Vos tableaux Excel et l'IA : ce qui vient de changer pour le BTP
Les LLM traitaient vos tableaux Excel comme du texte. Ils en perdaient la structure. Les tabular foundation models changent ça. Pour les PME BTP qui vivent dans des tableaux, c'est une ouverture concrète.
Vos tableaux Excel et l'IA : ce qui vient de changer pour le BTP
On a tous essayé. Copier-coller un tableau Excel dans ChatGPT pour lui demander d'en extraire l'essentiel. Le résultat était souvent décevant. Pas faux, mais à côté. L'IA semblait ne pas vraiment comprendre ce que représentaient les colonnes.
Ce n'était pas qu'un problème de prompt. C'était un problème architectural. Les grands modèles de langage ont été entraînés sur du texte. Ils traitent vos cellules comme des mots parmi d'autres. Cette limite, dans une PME BTP qui vit dans ses tableurs, a des conséquences concrètes.
Une nouvelle classe de modèles IA vient de changer ça. Les tabular foundation models sont entraînés spécifiquement pour lire des données structurées : vos CSV, vos Excel, vos tableaux de suivi. Pour les équipes BTP qui gèrent devis, plannings et factures dans des tableurs, c'est une ouverture réelle.
Voici ce que cette évolution technique signifie, et comment en tirer parti dès maintenant.
Pourquoi les LLM ne lisaient pas vos tableaux Excel
Un tableau Excel, pour un LLM classique, c'est du texte. Quand vous le copiez dans ChatGPT, le modèle voit des virgules, des espaces, des chiffres enchaînés. Il ne voit pas que la colonne D représente le budget prévu, que la colonne E est le réalisé, et que leur différence en colonne F signale un écart de chantier. La structure de la grille lui échappe.
Ce phénomène tient au tokenizer, la brique de base de tous les LLM. Il découpe le texte en fragments avant de le traiter. Vos cellules deviennent des morceaux sans relation spatiale entre eux. Une anomalie sur la ligne 47 qui corrige la valeur de la ligne 22 : ce niveau de lecture est inaccessible pour un LLM classique. Ce n'est pas un défaut de configuration. C'est une limite structurelle de l'approche texte.
Ce que les modèles tabulaires font différemment
Les tabular foundation models (TFM) ont été conçus pour résoudre exactement ce problème. Plutôt que de traiter un tableau comme du texte, ils comprennent la structure native des données. Ils savent ce qu'est une colonne, une ligne, une valeur manquante, une relation entre deux variables. Ils voient la grille telle qu'elle est, pas comme une suite de caractères.
La progression du domaine est réelle et mesurable. En janvier 2025, TabPFN v2, développé par Prior Labs, a été publié dans la revue Nature. Il surpassait XGBoost, la référence en machine learning tabulaire, sans réglage manuel préalable (source : Hollmann et al., Nature, janvier 2025). En juin 2026, Google a soumis TabFM au leaderboard indépendant TabArena : il s'est classé en tête devant les meilleurs pipelines automatisés (source : Towards Data Science, juillet 2026). Schema-1 affiche 31 % d'erreur en moins que le meilleur LLM sur les tâches de complétion tabulaire (source : arxiv 2605.06290, 2026).
Ce dernier point mérite attention pour le BTP. Un TFM n'a pas besoin de connaître la réglementation du bâtiment pour analyser vos tableaux de devis. Il lit les relations entre colonnes, identifie les patterns et repère les anomalies. C'est la structure qui parle, pas le vocabulaire.
Trois usages concrets dans une PME BTP
Repérer les dérives dans vos tableaux de devis
On observe souvent la même chose dans les PME BTP qu'on accompagne. Les tableaux de devis existent, les données sont là, mais personne n'a le temps de les analyser systématiquement. Le conducteur de travaux sait intuitivement que certains postes dérapent. Il ne sait pas toujours lesquels, ni à quelle fréquence.
Un modèle tabulaire lit ces colonnes et identifie les postes qui dépassent régulièrement le budget. Il compare les historiques de chantier, repère les patterns et présente les lignes qui méritent votre attention. Votre conducteur décide. Il n'a pas passé sa matinée dans les fichiers. Il a passé cinq minutes à valider une synthèse. Ce type d'analyse devient pertinent dès que vous avez quelques chantiers terminés avec des données comparables.
Détecter les écarts dans la facturation fournisseurs
Les anomalies de facturation fournisseurs existent dans toutes les PME BTP. Un poste facturé deux fois. Un tarif qui diffère du contrat. Un volume qui ne correspond pas au bon de commande. Elles passent souvent inaperçues, faute de temps pour comparer systématiquement les fichiers.
Un modèle tabulaire compare vos tableaux de facturation avec vos bons de commande et signale les lignes à vérifier. Votre équipe ne relit plus chaque facture en détail. Elle valide les alertes. Ce flux se configure une fois, et il tourne ensuite en automatique. D'après les retours de nos clients BTP qui ont structuré ce flux, les anomalies détectées en amont réduisent les litiges fournisseurs et accélèrent les règlements.
Améliorer les chiffrages à partir des historiques de chantier
Chaque chantier terminé produit des données : temps réel contre temps prévu, coûts réels contre coûts estimés, sous-traitants fiables contre aléatoires. Ces données dorment dans des tableurs depuis des années. Elles pourraient améliorer les prochains chiffrages. Elles ne le font pas, parce que les analyser prend trop de temps.
Un modèle tabulaire analyse ces historiques et identifie les patterns. Quel type de chantier dépasse systématiquement le budget ? Quel poste est toujours sous-estimé ? Ces observations s'intègrent dans vos prochains devis. Pas comme une règle abstraite : comme une lecture de vos données réelles. Ce travail existe dans toutes les PME BTP. Il manque de régularité et de structure. Un outil tabulaire le fait automatiquement.
Conclusion
On a longtemps dit aux équipes BTP que l'IA pouvait analyser leurs documents. C'était vrai pour les textes, les PDF, les emails. C'était beaucoup moins vrai pour les tableaux, là où l'essentiel de vos données vit.
Les tabular foundation models comblent cet angle mort. Ils lisent vos CSV et vos Excel comme des données structurées, pas comme du texte. Et vos données BTP sont en grande majorité des données structurées : devis, budgets, plannings, factures.
La question pratique à se poser cette semaine est simple. Quel tableau votre équipe analyse-t-elle encore à la main, parce que l'IA ne le lisait pas correctement ? Voilà votre premier cas d'usage. Et il est dans vos fichiers depuis des années.
L'analyse automatique de vos données tabulaires, devis, facturation, historiques de chantier, commence par identifier les bons tableaux et les bonnes questions à poser.
Échangez autour de votre problématique métier avec l'équipe de Brijyt.
Rencontrer Brijyt | 02 59 50 30 85