Pourquoi l’IA immobilière a besoin de données terrain pour devenir réellement intelligente

L’intelligence artificielle appliquée à l’immobilier progresse rapidement. Des modèles peuvent déjà analyser des milliers de transactions, comparer des biens, qualifier des leads, résumer des échanges ou aider un professionnel à prioriser son activité.

Mais il existe une différence importante entre analyser le marché immobilier et comprendre ce qui s’y passe réellement.

Une base de données peut montrer qu’un appartement a été vendu 420 000 €. Elle ne raconte pas nécessairement que le vendeur avait initialement demandé 470 000 €, que trois acquéreurs ont refusé le bien à cause des travaux, que le prix a été repositionné après six semaines et qu’une quatrième visite a finalement abouti à une offre.

Pourtant, commercialement, cette deuxième partie de l’histoire est extrêmement intéressante.

C’est là que se situe probablement l’un des grands enjeux de l’IA immobilière : passer d’une intelligence alimentée principalement par des données historiques à des systèmes capables d’intégrer ce que les professionnels apprennent chaque jour sur le terrain.

L’immobilier produit déjà énormément de données

La France dispose d’un patrimoine de données immobilières particulièrement riche.

La base publique Demandes de valeurs foncières (DVF) permet par exemple d’accéder aux transactions réalisées au cours des cinq dernières années sur la majeure partie du territoire. Elle contient notamment la date de mutation, la valeur foncière, la localisation et différentes caractéristiques du bien.

À cela peuvent s’ajouter les annonces immobilières, données cadastrales, DPE, caractéristiques géographiques, informations de marché et données internes des professionnels.

Pour un système informatique, cette matière est extrêmement précieuse.

Elle permet notamment d’observer :

• où les transactions ont lieu ;
• quels types de logements sont vendus ;
• comment les prix évoluent ;
• quelles zones sont plus ou moins actives ;
• comment certaines caractéristiques sont associées aux transactions observées.

Mais toutes ces données ont un point commun : elles décrivent principalement ce qui existe ou ce qui s’est déjà produit.

Elles racontent beaucoup moins bien comment une transaction s’est construite.

Une transaction à 400 000 € peut cacher des histoires très différentes

Prenons trois appartements finalement vendus 400 000 €.

Dans une base transactionnelle, le résultat peut sembler similaire.

Commercialement, les trois histoires pourraient pourtant être complètement différentes.

Ces exemples sont volontairement illustratifs.

Ils montrent cependant une limite fondamentale : le résultat final ne contient pas nécessairement le chemin qui a conduit à ce résultat.

Or c’est précisément ce chemin qui intéresse le professionnel.

Pourquoi certains acquéreurs ont-ils abandonné ?

Quelle objection revenait ?

À quel moment le vendeur a-t-il accepté de repositionner son prix ?

Quelle relance a déclenché un rendez-vous ?

Quels signaux annonçaient qu’un prospect devenait réellement intéressant ?

Une grande partie de cette information existe déjà.

Elle est simplement dispersée.

Le CRM contient une partie de l’histoire

Dans une agence, beaucoup d’informations commerciales passent par le CRM.

Contacts, demandes, estimations, rendez-vous, relances, mandats, acquéreurs, historique des interactions...

Mais le CRM n’est qu’une partie de l’environnement.

Une information peut également se trouver dans un email, un agenda, une conversation, un compte rendu de visite ou dans la mémoire du négociateur.

Le problème devient alors moins :

« Avons-nous suffisamment de données ? »

que :

« Sommes-nous capables de relier les données que nous possédons déjà ? »

C’est précisément l’un des sujets qui accompagne l’arrivée des systèmes agentiques. McKinsey souligne dans ses travaux sur l’IA agentique dans l’immobilier que la création de valeur ne vient pas simplement de l’ajout de cas d’usage isolés, mais de la transformation de workflows complets et de la capacité des systèmes à intervenir à travers plusieurs étapes d’un processus.

Autrement dit : une IA qui possède une excellente information mais ne comprend pas ce qui se passe ensuite reste limitée.

Le retour terrain est la donnée que l’on oublie souvent

Imaginons qu’un système identifie dix opportunités commerciales à prospecter.

L’agent immobilier les travaille.

Sur les dix :

• quatre personnes ne répondent pas ;
• trois n’ont aucun projet ;
• une envisage de vendre dans douze mois ;
• une accepte une estimation ;
• une signe finalement un mandat.

Si le système s’arrête au moment où il transmet les dix opportunités, il ne sait jamais lesquelles étaient réellement pertinentes.

Il reproduira potentiellement les mêmes choix.

En revanche, si les résultats commerciaux reviennent progressivement dans le système, quelque chose devient possible :

comparer ce que le système pensait intéressant avec ce qui s’est réellement passé.

C’est le début d’une boucle d’apprentissage.

