[{"_1":2,"_66":-5,"_67":-5},"loaderData",{"_3":4,"_13":14},"root",{"_5":6},"analytics",{"_7":8,"_9":10,"_11":12},"scriptUrl","https://analytics.gencior.ai/script.js","websiteId","3c6f69b7-666f-4e44-b68f-3272ea75a41c","enabled",true,"routes/blog.$slug",{"_15":16,"_64":65},"post",{"_17":18,"_19":20,"_21":22,"_23":24,"_25":26,"_27":28,"_29":30,"_31":12,"_32":33,"_34":35,"_46":47,"_58":59,"_60":61,"_62":63},"title","L'IA générative pour les bureaux d'études","slug","lia-generative-pour-les-bureaux-detudes","author","Sacha Choumiloff","date","2025-12-16","excerpt","Découvrez comment l’IA générative transforme la lecture des plans IFC, l’analyse des CCTP et la réponse aux appels d’offres dans les bureaux d’études AEC","category","Stratégie numérique","image","https://asset.gencior.ai/landing/blog/lia-generative-pour-les-bureaux-detudes.png","published","publishedAt",["D",1765843200000],"tags",[36,37,38,39,40,41,42,43,44,45],"IA générative","bureaux d'études","analyse CCTP","plans IFC","appels d'offres BTP","automatisation AEC","souveraineté des données","ROI IA","transformation numérique BTP","lecture intelligente plans","keywords",[48,49,50,51,52,53,54,55,56,57],"IA générative pour les bureaux d’études","Analyse automatisée des CCTP (Cahiers des Clauses Techniques Particulières)","Lecture intelligente des plans au format IFC","Assistant IA dédié au secteur AEC (Architecture, Engineering, Construction)","Extraction automatisée de données à partir de modèles BIM","Réponse automatisée aux appels d’offres grâce à l’IA","Souveraineté des données dans le secteur du BTP","Outils d’IA dédiés aux ingénieurs du BTP","Automatisation du chiffrage dans le BTP","Capitalisation et valorisation de la connaissance issue des projets AEC","content","\n# L'IA générative pour les bureaux d'études\n\nDans le secteur , 70 à 85% du chiffre d’affaires des bureaux d’études dépend directement du processus de réponse aux appels d’offres ( ; ). Or, ce processus repose sur un travail massif de lecture, d’analyse et de croisement de documents techniques : , , règlements locaux, notes de calcul, rapports géotechniques… et surtout de nombreux plans, souvent au format IFC ou PDF scannés.\n\nLe problème ? Ces documents sont dispersés, hétérogènes, et organisés. Les ingénieurs perdent un temps précieux à chercher les clauses réglementaires, à comparer des variantes de plans ou à extraire manuellement des données critiques, alors même que seuls 25 % des professionnels domaine déclarent maîtriser les outils d’IA susceptibles de les assister . Cela impliquant une perte massive de productivité, des risques d’erreurs en cascade, et une difficulté croissante à respecter des délais toujours plus serrés.\n\nMais ce n’est pas une fatalité. En 2025, l’IA générative commence à s’attaquer à ce goulot d’étranglement. Non pas en remplaçant les ingénieurs, mais en leur donnant un assistant capable de lire, comprendre et raisonner à la fois sur les textes réglementaires et sur des documents techniques, comme des plans IFC et IFP.\n\n## L’IA générative, un allié concret pour la gestion documentaire et la lecture des plans\n\nLes comme ChatGPT ou Copilot sont souvent peu adaptés, voire risqués, dans le contexte des bureaux d’études. La raison est simple : ils ne comprennent pas nativement les formats métier du bâtiment et ils font perdre le contrôle sur les données.