Par Cédric Dossou Yovo
L'intelligence spatiale combine données satellite, cartographie et IA pour aider les agents immobiliers à prospecter les bons quartiers, évaluer le potentiel énergétique d'un bien et cartographier la concurrence locale. Côté France, les sources les plus utiles sont gratuites et publiques : DVF pour les prix réels, la base SIRENE pour recenser les agences concurrentes via les codes NAF 6831Z et 6832A, l'API Adresse pour géocoder, Géorisques pour les risques d'une parcelle. Google Maps Platform ajoute trois couches complémentaires (Solar API pour les toitures, Pollen API pour l'environnement, Places Insights pour la densité de points d'intérêt). Attention : depuis le 1er mars 2025, le crédit mensuel de 200 $ n'existe plus, il a été remplacé par un quota d'appels gratuits accordé produit par produit.
Ce que tu vas apprendre en 10 min L'intelligence spatiale, c'est l'exploitation de données rattachées à un point précis sur une carte : une toiture, une rue, un quartier. Google a ouvert trois outils en ligne nouveaux que tu interroges pour obtenir des données sur une adresse (des "API", comme Solar, Pollen ou Places Insights), la France en publie d'autres depuis des années (DVF, SIRENE, Géorisques, la Base Adresse Nationale). Tu vas voir 5 usages concrets : cartographier la concurrence réelle de ta zone, pré-qualifier le potentiel énergétique d'un bien, scorer un quartier sur l'environnement, repérer les secteurs qui bougent, et enrichir tes annonces. Plus les tarifs réels de Google Maps Platform depuis mars 2025, que presque personne n'a relayés en France.
Tu prospectes au feeling ? Voici comment la data géographique change la donne. Un négociateur d'une agence de périphérie lyonnaise hésite entre deux secteurs pour relancer sa prospection terrain. Le quartier A, celui qu'il connaît, où il a ses habitudes et son café. Le quartier B, à quatre kilomètres, où il n'est jamais allé parce que personne dans l'agence n'y va.
Il fait ce que personne ne fait : au lieu de trancher au feeling, il passe une heure sur des données publiques. Il compte les agences déjà implantées dans chaque secteur avec la base SIRENE (le registre officiel de toutes les entreprises françaises, géré par l'INSEE). Il regarde les volumes de transactions des douze derniers mois sur DVF (Demandes de Valeurs Foncières, la base publique qui liste toutes les ventes immobilières en France avec les prix réels). Il vérifie les risques naturels sur Géorisques. Résultat : le quartier A concentre trois fois plus d'agences pour un volume de ventes à peine supérieur. Le quartier B est presque vide côté concurrence, avec un parc de maisons des années 70 qui commence à tourner.
Il n'a pas eu besoin d'un logiciel à 300 € par mois. Il a eu besoin de savoir que ces données existent et de savoir quoi leur demander. C'est ça, l'intelligence spatiale appliquée à l'immobilier. Et c'est le prolongement direct de ce qu'on expliquait sur l'avantage caché des données internes : la donnée que tu exploites vaut plus que celle que tu possèdes.
Tu entends parler de « data » et d'« intelligence spatiale » un peu partout, sans savoir ce que ça change concrètement pour ton métier. Définition simple : une donnée est dite spatiale quand elle est attachée à des coordonnées géographiques. Pas à une ville, pas à un code postal. À un point. La différence est énorme en immobilier, où deux biens séparés par 300 mètres n'ont ni le même prix, ni la même clientèle, ni le même argumentaire.
L'intelligence spatiale, c'est l'étage au-dessus : croiser plusieurs couches de données géolocalisées pour en tirer une décision. Nombre d'agences par secteur, volumes de ventes, exposition de toiture, indice pollen, risque d'inondation, distance à une école. Prise isolément, chaque couche est anecdotique. Superposées sur la même carte, elles racontent quelque chose que ton concurrent ne voit pas.
Ce qui a changé récemment, ce n'est pas la donnée. Elle existe depuis longtemps. Ce sont deux choses : Google a ouvert en accès développeur des couches jusqu'ici réservées aux bureaux d'études (potentiel solaire des toitures, pollen, densité de points d'intérêt), et les modèles de langage savent désormais lire un fichier CSV de 5 000 lignes et t'en sortir une synthèse en français. Tu n'as plus besoin d'un data analyst pour poser une question simple à un jeu de données.