La boucle devient alors :

Données → Analyse → Priorisation → Action → Résultat terrain → Nouvelle information

Puis :

Nouvelle information → nouvelle analyse → meilleure prochaine décision

C’est beaucoup plus intéressant qu’un modèle qui produit simplement un score.

Un score sans résultat terrain reste incomplet

Nous en parlions dans notre article consacré aux scores de propension à vendre.

Un score ne doit jamais être interprété comme :

« Ce propriétaire va vendre. »

Il s’agit d’un mécanisme de priorisation.

Mais pour savoir si cette priorisation apporte réellement de la valeur, encore faut-il observer ce qu’il se passe ensuite.

Pris séparément, ces cinq résultats ne permettent évidemment aucune conclusion statistique.

Mais répétez l’exercice sur des centaines ou des milliers d’opportunités et vous obtenez une matière beaucoup plus intéressante.

Le système peut commencer à être évalué sur une question très simple :

les opportunités que nous priorisons produisent-elles réellement davantage de résultats utiles que celles que nous priorisons moins ?

C’est cette confrontation au réel qui compte.

C’est aussi ce qui différencie une base de données d’un système intelligent

Une base immobilière répond très bien à certaines questions :

Que s’est-il vendu ? À quel prix ? Où ? Quand ?

Un système plus avancé cherche progressivement à répondre à d’autres questions :

Que mérite mon attention maintenant ? Pourquoi ? Quelle action devrait suivre ? Et cette action a-t-elle fonctionné ?

C’est cette dernière couche qui peut devenir particulièrement importante.

Parce qu’un système qui agit mais ne récupère jamais le résultat de ses actions ne sait pas réellement s’il aide.

Toutes les données terrain ne doivent évidemment pas être utilisées n’importe comment

Construire cette boucle pose immédiatement une question de gouvernance.

Les informations issues d’un CRM, d’un email ou d’un échange commercial peuvent contenir des données personnelles. Leur collecte, leur utilisation et leur conservation doivent respecter le cadre applicable, notamment le RGPD.

La CNIL rappelle notamment que les traitements de données personnelles doivent avoir une finalité déterminée, reposer sur une base légale et respecter les principes de minimisation et de durée de conservation.

L’objectif n’est donc pas de transformer chaque conversation en donnée exploitable sans contrôle.

Au contraire, plus les systèmes deviennent capables d’utiliser le contexte commercial, plus les questions de permissions, de traçabilité et de gouvernance deviennent importantes.

C’est également vrai pour les agents IA.

OpenAI souligne dans son guide consacré aux agents que les actions sensibles doivent être entourées de garde-fous et que l’intervention humaine reste particulièrement importante pour les actions à risque élevé.

Le meilleur modèle n’est donc pas forcément celui qui possède le plus de données

C’est une distinction importante.

Deux entreprises peuvent avoir accès aux mêmes transactions DVF.

Elles peuvent utiliser des modèles comparables.

Elles peuvent même analyser les mêmes territoires.

Pourtant, leurs systèmes peuvent progressivement devenir très différents si l’un d’eux apprend constamment des résultats produits sur le terrain.

Parce que la valeur ne vient plus uniquement de la donnée initiale.

Elle vient aussi de la boucle :

ce que nous pensions → ce que nous avons fait → ce qui s’est réellement passé.

C’est un principe déjà central dans de nombreux systèmes d’apprentissage et qui devient particulièrement intéressant dans un métier aussi opérationnel que l’immobilier.

Un agent immobilier produit de la donnée sans forcément le savoir

Chaque journée de travail génère des signaux.

Un propriétaire accepte une estimation.

Un autre refuse.

Un acquéreur visite trois fois le même secteur.

Une objection revient sur plusieurs visites.

Une relance déclenche une réponse.

Un lead considéré comme froid devient actif.

Un mandat est finalement signé.

Aujourd’hui, une partie de ces informations disparaît ou reste difficilement exploitable.

Demain, elles peuvent contribuer à construire une compréhension beaucoup plus précise de l’activité commerciale.

Le rôle du professionnel change alors légèrement.

Il ne devient pas simplement utilisateur d’une IA.

Il contribue, par son activité, à enrichir le système qui l’assiste.

C’est la logique que nous cherchons à construire chez Domaris

Notre vision n’est pas simplement de connecter un modèle d’IA à des données immobilières.

L’objectif est de connecter progressivement données, intelligence et actions commerciales.

Radar peut aider à identifier et prioriser certaines opportunités. Les agents IA peuvent ensuite intervenir sur certaines étapes opérationnelles. Les outils utilisés par le professionnel permettent enfin de récupérer les résultats produits sur le terrain.

La boucle recherchée devient donc :

Observer → comprendre → prioriser → agir → apprendre.

Ce dernier mot est probablement le plus important.