\n\nUn plan n’est pas une simple image. C’est un modèle informationnel, structuré autour de centaines, voire de milliers d’objets, de propriétés techniques et de relations sémantiques. De la même manière, un CCTP ou un DTU n’est pas un texte courant. Il s’agit d’un document normé, où chaque phrase possède une portée juridique et technique précise, et où la moindre ambiguïté peut avoir des conséquences majeures sur le projet.\n\nCe constat a conduit à l’émergence de solutions d’IA spécialisées, conçues spécifiquement pour les usages du secteur du bâtiment. Contrairement aux assistants IA grand public, qui génèrent des réponses à partir de connaissances générales apprises sur internet, ces outils commencent par interroger les documents réels du projet : plans IFC, CCTP, normes techniques, règlements, rapports d’étude.\n\nL’IA ne « devine » plus. Elle s’appuie sur vos données, comme le ferait un collègue ayant lu l’ensemble du dossier. Les réponses produites sont ainsi contextuelles, traçables et directement exploitables, sans caractère générique ni prise de risque inutile.\n### Des cas d’usage immédiatement opérationnels\n\n#### Extraction automatisée d’informations clés dans les CCTP\n\nUne IA spécialisée est capable de lire un CCTP de plus de 200 pages en quelques secondes, d’identifier les exigences non standards, les variantes imposées ou les contraintes réglementaires spécifiques, puis d’alerter l’ingénieur concerné .\n\nSelon Graneet , cette automatisation permet de gagner un temps considérable lors de la préparation des réponses aux appels d’offres. Une phase stratégique, puisqu’elle conditionne jusqu’à 95 % du chiffre d’affaires des bureaux d’études.\n\n#### Estimations budgétaires et fiabilisation des chiffrages\n\nEn exploitant les données historiques de projets similaires combinées aux spécifications techniques issues des CCTP, certaines solutions d’IA permettent de produire des prévisions budgétaires plus fiables que les approches traditionnelles.\n\nDivers retours d’expérience et études métiers indiquent que les estimations assistées par l’intelligence artificielle présentent, dans de nombreux cas, des marges d’erreur de l’ordre de 10 à 15%, alors que les approches classiques fondées uniquement sur l’expérience individuelle restent plus sujettes à des écarts pouvant atteindre 20 à 30% ou davantage selon la complexité des projets .\n\n#### Lecture assistée de plans\n\nIl devient possible de poser des questions métier complexes, telles que :\n\n* *« Quelles sont les surfaces de chaque niveau sur ce plan ? »*\n* *« Où sont situées les gaines non conformes à la réglementation ERP ? »*\n\nLes réponses fournies sont sourcées, contextualisées, et directement localisables dans le modèle numérique, facilitant ainsi les contrôles, les arbitrages techniques et la prise de décision.\n\n, seuls 25 % des professionnels du BTP déclarent aujourd’hui maîtriser des outils d’IA réellement applicables à leur métier. Pour les bureaux d’études, intégrer ces technologies dès maintenant représente donc un avantage concurrentiel décisif, à la fois en termes de productivité, de fiabilité et de capacité à répondre plus rapidement aux appels d’offres.\n\n## Des plans IFC bientôt exploitables par tous les bureaux d’études\n\nAujourd’hui, les plans IFC sont omniprésents dans les projets, mais paradoxalement peu exploitables en dehors d’un cercle restreint d’experts. Pour la majorité des bureaux d’études, l'interrogation des bases documentaires de l'entreprise nécessite une analyse approfondie coûteuse en temps humain, l'achat de différents outils spécialisés et une forte dépendance à quelques profils clés.