3 couches : Nouvelles données géospatiales ouvertes par Google Maps Platform et exploitables en immobilier : Solar API, Pollen API, Places Insights. Source : Documentation Google Maps Platform, consultée le 27 juillet 2026 Accès développeur ouvert
Tu risques de baser ta décision sur une information fausse : voici ce qui a vraiment changé. Tu vas lire partout, y compris dans des articles publiés cette année, que Google Maps Platform offre « 200 $ de crédit gratuit par mois ». C'est faux depuis le 1er mars 2025. Google a supprimé ce crédit mensuel unique et l'a remplacé par un système différent : un quota d'appels gratuits chaque mois, accordé produit par produit.
La nuance change tout dans la pratique. Avec l'ancien crédit, un usage intensif d'un seul produit consommait tout le budget. Avec le nouveau système, chaque famille de produits a son propre quota mensuel qui se réinitialise. Pour un agent immobilier qui teste trois ou quatre couches de données sur son secteur, la réalité est plutôt favorable : les volumes d'un usage professionnel normal restent très en dessous du seuil de facturation.
La règle à retenir avant d'activer quoi que ce soit Le quota gratuit est par produit et par mois, pas global. Avant de lancer un traitement en masse, va dans la console Google Cloud, ouvre la section facturation, et pose un plafond d'alerte. Une boucle mal écrite qui interroge une API 40 000 fois dans la nuit, ça se paie. Cinq minutes de configuration t'évitent une mauvaise surprise en fin de mois.
| Source de données | Ce que ça t'apporte | Coût réel | Niveau technique |
|---|---|---|---|
| DVF (Etalab) | Prix réels des transactions des 5 dernières années, à la parcelle | Gratuit, licence ouverte | Aucun, interface web |
| Base SIRENE (INSEE) | Toutes les agences et mandataires (agents commerciaux indépendants rattachés à un réseau comme IAD, Safti ou MegAgence) déclarés, par code NAF et par commune | Gratuit, licence ouverte | Faible, export CSV |
| API Adresse (BAN, la Base Adresse Nationale) | Transformer une liste d'adresses en coordonnées cartographiables | Gratuit, service public | Faible, fichier CSV à déposer |
| Géorisques (le site officiel des risques naturels) | Risques naturels et technologiques d'une parcelle, obligatoire pour l'ERP | Gratuit | Aucun, interface web |
| Google Solar API | Potentiel solaire d'une toiture calculé sur imagerie aérienne | Quota mensuel gratuit puis facturation à l'appel | Moyen, clé API requise |
| Google Pollen API | Indices polliniques localisés et prévisions à plusieurs jours | Quota mensuel gratuit puis facturation à l'appel | Moyen, clé API requise |
Le tableau dit une chose simple : les quatre sources les plus utiles pour un agent français sont gratuites et publiques. Les couches Google apportent un complément que la donnée publique ne couvre pas, notamment la lecture des toitures. On détaille chacune dans les articles dédiés de cette série.
Tu sais que ces données existent, mais tu ne sais pas par où commencer ni ce qui rapportera le plus vite. Voici les 5 usages qui valent vraiment ton temps.
Tu crois connaître tes concurrents. Tu connais ceux que tu croises. La base SIRENE de l'INSEE recense tous les établissements actifs sous les codes NAF 6831Z (agences immobilières) et 6832A (administration d'immeubles). Tu exportes la liste, tu la géocodes avec l'API Adresse (c'est-à-dire que tu transformes chaque adresse postale en point sur une carte), puis tu places ces points sur une carte. Ce que tu découvres presque toujours : ta concurrence est concentrée sur deux ou trois axes, et des secteurs résidentiels entiers n'ont aucune présence physique.
La méthode complète, du fichier brut à la carte exploitable, est détaillée dans notre guide de cartographie de la concurrence. À combiner avec ta veille concurrentielle sur les annonces : l'une te dit où ils sont implantés, l'autre ce qu'ils rentrent réellement.
Solar API analyse l'imagerie aérienne pour modéliser une toiture : surface utilisable, inclinaison, orientation, ombrage des arbres et des bâtiments voisins, production annuelle estimée en kilowattheures (l'unité qui sert aussi à mesurer la consommation électrique d'un foyer). Tu obtiens cette information avec une simple adresse, avant même d'avoir mis un pied sur place.