Parce que l’IA immobilière deviendra réellement intéressante lorsqu’elle ne se contentera plus de connaître le marché.

Elle devra aussi comprendre ce que le marché lui répond.

---

Un agent IA peut-il réellement prospecter à la place d’un agent immobilier ?

Depuis le 11 août 2026, la prospection immobilière a changé de cadre.

Le démarchage téléphonique commercial auprès des consommateurs est désormais interdit par principe en France lorsqu’ils n’ont pas donné leur consentement préalable, sous réserve notamment de l’exception liée à l’exécution d’un contrat en cours.

Dans le même temps, les agents IA deviennent capables d’effectuer des tâches de plus en plus complexes.

Analyser des données. Rechercher du contexte. Qualifier une demande. Préparer une relance. Mettre à jour un CRM. Déterminer une prochaine action.

Une question commence donc naturellement à apparaître :

un agent IA pourrait-il prospecter à la place d’un agent immobilier ?

La réponse courte est non.

Mais la réponse intéressante est beaucoup plus nuancée.

Parce qu’une grande partie du travail nécessaire autour de la prospection peut progressivement être prise en charge par des systèmes agentiques.

Commençons par définir ce qu’est réellement un agent IA

Un chatbot répond.

Une automatisation exécute un scénario prédéfini.

Un agent IA peut aller plus loin : il reçoit un objectif, analyse une situation, utilise différents outils et détermine certaines étapes nécessaires pour avancer vers cet objectif.

OpenAI définit les agents comme des systèmes capables d’accomplir de manière indépendante des tâches au nom d’un utilisateur, avec un modèle qui gère l’exécution du workflow et utilise des outils pour agir.

Anthropic distingue de son côté les workflows, dans lesquels les modèles suivent des chemins prédéfinis, des agents dans lesquels le modèle dirige dynamiquement son processus et son utilisation des outils.

Appliqué à l’immobilier, cela change beaucoup de choses.

Parce que prospecter n’est pas une tâche.

C’est une succession de tâches.

Décomposons réellement la prospection immobilière

Avant même qu’un agent parle à un propriétaire, beaucoup de travail peut avoir lieu.

Il faut déterminer où prospecter, identifier les opportunités, rechercher leur contexte, choisir une priorité, préparer l’approche, enregistrer les informations, organiser les relances et suivre les résultats.

Ensuite seulement intervient la relation commerciale.

C’est là que le débat « IA ou humain » devient beaucoup moins intéressant.

Le vrai sujet est :

quelle partie de la chaîne doit encore mobiliser le temps du professionnel ?

Imaginons la journée d’un agent immobilier

Il est 8h30.

Aujourd’hui, le professionnel peut ouvrir son CRM et découvrir une longue liste de contacts, de rappels et de tâches.

Il doit décider lui-même par quoi commencer.

Demain, un fonctionnement différent devient possible.

Son agent IA analyse les informations auxquelles il est autorisé à accéder et lui présente une synthèse :

12 opportunités méritent particulièrement votre attention aujourd’hui.

Pour chacune, il peut expliquer pourquoi.

Il peut également signaler :

• trois relances importantes ;
• deux propriétaires à rappeler ;
• un acquéreur dont les critères correspondent à un nouveau bien ;
• une estimation réalisée plusieurs mois auparavant qui mérite un suivi ;
• certaines informations manquantes dans le CRM.

L’agent immobilier n’a pas encore passé un seul appel.

Pourtant, une partie importante du travail de prospection a déjà été effectuée.

Le « next best action » devient plus intéressant que la génération de texte

Pendant longtemps, une grande partie des démonstrations d’IA commerciale consistait à montrer qu’un modèle pouvait écrire un email.

C’est utile.

Mais ce n’est probablement pas là que se trouve la transformation la plus importante.

La question beaucoup plus intéressante est :

quel email faut-il envoyer, à qui, pourquoi et à quel moment ?

Ou même :

faut-il envoyer un email ?

Peut-être que la meilleure action consiste à appeler un client existant.

À préparer une estimation.

À demander une information.

À relancer un acquéreur.

À ne rien faire aujourd’hui.

L’agent IA devient alors moins un générateur de contenu qu’un système d’aide à l’exécution commerciale.

C’est ce qu’on peut appeler une logique de next best action : déterminer, à partir du contexte disponible, quelle prochaine action semble la plus pertinente.

Prospecter plus n’est pas nécessairement le bon objectif

Ce point est encore plus important depuis l’évolution de la réglementation française.

Depuis le 11 août 2026, l’article L223-1 du Code de la consommation prévoit que la prospection commerciale téléphonique d’un consommateur est interdite lorsqu’il n’a pas donné préalablement son consentement, avec des exceptions encadrées. Le professionnel doit être en mesure d’apporter la preuve du consentement lorsqu’il s’en prévaut.