\n\n\n\nCette situation pénalise directement l’organisation :\n\n* les équipes consacrent beaucoup de temps à extraire manuellement des informations,\n* les décisions techniques reposent sur des analyses partielles ou tardives,\n* les échanges entre études, direction et partenaires restent complexes et peu fluides.\n\nCe qui fait défaut aux solutions d’IA actuelles, c’est leur capacité à exploiter correctement les plans IFC tout en les replaçant dans le contexte global du projet, aux côtés des autres documents de référence (CCTP, règlements, contraintes spécifiques, hypothèses de conception, normes en vigueur). Autrement dit, pouvoir interroger un plan comme on le ferait avec un dossier d’étude complet, qu’il soit en cours ou issu d’anciens projets.\n\nLorsqu’un plan IFC peut être interrogé en même temps que les pièces écrites, et que cette capacité s’étend également aux modèles déjà existants, il change de nature. Il ne se limite plus à représenter un projet, mais devient un outil d’analyse et d’arbitrage : vérifier une cohérence, mesurer un impact, identifier un risque, comparer une variante, capitaliser l’expérience passée. Cette approche transforme les archives passives en un véritable moteur de connaissance, permettant aux bureaux d’études de prendre des décisions plus tôt, avec une vision claire des conséquences techniques et réglementaires : les projets passés permettent de pilotés les projets futurs.\n\nAujourd’hui, aucune solution mature et largement déployée ne permet encore cette lecture assistée et raisonnée des plans. Chez Gencior, nous travaillons actuellement sur ces usages. L’objectif est de créer des outils pensés spécialement pour les bureaux d’études, capables de capitaliser sur les projets passés, de respecter des exigences strictes de confidentialité et de s’intégrer dans les pratiques existantes. L’enjeu n’est pas de remplacer l’ingénierie, mais de lui redonner du temps, de la maîtrise et une meilleure visibilité stratégique.\n\n---\n\nL’IA générative marque un tournant décisif pour les bureaux d’études, non pas comme une promesse abstraite, mais comme un levier opérationnel face à la complexité croissante des projets. En rendant enfin exploitables les masses de documents techniques: textes normatifs, CCTP, plans IFC, etc... Elle permet de réduire les temps d’analyse, de fiabiliser les décisions et de sécuriser les réponses aux appels d’offres. Dans un contexte où les marges se tendent et les délais se raccourcissent, la capacité à interroger intelligemment ses propres données devient un facteur clé de performance et de différenciation.\n\nÀ terme, l’enjeu dépasse la simple productivité : il s’agit de transformer le patrimoine documentaire des bureaux d’études en un véritable capital de connaissance. Les projets passés cessent d’être des archives dormantes pour devenir des ressources actives, capables d’éclairer les choix futurs. Les bureaux d’études qui sauront intégrer dès aujourd’hui ces outils spécialisés d’IA générative prendront une longueur d’avance, en gagnant à la fois en agilité, en fiabilité technique et en vision stratégique.\n\n\n\n## Sources \n1. *[Graneet, 2025](https://www.graneet.com/fr/article/ia-btp-2025)*\n2. *[LearnRoom, 2025](https://www.learnroom.fr/post/outils-ia-pour-bim)*\n3. [Optimiser l’Analyse des CCTP grâce à l’IA](https://www.academy-numerique.com/blog/nocode/optimiser-lanalyse-des-cctp-grace-a-lia-une-revolution-pour-les-appels-doffres-dans-le-btp/)\n4. [L'IA en Gestion de projet](https://www.reussirsesprojets.com/intelligence-artificielle/)\n","compiledSource","\"use strict\";\nconst {Fragment: _Fragment, jsx: _jsx, jsxs: _jsxs} = arguments[0];\nfunction _createMdxContent(props) {\n const _components = {\n a: \"a\",\n em: \"em\",\n h1: \"h1\",\n h2: \"h2\",\n h3: \"h3\",\n h4: \"h4\",\n hr: \"hr\",\n li: \"li\",\n ol: \"ol\",\n p: \"p\",\n ul: \"ul\",\n ...props.components\n }, {CallbackRequest, LinkPreview, TermTooltip} = _components;\n if (!CallbackRequest) _missingMdxReference(\"CallbackRequest\", true);\n if (!LinkPreview) _missingMdxReference(\"LinkPreview\", true);\n if (!TermTooltip) _missingMdxReference(\"TermTooltip\", true);\n return _jsxs(_Fragment, {\n children: [_jsx(_components.h1, {\n id: \"lia-générative-pour-les-bureaux-détudes\",\n children: \"L'IA générative pour les bureaux d'études\"\n }), \"\\n\", _jsxs(_components.p, {\n children: [\"Dans le secteur \", _jsx(TermTooltip, {\n term: \"AEC\",\n definition: \"Architecture, Ingénierie, Construction\"\n }), \", 70 à 85% du chiffre d’affaires des bureaux d’études dépend directement du processus de réponse aux appels d’offres (\", _jsx(LinkPreview, {\n text: \"1\",\n url: \"https://www.graneet.com/fr/article/ia-btp-2025\"\n }), \" ; \", _jsx(LinkPreview, {\n text: \"2\",\n url: \"https://www.learnroom.fr/post/outils-ia-pour-bim\"\n }), \"). Or, ce processus repose sur un travail massif de lecture, d’analyse et de croisement de documents techniques : \", _jsx(TermTooltip, {\n term: \"CCTP\",\n definition: \"Cahier des Clauses Techniques Particulières\"\n }), \", \", _jsx(TermTooltip, {\n term: \"DTU\",\n definition: \"document technique unifié\"\n }), \", règlements locaux, notes de calcul, rapports géotechniques… et surtout de nombreux plans, souvent au format IFC ou PDF scannés.\"]\n }), \"\\n\", _jsxs(_components.p, {\n children: [\"Le problème ? Ces documents sont dispersés, hétérogènes, et organisés. Les ingénieurs perdent un temps précieux à chercher les clauses réglementaires, à comparer des variantes de plans ou à extraire manuellement des données critiques, alors même que seuls 25 % des professionnels domaine déclarent maîtriser les outils d’IA susceptibles de les assister \", _jsx(LinkPreview, {\n text: \"(1)\",\n url: \"https://www.graneet.com/fr/article/ia-btp-2025\"\n }), \". Cela impliquant une perte massive de productivité, des risques d’erreurs en cascade, et une difficulté croissante à respecter des délais toujours plus serrés.\"]\n }), \"\\n\", _jsx(_components.p, {\n children: \"Mais ce n’est pas une fatalité. En 2025, l’IA générative commence à s’attaquer à ce goulot d’étranglement. Non pas en remplaçant les ingénieurs, mais en leur donnant un assistant capable de lire, comprendre et raisonner à la fois sur les textes réglementaires et sur des documents techniques, comme des plans IFC et IFP.\"\n }), \"\\n\", _jsx(_components.h2, {\n id: \"lia-générative-un-allié-concret-pour-la-gestion-documentaire-et-la-lecture-des-plans\",\n children: \"L’IA générative, un allié concret pour la gestion documentaire et la lecture des plans\"\n }), \"\\n\", _jsxs(_components.p, {\n children: [\"Les \", _jsx(TermTooltip, {\n term: \"LLMs\",\n definition: \"Large Language models\"\n }), \" comme ChatGPT ou Copilot sont souvent peu adaptés, voire risqués, dans le contexte des bureaux d’études. La raison est simple : ils ne comprennent pas nativement les formats métier du bâtiment et ils font perdre le contrôle sur les données.\"]\n }), \"\\n\", _jsx(_components.p, {\n children: \"Un plan n’est pas une simple image. C’est un modèle informationnel, structuré autour de centaines, voire de milliers d’objets, de propriétés techniques et de relations sémantiques. De la même manière, un CCTP ou un DTU n’est pas un texte courant. Il s’agit d’un document normé, où chaque phrase possède une portée juridique et technique précise, et où la moindre ambiguïté peut avoir des conséquences majeures sur le projet.