. Dans le cas d’un bâtiment, elle peut affecter le confort, l’efficacité énergétique ou le fonctionnement d’un système mécanique.
C’est pourquoi l’IA industrielle exige une couche de validation beaucoup plus robuste. Il ne suffit pas de prédire. Il faut comprendre, filtrer, corriger, tester et sécuriser.
L’autonomie ne peut pas être aveugle
Le mot qui revient souvent dans cette nouvelle génération d’IA est “agentique”. Dans ce contexte, cela signifie que les systèmes ne se contentent plus de recommander une action. Ils peuvent agir, s’adapter, s’installer, se coordonner avec d’autres agents et prendre des décisions dans une boucle de contrôle.
Pour BrainBox AI et Trane Technologies, cette évolution est essentielle si l’objectif est de passer de quelques dizaines de milliers de bâtiments connectés à des centaines de milliers, puis à des millions. On ne peut pas déployer cette technologie à grande échelle si chaque bâtiment demande une intervention manuelle lourde.
Mais cette autonomie pose une question centrale : comment s’assurer que les agents font toujours la bonne chose?
Lors de la conférence, les intervenants ont insisté sur la nécessité de créer des couches de confiance, de robustesse et d’évaluation. Un système autonome doit pouvoir être testé dans des conditions normales, mais aussi dans des cas limites. Il doit savoir quoi faire lorsque les données sont incomplètes, lorsqu’un équipement réagit mal ou lorsqu’un contexte inattendu apparaît.
L’IA responsable, ici, n’est pas un slogan. C’est une exigence opérationnelle.
La sécurité devient une condition de confiance
Cette question devient encore plus sensible lorsque les bâtiments commencent à agir de manière autonome. Un bâtiment intelligent peut contrôler des systèmes mécaniques, gérer des charges énergétiques, optimiser la ventilation ou interagir avec le réseau.
Cela soulève immédiatement une question de sécurité.
Lors de l’entrevue médias, Jean-Simon Venne a expliqué que les bâtiments sont traités comme des environnements séparés, afin d’éviter une contamination d’un bâtiment à l’autre. Il a aussi parlé de chiffrement, d’audits et d’un niveau de sécurité comparable à celui que l’on attend dans des environnements critiques.
Ce point est essentiel. Si les bâtiments deviennent plus autonomes, ils deviennent aussi plus sensibles. Leur cybersécurité ne peut pas être une couche ajoutée à la fin. Elle doit faire partie de l’architecture.
L’enjeu n’est pas seulement de protéger des données. Il est aussi de protéger des systèmes physiques.
Montréal veut passer de la recherche à l’impact
Cette discussion prend une dimension particulière à Montréal. La ville est déjà reconnue comme un pôle de recherche en intelligence artificielle. Mais l’enjeu des prochaines années sera moins de produire seulement de nouvelles avancées théoriques que de les appliquer à des problèmes réels.
Lors de l’événement, Alexandre Teodoresco, membre du comité exécutif de la Ville de Montréal responsable de l’innovation et de la performance municipale, a insisté sur cette idée : Montréal doit reconnecter son écosystème entrepreneurial, scientifique et municipal pour transformer l’innovation en impact concret.
C’est là que le cas BrainBox AI devient intéressant. L’entreprise est née dans l’écosystème montréalais et a travaillé avec des institutions de recherche locales. Son intégration à Trane Technologies lui donne maintenant accès à une portée mondiale.
Cette trajectoire illustre une question centrale pour Montréal : comment passer du statut de capitale de la recherche en IA à celui de ville d’application de l’IA?
Les bâtiments pourraient être l’un des premiers terrains de réponse.
L’IA physique sera plus difficile que l’IA virtuelle
L’un des pièges actuels est de croire que l’IA va se déployer partout aussi facilement qu’un logiciel en ligne. Or, les bâtiments rappellent une réalité plus rugueuse.
Le monde physique résiste.
Les équipements vieillissent. Les capteurs se trompent. Les protocoles varient. Les systèmes mécaniques ont des contraintes. Les erreurs peuvent avoir des conséquences matérielles.
C’est précisément pour cela que l’IA appliquée aux bâtiments est intéressante. Elle oblige l’industrie à affronter les vraies questions de l’IA responsable : fiabilité, sécurité, transparence, autonomie, contrôle humain, efficacité énergétique et robustesse.
Autrement dit, l’avenir de l’IA ne se jouera pas seulement dans les interfaces conversationnelles.
Il se jouera aussi dans les plafonds mécaniques, les salles de contrôle, les thermopompes, les systèmes de ventilation, les batteries, les capteurs et les vieux protocoles qui font tourner nos villes.
Le futur de l’IA aura peut-être moins l’air d’un robot que d’un bâtiment qui respire mieux.