Concrètement, ça te donne une phrase que personne d'autre ne dit en rendez-vous estimation : « votre toiture a une production solaire estimée à X kilowattheures par an, ça change l'argumentaire pour un acheteur qui regarde ses charges ». Attention au piège : ce n'est pas un DPE et ça ne le remplace pas. C'est un indicateur de potentiel, on explique la limite exacte dans l'article dédié à Solar API.
Un quartier que tu trouves calme peut être invivable pour un client allergique, et tu n'as souvent aucun moyen objectif de trancher. Scorer un quartier, c'est simplement lui attribuer une note sur plusieurs critères pour comparer objectivement. Pollen API fournit des indices polliniques localisés avec des prévisions à plusieurs jours, espèce par espèce. Croisée avec les données des associations agréées de surveillance de la qualité de l'air et, en Île-de-France, avec les cartes de bruit de Bruitparif, tu construis un score environnement à cinq critères pour chacun de tes secteurs.
L'usage commercial est immédiat : une famille dont un enfant est asthmatique ne pose pas la même question qu'un investisseur. Répondre avec une donnée plutôt qu'avec « c'est un quartier calme », c'est une différenciation qui ne coûte rien. La méthode de scoring est dans l'article consacré au scoring environnemental.
Un quartier qui va se valoriser émet des signaux visibles dans les données publiques bien avant que les prix ne bougent. Des permis de construire déposés en série. Des travaux de rénovation énergétique déclarés. Une nouvelle ligne de transport programmée. Un taux de rotation du parc qui accélère sur DVF.
Aucun de ces signaux ne suffit seul. Trois d'entre eux sur le même secteur, sur douze mois, ça mérite que tu ailles y prospecter. Même logique que pour la détection des signaux faibles de mise en vente, mais à l'échelle du quartier au lieu du logement.
Une annonce sur deux dit « proche commodités ». Une annonce qui dit « boulangerie à 220 mètres, école élémentaire à 6 minutes à pied, arrêt de bus desservi toutes les 8 minutes en heure de pointe » ne se lit pas pareil. Ni par un acheteur, ni par un moteur de recherche, ni par un modèle de langage qui résume ta page.
C'est aussi un levier de référencement local : ces données précises alimentent tes pages de quartier et ta fiche établissement. On a détaillé la mécanique dans le guide du SEO local pour agent immobilier et dans la checklist Google Business Profile.
Score environnement : ce que donne une comparaison à 5 critères Exemple de grille de notation appliquée à quatre secteurs d'une même agglomération (méthode reproductible, notes sur 100) Centre historique : 58 Quartier gare : 62 Coteau résidentiel : 84 Zone pavillonnaire nord : 76 Source : Grille de scoring IA LAB à 5 critères (qualité de l'air, pollen, bruit, végétation, mobilités douces), construite à partir de données Pollen API, Atmo France, Bruitparif et data.gouv.fr. Valeurs illustratives de la méthode, à recalculer sur ton propre secteur.
Tu veux savoir quelle couche de données mérite ton temps En 45 minutes, on regarde ta zone, ton volume et tes outils actuels. Tu repars avec un plan détaillé qui, appliqué, dope la croissance de ton activité. Pas une démo produit. Réserver mes 45 minutes
Tu as toutes ces données sous la main, mais ouvrir un fichier de 5 000 lignes pour en tirer quelque chose te prend une soirée entière. Voici comment l'IA supprime ce blocage. L'intelligence spatiale existait avant l'IA générative. Ce que les modèles apportent, c'est la suppression de la barrière technique. Avant, exploiter un export SIRENE de 4 000 lignes demandait de savoir manipuler un tableur avancé ou d'écrire du code. Aujourd'hui, tu déposes le fichier dans ChatGPT ou Claude et tu poses ta question en français.
Trois usages qui marchent bien, testés sur des jeux de données réels : la synthèse d'un export volumineux, la comparaison de plusieurs secteurs selon des critères que tu définis, et la traduction d'un résultat chiffré en argumentaire client. Trois usages qui ne marchent pas : demander au modèle d'inventer une donnée qu'il n'a pas, lui faire faire du géocodage à la main, et lui faire confiance sur un calcul sans vérifier un échantillon.
Prompt 1 : analyser la concurrence d'un secteur à partir d'un export SIRENE Tu es analyste de marché immobilier. Je te fournis un export SIRENE des établissements actifs sous les codes NAF 6831Z et 6832A pour les communes suivantes : [liste des communes].