\"\n }), \"\\n\", _jsx(_components.p, {\n children: \"Ce constat a conduit à l’émergence de solutions d’IA spécialisées, conçues spécifiquement pour les usages du secteur du bâtiment. Contrairement aux assistants IA grand public, qui génèrent des réponses à partir de connaissances générales apprises sur internet, ces outils commencent par interroger les documents réels du projet : plans IFC, CCTP, normes techniques, règlements, rapports d’étude.\"\n }), \"\\n\", _jsx(_components.p, {\n children: \"L’IA ne « devine » plus. Elle s’appuie sur vos données, comme le ferait un collègue ayant lu l’ensemble du dossier. Les réponses produites sont ainsi contextuelles, traçables et directement exploitables, sans caractère générique ni prise de risque inutile.\"\n }), \"\\n\", _jsx(_components.h3, {\n id: \"des-cas-dusage-immédiatement-opérationnels\",\n children: \"Des cas d’usage immédiatement opérationnels\"\n }), \"\\n\", _jsx(_components.h4, {\n id: \"extraction-automatisée-dinformations-clés-dans-les-cctp\",\n children: \"Extraction automatisée d’informations clés dans les CCTP\"\n }), \"\\n\", _jsxs(_components.p, {\n children: [\"Une IA spécialisée est capable de lire un CCTP de plus de 200 pages en quelques secondes, d’identifier les exigences non standards, les variantes imposées ou les contraintes réglementaires spécifiques, puis d’alerter l’ingénieur concerné \", _jsx(LinkPreview, {\n text: \"(3)\",\n url: \"https://www.academy-numerique.com/blog/nocode/optimiser-lanalyse-des-cctp-grace-a-lia-une-revolution-pour-les-appels-doffres-dans-le-btp/\"\n }), \".\"]\n }), \"\\n\", _jsxs(_components.p, {\n children: [\"Selon Graneet \", _jsx(LinkPreview, {\n text: \"(1)\",\n url: \"https://www.graneet.com/fr/article/ia-btp-2025\"\n }), \", cette automatisation permet de gagner un temps considérable lors de la préparation des réponses aux appels d’offres. Une phase stratégique, puisqu’elle conditionne jusqu’à 95 % du chiffre d’affaires des bureaux d’études.\"]\n }), \"\\n\", _jsx(_components.h4, {\n id: \"estimations-budgétaires-et-fiabilisation-des-chiffrages\",\n children: \"Estimations budgétaires et fiabilisation des chiffrages\"\n }), \"\\n\", _jsx(_components.p, {\n children: \"En exploitant les données historiques de projets similaires combinées aux spécifications techniques issues des CCTP, certaines solutions d’IA permettent de produire des prévisions budgétaires plus fiables que les approches traditionnelles.\"\n }), \"\\n\", _jsxs(_components.p, {\n children: [\"Divers retours d’expérience et études métiers indiquent que les estimations assistées par l’intelligence artificielle présentent, dans de nombreux cas, des marges d’erreur de l’ordre de 10 à 15%, alors que les approches classiques fondées uniquement sur l’expérience individuelle restent plus sujettes à des écarts pouvant atteindre 20 à 30% ou davantage selon la complexité des projets \", _jsx(LinkPreview, {\n text: \"(4)\",\n url: \"https://www.reussirsesprojets.com/intelligence-artificielle/\"\n }), \".