Fiabiliser un audit énergétique sans visite sur site : comment choisir les questions à poser

Oct 15, 2026 · Emilio Sassine, PhD, CTO de Cedrus Solutions

Sans visite sur site, la qualité d'un audit énergétique dépend des données disponibles sur le bâtiment. Nous avons développé une méthode qui mesure, pour chaque donnée manquante, son effet sur la fiabilité de la simulation. Avec deux données ciblées, la complétude moyenne de nos simulations gagne 11,3 points.

Le questionnaire exhaustif, point faible des audits à distance

Lors d'un audit énergétique classique, un ingénieur se rend sur place et relève l'isolation, la toiture et les équipements. Quand l'audit se fait à distance, chaque information manquante est remplacée par une hypothèse dans le modèle, et le chiffre présenté en comité perd en solidité.

Pour combler ces manques, la plupart des acteurs envoient un questionnaire exhaustif. Les équipes ESG et les asset managers connaissent la suite : plusieurs dizaines de questions par actif, un fichier transmis au property manager, des réponses partielles qui arrivent des semaines plus tard. Sur un portefeuille de cent bâtiments, la collecte occupe l'essentiel du projet.

Chez Cedrus Solutions, nous avons cherché à savoir quelles données manquantes modifient réellement le résultat d'une simulation.

Quatre sources exploitées avant toute question

Avant d'interroger le client, notre plateforme exploite les informations déjà disponibles. 

• Les données publiques et les images satellites fournissent un premier portrait du bâtiment avec des données géométriques, d’enveloppe, de systèmes, et même souvent de consommations. 
• Les documents techniques du client, qu'il s'agisse de PDF, de fichiers Excel ou de rapports existants, sont analysés grâce au RAG (Retrieval-Augmented Generation), une technique d'IA qui va chercher l'information dans vos documents avant de produire une réponse. 
• Les courbes de charge, qui enregistrent la consommation électrique dans le temps, renseignent sur les profils d'usage réels et contiennent des informations implicites que nos algorithmes vont révéler.
• La dernière étape c'est la génération des questionnaires ciblés après analyse de sensibilité.

Une simulation énergétique fondée sur un modèle thermodynamique confronte ensuite l'ensemble de ces informations. Elle détecte les incohérences, repère les données absentes et calcule le poids de chacune dans le résultat final.

Mesurer la valeur d'une donnée avant de la demander

Nous avons ajouté à la plateforme des formulaires de fiabilisation automatique. Un algorithme  reposant sur une méthode baptisée Expected Reliability Gain (ERG) identifie les données manquantes les plus utiles et établit l'ordre dans lequel les demander au client.

Pour chaque donnée manquante, l'ERG estime le gain attendu sur le score de complétude de la simulation si elle était renseignée. Les questions sont classées selon ce gain, et seules les premières sont envoyées.

Les premiers résultats sont probants :

Les deux premières données apportent 9,2 points de complétude; les trois suivantes en ajoutent 5,5 au total; et les 5 questions suivantes ne font ajouter que 3 points. L'essentiel du gain se joue sur les toutes premières questions, à condition de les choisir avec soin.

Des priorités propres à chaque bâtiment

Un questionnaire identique pour tous les actifs pose des questions inutiles à certains bâtiments et passe à côté de celles qui comptent pour d'autres; un bureau, un commerce et un entrepôt présentent des angles morts différents, et le formulaire s'adapte à chacun.

Parmi les paramètres les plus influents on trouve souvent le niveau d'isolation des murs, car il influe fortement sur les déperditions thermiques. Pour le reste, les questions utiles dépendent du bâtiment : présence et paramétrage d'une GTB (gestion technique du bâtiment), composition de la toiture, consignes de chauffage réellement appliquées, présence de serveurs ou d'usages spécifiques qui alourdissent la consommation.

Ce que cela change pour vos équipes

Pour une équipe ESG ou un asset manager, la collecte se réduit à quelques questions ciblées par actif. Les hypothèses du modèle restent visibles : vous savez ce qui est connu, ce qui est supposé et quelle donnée permettrait de trancher, ce qui facilite la défense des chiffres en comité et une meilleure traçabilité des informations. Chaque nouvelle réponse met la simulation à jour, et le score de complétude indique où en est chaque actif du portefeuille.

Notre objectif est d'automatiser une collecte de données centrée sur ce qui compte pour chaque bâtiment. Ces travaux sont menés par l'équipe R&D de Cedrus, avec des modèles développés aux côtés de scientifiques des Mines de Paris et éprouvés sur plus de 2 000 bâtiments.

Pour voir la plateforme fiabiliser vos propres actifs sans visite sur site, demandez une démonstration.