Travail demandé : 1. Compte le nombre d'établissements actifs par commune et par code postal. 2. Rapporte ce nombre à la population de chaque commune (je te donne le fichier population INSEE) pour obtenir une densité d'agences pour 10 000 habitants. 3. Classe les communes de la plus saturée à la moins saturée. 4. Signale les communes de plus de 3 000 habitants où la densité est inférieure de 40 % à la moyenne du périmètre. 5. Pour chacune de ces communes sous-couvertes, liste ce qu'il me manque comme information avant d'y aller prospecter.
Contraintes : n'invente aucune donnée absente du fichier. Si une commune n'apparaît pas dans l'export, dis-le explicitement au lieu d'estimer. Présente le résultat en tableau markdown, puis trois phrases de synthèse en français courant.
Prompt 2 : transformer des données locales en accroche d'annonce Tu rédiges des annonces immobilières pour une agence française. Voici les données vérifiées sur l'environnement immédiat du bien :
Écris trois accroches de 40 mots maximum, chacune orientée vers un profil différent : primo-accédant avec enfant en bas âge, investisseur locatif, acheteur sensible aux charges énergétiques.
Règles : chaque affirmation doit s'appuyer sur une donnée de la liste, aucune donnée inventée, pas de superlatif vague du type « emplacement idéal », pas de tiret cadratin. Français courant, phrases courtes.
Tu prépares un rendez-vous estimation avec les mêmes photos et le même discours que les deux autres agences reçues avant toi. Voici ce que ça change concrètement d'arriver avec des données en plus.
Un rendez-vous estimation, avec et sans préparation spatiale Préparation classique → Préparation avec données spatiales Connaissance du bien avant la visite : Annonce, photos, éventuellement Street View → Toiture modélisée, risques de la parcelle, environnement chiffré Argument énergétique : « Il faudra voir le DPE » → Potentiel solaire estimé en kWh/an, discuté dès le premier rendez-vous Réponse aux questions environnement : Ressenti personnel sur le quartier → Indices pollen, qualité de l'air, végétation, sources citables Positionnement du prix : Comparables issus des portails → Comparables DVF réels croisés avec la densité de concurrence Temps de préparation : 10 à 15 minutes → 25 à 30 minutes la première fois, 10 minutes une fois la méthode en place Effet en rendez-vous : Discours interchangeable avec les deux autres agences reçues → Le vendeur retient qui lui a appris quelque chose sur son propre bien Source : Grille d'observation IA LAB, missions d'accompagnement d'agences 2025-2026. Aucun résultat chiffré individuel n'est extrapolé de ces observations.
Ce qui a changé, ce n'est pas mon discours. C'est que je sais désormais trois choses sur le bien que le propriétaire ne sait pas lui-même. À ce moment-là, ce n'est plus lui qui m'évalue. Une directrice d'agence en Auvergne-Rhône-Alpes, accompagnée par IA LAB
Se lancer sans méthode, c'est prendre le risque de tirer de mauvaises conclusions à partir de bonnes données. Trois pièges reviennent systématiquement chez les agences qui se lancent sur la donnée spatiale.
Tu as lu jusqu'ici, mais est-ce que tu saurais éviter les pièges les plus courants face à un client ? Ce quiz te le dit en deux minutes.
4 questions pour savoir si tu es prêt à exploiter ces données Depuis mars 2025, comment fonctionne la gratuité sur Google Maps Platform ?
Quelle source utiliser pour recenser les agences concurrentes d'une commune française ?
Solar API te donne le DPE d'un bien ?
Tu identifies un secteur sans aucune agence implantée. Que fais-tu en premier ?
À reprendre : Relis la section sur les sources et les tarifs avant de te lancer. L'erreur la plus coûteuse à ce stade, c'est de citer une donnée mal comprise devant un client. Bonnes bases : Tu as compris la logique. Passe maintenant à la pratique sur un seul secteur, avec une seule source, et va au bout du raisonnement avant d'en ajouter une deuxième. Prêt à exploiter : Tu sais distinguer donnée mesurée et donnée modélisée, et tu croises avant de décider. Attaque directement les articles dédiés de la série pour la mise en œuvre.
Aucune carte ne signera un mandat à ta place. Une toiture bien exposée sur une image aérienne peut être en fin de vie. Un quartier bien noté sur cinq critères environnementaux peut avoir un problème que seul un voisin te racontera. L'intelligence spatiale ne remplace pas la visite, elle remplace le hasard dans le choix de l'endroit où tu passes ta journée.