\"]\n }), \"\\n\", _jsx(_components.h4, {\n id: \"lecture-assistée-de-plans\",\n children: \"Lecture assistée de plans\"\n }), \"\\n\", _jsx(_components.p, {\n children: \"Il devient possible de poser des questions métier complexes, telles que :\"\n }), \"\\n\", _jsxs(_components.ul, {\n children: [\"\\n\", _jsx(_components.li, {\n children: _jsxs(_components.em, {\n children: [\"« Quelles sont les surfaces \", _jsx(TermTooltip, {\n term: \"SHON\",\n definition: \"surface hors œuvre net\"\n }), \" de chaque niveau sur ce plan ? »\"]\n })\n }), \"\\n\", _jsx(_components.li, {\n children: _jsxs(_components.em, {\n children: [\"« Où sont situées les gaines \", _jsx(TermTooltip, {\n term: \"CVC\",\n definition: \"Chauffage, ventilation, climatisation\"\n }), \" non conformes à la réglementation ERP ? »\"]\n })\n }), \"\\n\"]\n }), \"\\n\", _jsx(_components.p, {\n children: \"Les réponses fournies sont sourcées, contextualisées, et directement localisables dans le modèle numérique, facilitant ainsi les contrôles, les arbitrages techniques et la prise de décision.\"\n }), \"\\n\", _jsxs(_components.p, {\n children: [_jsx(LinkPreview, {\n text: \"Selon Graneet (1)\",\n url: \"https://www.graneet.com/fr/article/ia-btp-2025\"\n }), \", seuls 25 % des professionnels du BTP déclarent aujourd’hui maîtriser des outils d’IA réellement applicables à leur métier. Pour les bureaux d’études, intégrer ces technologies dès maintenant représente donc un avantage concurrentiel décisif, à la fois en termes de productivité, de fiabilité et de capacité à répondre plus rapidement aux appels d’offres.\"]\n }), \"\\n\", _jsx(_components.h2, {\n id: \"des-plans-ifc-bientôt-exploitables-par-tous-les-bureaux-détudes\",\n children: \"Des plans IFC bientôt exploitables par tous les bureaux d’études\"\n }), \"\\n\", _jsx(_components.p, {\n children: \"Aujourd’hui, les plans IFC sont omniprésents dans les projets, mais paradoxalement peu exploitables en dehors d’un cercle restreint d’experts. Pour la majorité des bureaux d’études, l'interrogation des bases documentaires de l'entreprise nécessite une analyse approfondie coûteuse en temps humain, l'achat de différents outils spécialisés et une forte dépendance à quelques profils clés.\"\n }), \"\\n\", _jsx(_components.p, {\n children: \"Cette situation pénalise directement l’organisation :\"\n }), \"\\n\", _jsxs(_components.ul, {\n children: [\"\\n\", _jsx(_components.li, {\n children: \"les équipes consacrent beaucoup de temps à extraire manuellement des informations,\"\n }), \"\\n\", _jsx(_components.li, {\n children: \"les décisions techniques reposent sur des analyses partielles ou tardives,\"\n }), \"\\n\", _jsx(_components.li, {\n children: \"les échanges entre études, direction et partenaires restent complexes et peu fluides.\"\n }), \"\\n\"]\n }), \"\\n\", _jsx(_components.p, {\n children: \"Ce qui fait défaut aux solutions d’IA actuelles, c’est leur capacité à exploiter correctement les plans IFC tout en les replaçant dans le contexte global du projet, aux côtés des autres documents de référence (CCTP, règlements, contraintes spécifiques, hypothèses de conception, normes en vigueur). Autrement dit, pouvoir interroger un plan comme on le ferait avec un dossier d’étude complet, qu’il soit en cours ou issu d’anciens projets.\"\n }), \"\\n\", _jsx(_components.p, {\n children: \"Lorsqu’un plan IFC peut être interrogé en même temps que les pièces écrites, et que cette capacité s’étend également aux modèles déjà existants, il change de nature. Il ne se limite plus à représenter un projet, mais devient un outil d’analyse et d’arbitrage : vérifier une cohérence, mesurer un impact, identifier un risque, comparer une variante, capitaliser l’expérience passée. Cette approche transforme les archives passives en un véritable moteur de connaissance, permettant aux bureaux d’études de prendre des décisions plus tôt, avec une vision claire des conséquences techniques et réglementaires : les projets passés permettent de pilotés les projets futurs.