Et si votre bâtiment pouvait se souvenir ? Aujourd’hui, nos espaces de travail souffrent d’une forme d’amnésie économique et organisationnelle. Chaque jour, ils recommencent à zéro, allumant des étages vides et chauffant des bureaux fantômes, comme s’ils n’avaient retenu aucune leçon de la veille. Pourtant, la compréhension approfondie de la dynamique des utilisateurs se révèle essentielle face aux coûts immobiliers, représentant entre 10 et 20% du coût total du travail (X. Baron, 2011). Face à ce constat, la question est double : pourquoi et comment ?
Pourquoi ? Passer de l’amnésie à l’anticipation
L’idée même de lieu de travail a été redéfinie (A. Ancillo et al., 2023). Avec des taux d’occupation moyens en Europe souvent inférieurs à 50% depuis le développement massif du télétravail, l’enjeu n’est plus simplement de mesurer, mais de donner du sens à la trace pour optimiser un actif sous-exploité dans un contexte de travail hybride qui nécessite une gestion proactive (Behera et al., 2024).
- Un impératif économique et écologique : En 2024, les environnements de travail ont coûté en moyenne 11 051€ par poste (Buzzy Ratios 2025). Parallèlement, la course à la décarbonation des actifs immobiliers est lancée. Donner une « mémoire » au bâtiment – la capacité d’anticiper les présences – est devenu un levier essentiel pour réduire ces coûts et aligner la performance opérationnelle sur les objectifs de durabilité.
- Un levier organisationnel et humain : Au-delà des chiffres, il s’agit de répondre aux défis d’expérience et de bien-être. La conception de l’espace influence directement les schémas de travail hybrides et la satisfaction des employés (Kumari et al. 2024).
Comment ? Les outils pour construire cette mémoire prédictive
Pour qu’un bâtiment « se souvienne » et « réfléchisse », nous lui construisons une intelligence basée sur deux piliers :
- Les données, ses cinq sens : sources de souvenirs bruts.
L’exploitation des données générées (présence, réservations, qualité de l’air) facilite un suivi en temps réel et constitue la matière première de notre modèle (E. Ndaguba & C. Arukwe, 2024).
- Les modèles d’IA, sa capacité de raisonnement et d’apprentissage.
Utiliser des techniques d’apprentissage automatique avancé pour structurer cette mémoire. Développer et affiner des modèles prédictifs hybrides capables d’intégrer des sources de données multiples et hétérogènes pour extraire des routines complexes et calculer des probabilités d’occupation futures avec une grande précision.
Concrètement, le système apprend et déduit : « Les données historiques (mémoire) et contextuelles (calendrier, météo) sont traitées par le modèle. Il identifie que, bien qu’un pic soit habituel le mardi matin, la combinaison d’un pont et d’un événement exceptionnel va drastiquement réduire la fréquentation. Il alerte sur une baisse anticipée de la fréquentation et suggère donc une mutualisation des espaces ».
Conclusion : vers un patrimoine immobilier intelligent et attentif
Ce travail ne vise pas seulement à créer des algorithmes, mais à donner une mémoire aux murs pour une gestion prédictive et non plus réactive, répondant aux défis actuels identifiés par la recherche récente.
L’impact est triple : optimisation économique face à des coûts en hausse, contribution active à la stratégie de décarbonation, et amélioration qualitative de l’expérience collaborateur grâce à des espaces adaptatifs. A terme, ce sont des tableaux de bord prédictifs qui offriront aux gestionnaires la longueur d’avance nécessaire pour piloter l’immobilier comme un actif dynamique, efficient et profondément humain.
Nouhaila Goujili, Doctorante R&D, Kardham Digital.
Bibliographie
[1] X. Baron (2011). Repenser l’espace et le temps du travail intellectuel. L’Expansion Management Review.
[2] A. Ancillo, S. Gavrila, M. Nunez (2023). Workplace change within the COVID-19 context: The new (next) normal. Technological Forecasting & Social Change.
[3] Behera, T.K., Dave, D.M. (2024). From Reactive to Proactive: Predicting and Optimizing Performance for Competitive Advantage. In: Mishra, A., El Barachi, M., Kumar, M. (eds) Transforming Industry using Digital Twin Technology. Springer.
[4] Buzzy Ratios (2025) – Les ratios des environnements de travail, IDET.
[5] Kumari, S., Shukla, B., & Mishra, P. (2024). Hybrid workplace, work engagement, performance and happiness: A model for optimizing productivity. Multidisciplinary Reviews, 8(1), 2025012. https://doi.org/10.31893/multirev.2025012
[6] E. Ndaguba & C. Arukwe (2024). Chapter 7 – Ecosystem of smart spaces: An overview review. In Smart Spaces. P. 139-166. ISBN: 978-0-443-13462-3 https://doi.org/10.1016/B978-0-443-13462-3.00010-8