Le modèle historique consistant simplement à augmenter le nombre d’appels devient donc encore moins pertinent.

L’enjeu se déplace vers :

mieux identifier → mieux prioriser → choisir le bon canal → intervenir au bon moment.

Une IA ne doit évidemment pas être utilisée pour contourner les règles de prospection.

Elle peut en revanche aider le professionnel à mieux organiser les opportunités et les interactions qui sont légitimement exploitables.

Un agent IA peut préparer une conversation. Il ne vit pas la conversation comme un agent immobilier.

Prenons maintenant le rendez-vous vendeur.

Le professionnel rencontre une personne qui estime son appartement à 520 000 €.

Son analyse indique plutôt 460 000 €.

Le vendeur explique qu’il n’est pas pressé. Puis mentionne qu’il doit peut-être déménager. Il hésite finalement parce que ses enfants ne veulent pas vendre. Il parle d’un voisin ayant obtenu un prix élevé trois ans auparavant.

Techniquement, une IA peut aider.

Elle peut retrouver les transactions comparables, préparer l’argumentation, synthétiser les informations disponibles et rappeler certains éléments après le rendez-vous.

Mais le professionnel doit comprendre autre chose :

qu’est-ce qui bloque réellement cette personne ?

Le prix ?

Le calendrier ?

La peur de vendre ?

Une contrainte familiale ?

Un manque de confiance ?

C’est là que la relation humaine conserve une place considérable.

La prospection de demain pourrait donc fonctionner à deux niveaux

Le premier niveau est celui de la machine.

Elle traite les volumes.

Analyse les informations.

Priorise.

Recherche.

Structure.

Prépare.

Suit.

Le second est celui du professionnel.

Il comprend.

Interprète.

Convainc.

Négocie.

Rassure.

Crée une relation.

Cette répartition n’est évidemment pas figée.

Les capacités technologiques continueront d’évoluer.

Mais elle donne une idée beaucoup plus réaliste de la transformation en cours que l’idée d’un « agent immobilier virtuel » remplaçant entièrement le professionnel.

L’objectif n’est donc pas de supprimer la prospection humaine

Il est de supprimer une partie du travail qui empêche l’humain de prospecter correctement.

Chercher les informations.

Décider qui rappeler.

Relire dix notes CRM.

Préparer un résumé.

Reconstituer l’historique d’un contact.

Mettre à jour plusieurs champs après une conversation.

Programmer la prochaine relance.

Toutes ces petites opérations semblent insignifiantes prises individuellement.

Additionnées sur une semaine, elles peuvent représenter une quantité importante de travail.

C’est précisément le type de tâches répétables que les systèmes agentiques peuvent progressivement prendre en charge, tandis que les décisions nécessitant jugement et relation restent davantage entre les mains du professionnel.

McKinsey décrit cette distinction comme celle entre les « steps », étapes répétables d’un processus, et les « thoughts », activités davantage liées au jugement et à l’expertise humaine.

Et si l’agent IA apprenait ensuite du résultat ?

C’est ici que cet article rejoint directement le précédent.

Imaginons que l’agent IA recommande dix actions.

Certaines produisent une réponse.

D’autres un rendez-vous.

D’autres rien.

Une débouche sur une estimation.

Une autre sur un mandat.

Si ces résultats sont correctement réintégrés dans le système, l’agent peut progressivement être évalué non pas sur le nombre d’actions qu’il propose, mais sur la qualité des résultats auxquels ces actions contribuent.

La boucle devient :

Identifier → prioriser → agir → mesurer → apprendre.

C’est probablement là que l’agent IA devient réellement intéressant.

C’est aussi la vision derrière Domaris

Nous ne pensons pas que l’avenir de la prospection immobilière consiste à remplacer les agents immobiliers par des robots qui appellent des propriétaires toute la journée.

D’une part, cela passerait à côté de la valeur réelle du professionnel.

D’autre part, le cadre réglementaire français rend désormais la prospection téléphonique non consentie beaucoup plus restrictive.

Notre vision est différente.

Radar intervient sur la compréhension et la priorisation des opportunités.

Les agents IA peuvent intervenir sur certaines étapes : recherche, qualification, préparation, suivi, mise à jour et prochaines actions.

Le professionnel conserve les moments où sa valeur est la plus forte : comprendre la situation, créer la confiance, conseiller, négocier et obtenir le mandat.

L’agent IA ne remplace donc pas nécessairement la prospection.

Il peut remplacer une partie considérable du travail nécessaire avant, entre et après chaque action de prospection.

Et c’est peut-être beaucoup plus important.

Parce que demain, l’avantage d’un agent immobilier ne viendra probablement pas de sa capacité à effectuer davantage de tâches administratives que ses concurrents.

Il viendra de sa capacité à consacrer davantage de temps aux conversations qui méritent réellement son attention.