\"\n }), \"\\n\", _jsx(_components.p, {\n children: \"Aujourd’hui, aucune solution mature et largement déployée ne permet encore cette lecture assistée et raisonnée des plans. Chez Gencior, nous travaillons actuellement sur ces usages. L’objectif est de créer des outils pensés spécialement pour les bureaux d’études, capables de capitaliser sur les projets passés, de respecter des exigences strictes de confidentialité et de s’intégrer dans les pratiques existantes. L’enjeu n’est pas de remplacer l’ingénierie, mais de lui redonner du temps, de la maîtrise et une meilleure visibilité stratégique.\"\n }), \"\\n\", _jsx(_components.hr, {}), \"\\n\", _jsx(_components.p, {\n children: \"L’IA générative marque un tournant décisif pour les bureaux d’études, non pas comme une promesse abstraite, mais comme un levier opérationnel face à la complexité croissante des projets. En rendant enfin exploitables les masses de documents techniques: textes normatifs, CCTP, plans IFC, etc... Elle permet de réduire les temps d’analyse, de fiabiliser les décisions et de sécuriser les réponses aux appels d’offres. Dans un contexte où les marges se tendent et les délais se raccourcissent, la capacité à interroger intelligemment ses propres données devient un facteur clé de performance et de différenciation.\"\n }), \"\\n\", _jsx(_components.p, {\n children: \"À terme, l’enjeu dépasse la simple productivité : il s’agit de transformer le patrimoine documentaire des bureaux d’études en un véritable capital de connaissance. Les projets passés cessent d’être des archives dormantes pour devenir des ressources actives, capables d’éclairer les choix futurs. Les bureaux d’études qui sauront intégrer dès aujourd’hui ces outils spécialisés d’IA générative prendront une longueur d’avance, en gagnant à la fois en agilité, en fiabilité technique et en vision stratégique.\"\n }), \"\\n\", _jsx(CallbackRequest, {\n lang: \"fr\",\n CTAText: \"Contactez nous\"\n }), \"\\n\", _jsx(_components.h2, {\n id: \"sources\",\n children: \"Sources\"\n }), \"\\n\", _jsxs(_components.ol, {\n children: [\"\\n\", _jsx(_components.li, {\n children: _jsx(_components.em, {\n children: _jsx(_components.a, {\n href: \"https://www.graneet.com/fr/article/ia-btp-2025\",\n children: \"Graneet, 2025\"\n })\n })\n }), \"\\n\", _jsx(_components.li, {\n children: _jsx(_components.em, {\n children: _jsx(_components.a, {\n href: \"https://www.learnroom.fr/post/outils-ia-pour-bim\",\n children: \"LearnRoom, 2025\"\n })\n })\n }), \"\\n\", _jsx(_components.li, {\n children: _jsx(_components.a, {\n href: \"https://www.academy-numerique.com/blog/nocode/optimiser-lanalyse-des-cctp-grace-a-lia-une-revolution-pour-les-appels-doffres-dans-le-btp/\",\n children: \"Optimiser l’Analyse des CCTP grâce à l’IA\"\n })\n }), \"\\n\", _jsx(_components.li, {\n children: _jsx(_components.a, {\n href: \"https://www.reussirsesprojets.com/intelligence-artificielle/\",\n children: \"L'IA en Gestion de projet\"\n })\n }), \"\\n\"]\n })]\n });\n}\nfunction MDXContent(props = {}) {\n const {wrapper: MDXLayout} = props.components || ({});\n return MDXLayout ? _jsx(MDXLayout, {\n ...props,\n children: _jsx(_createMdxContent, {\n ...props\n })\n }) : _createMdxContent(props);\n}\nreturn {\n default: MDXContent\n};\nfunction _missingMdxReference(id, component) {\n throw new Error(\"Expected \" + (component ? \"component\" : \"object\") + \" `\" + id + \"` to be defined: you likely forgot to import, pass, or provide it.\");\n}\n","readingTime","7","dnsName","gencior.ai","actionData","errors"]