Le vrai gain est là : tu arrêtes de prospecter par habitude. Tu commences par une heure d'analyse, tu retiens deux secteurs au lieu de six, et tu y vas avec trois informations que le propriétaire n'a pas. Pour la mise en œuvre, enchaîne avec les trois guides de cette série : cartographier ta concurrence, exploiter Solar API, et scorer un quartier sur l'environnement.
Ta checklist pour démarrer cette semaine 1. Choisis un seul secteur, celui que tu crois le mieux connaître. 2. Exporte les établissements SIRENE en NAF 6831Z et 6832A sur ce périmètre. 3. Géocode le fichier avec l'API Adresse et pose les points sur une carte. 4. Récupère les transactions DVF des 12 derniers mois sur la même zone. 5. Calcule un ratio simple : nombre de ventes par agence implantée. 6. Vérifie les risques Géorisques sur les trois rues que tu cibles. 7. Crée une clé Google Cloud et pose un plafond d'alerte avant tout appel d'API. 8. Teste Solar API sur trois biens que tu connais déjà, pour calibrer ta lecture. 9. Construis ton score environnement à 5 critères sur deux quartiers seulement. 10. Refais l'exercice dans six mois et compare : c'est là que la méthode devient un actif.
Construis un système, pas une collection d'outils La data spatiale n'est qu'une brique. Ce qui fait la différence, c'est le système d'acquisition qui tourne derrière, en continu, sans dépendre des portails. On en parle en 45 minutes. Parler de mon système d'acquisition
C'est l'exploitation de données rattachées à des coordonnées géographiques précises, et non à une ville ou un code postal, pour prendre des décisions commerciales. En immobilier, ça consiste à superposer plusieurs couches sur la même carte : densité d'agences concurrentes issue de la base SIRENE, volumes et prix de transactions issus de DVF, risques naturels issus de Géorisques, potentiel solaire des toitures, indices environnementaux. Prise isolément, chaque couche est anecdotique. Croisées, elles indiquent où prospecter, comment argumenter un prix et quoi dire à un vendeur qu'aucune autre agence ne lui dira.
Partiellement, et le modèle a changé. Jusqu'au 28 février 2025, Google accordait un crédit mensuel de 200 dollars valable sur l'ensemble des produits. Depuis le 1er mars 2025, ce crédit a été supprimé et remplacé par un quota d'appels gratuits accordé chaque mois produit par produit, avec facturation au-delà. Pour un usage d'agence classique, quelques centaines à quelques milliers d'appels par mois, on reste largement dans la zone gratuite. Le risque n'est pas le tarif unitaire, c'est le traitement en masse mal calibré. Crée toujours un plafond d'alerte dans la console de facturation Google Cloud avant le premier appel.
Non pour les sources françaises, un peu pour les API Google. DVF et Géorisques se consultent dans un navigateur, sans compte. La base SIRENE se télécharge en CSV et se lit dans un tableur. L'API Adresse accepte un fichier CSV déposé sur son interface web pour géocoder en masse. Pour Solar API et Pollen API, il faut créer une clé dans Google Cloud et savoir construire une URL de requête, ce qui s'apprend en une heure et se délègue très bien à ChatGPT ou Claude. Aucun de ces gestes ne demande d'écrire un programme.
DVF est une source, l'intelligence spatiale est une méthode. DVF, ou Demandes de valeurs foncières, est le fichier public des transactions immobilières enregistrées par l'administration fiscale, consultable gratuitement et couvrant les cinq dernières années. C'est une couche parmi d'autres. L'intelligence spatiale consiste à croiser DVF avec d'autres couches géolocalisées : concurrence implantée, risques de la parcelle, environnement, potentiel énergétique. DVF seul te dit à quel prix ça s'est vendu. Croisé avec la densité de concurrence et le taux de rotation, il te dit où tu as une chance de rentrer un mandat.
Non, et c'est une erreur de le penser. Les données modélisées comme le potentiel solaire d'une toiture reposent sur de l'imagerie aérienne : elles ne voient pas l'état réel de la couverture, l'humidité dans les combles ou une charpente fatiguée. Les indices environnementaux sont calculés à une maille, pas devant la porte d'entrée. Le rôle de ces données est en amont : décider quels secteurs méritent ta journée, arriver en rendez-vous avec des informations que le propriétaire n'a pas, et poser les bonnes questions plus vite. La visite reste le moment où tu valides ou invalides ce que la donnée a suggéré.
IA & Automatisation
Toutes les bases du thème IA & Automatisation, au même endroit.