Selon l'enquête NAR de juillet 2025, 68 % des agents avaient essayé activement l'IA (100 − 32 %) ; 17 % jugeaient son impact significativement positif. Ce que disent les chiffres, et un auto-diagnostic en 5 axes.
La National Association of REALTORS® (NAR) a interrogé ses membres sur leurs outils. En juillet 2025, 1 241 agents ont répondu (taux de réponse : 2,5 %). La question portait sur l'usage de l'IA pour leur activité au cours des 12 mois précédant l'enquête. 20 % utilisaient l'IA chaque jour, 22 % chaque semaine, 27 % quelques fois par mois, et 32 % n'avaient pas essayé activement de l'utiliser (pourcentages arrondis : leur somme affichée est 101 %). Les agents ayant essayé l'IA représentent donc 68 % : c'est le complément de 32 %, le rapport ne publie pas ce chiffre.
Le communiqué NAR publié le 22 septembre 2026 donne, pour l'usage de l'IA, la répartition suivante : 23 % chaque jour, 25 % chaque semaine, 31 % expérimentent occasionnellement, 9 % curieux mais n'ayant pas essayé, 12 % n'utilisant pas l'IA et ne prévoyant pas de le faire (total : 100 %). Il ne précise ni la période de collecte, ni l'échantillon, ni la méthode. Ses catégories ne sont pas celles de l'enquête de 2025 : les deux répartitions ne se comparent pas terme à terme.
Fréquence d'usage de l'IA pour leur activité sur les 12 mois précédant l'enquête, agents américains (NAR 2025, p.13, mesuré en juillet 2025) : Chaque jour : 20 % ; Chaque semaine : 22 % ; Quelques fois par mois : 27 % ; Pas essayé activement : 32 %.
Ces chiffres décrivent des agents américains membres de la NAR. Ils ne se transposent pas tels quels aux agents français.
Selon l'enquête NAR de juillet 2025, 68 % des agents (100 − 32 %) avaient essayé activement l'IA pour leur activité au cours des 12 mois précédents ; 17 % jugeaient son impact significativement positif, 33 % modérément positif, 46 % neutre ou sans effet notable, 4 % négatif. La NAR ne précise pas si ces pourcentages portent sur tous les répondants ou sur les seuls utilisateurs de l'IA. Source : NAR 2025 REALTORS® Technology Survey, p.13, mesuré en juillet 2025.
Impact de l'IA sur l'activité (juillet 2025) : Significativement positif : 17 % ; Modérément positif : 33 % ; Neutre ou sans effet notable : 46 % ; Négatif : 4 %.
L'hypothèse de cette étude : la différence d'impact perçu entre agents tient moins à la technologie qu'à la manière de l'organiser. Les enquêtes NAR ne mesurent pas cette cause. C'est un cadre de lecture proposé par l'auteur, que l'auto-diagnostic ci-dessous aide à tester pour ton agence.
Ce ne sont pas des résultats d'enquête. Ce sont cinq points de méthode que l'auteur propose de vérifier avant d'attribuer un résultat décevant à l'outil.
Test sans objectif : Adoption sans hypothèse à vérifier. Sans objectif, il est impossible de dire si l'outil a servi.
Outil isolé : Solution jamais intégrée dans les processus. L'outil ajoute une tâche au lieu d'en retirer une.
Données insuffisantes : CRM peu complet. L'IA travaille sur ce qu'elle reçoit : des données médiocres donnent des résultats médiocres.
Formation inadéquate : Une démonstration, puis plus rien. Pas de coaching, pas de questions-réponses.
Absence de KPI : Évaluation au ressenti. Sans indicateur, impossible de valider ou d'améliorer.
L'IA fonctionne immédiatement. Ce que l'étude retient : Les gains demandent du temps de mise en place, de formation et de mesure.
Il suffit d'acheter un outil. Ce que l'étude retient : Le coût d'un projet IA ne se limite pas à la licence : données, formation et temps interne comptent aussi.
L'IA fonctionne pour toutes les agences. Ce que l'étude retient : Les résultats dépendent de la maturité de l'agence : objectifs, données, formation, mesure. L'auto-diagnostic ci-dessous aide à la situer.
Plus d'outils = plus de valeur. Ce que l'étude retient : Quelques outils bien intégrés valent mieux qu'une accumulation d'outils isolés.
Intention stratégique : Savoir pourquoi on utilise l'IA, pas seulement comment.
Périmètre maîtrisé : Choisir un petit nombre de cas d'usage.
Données exploitables : Un CRM propre et segmenté avant d'implémenter l'IA.
Formation continue : Une montée en compétences régulière, pas une démonstration unique.
Mesure systématique : Suivre ses indicateurs avant et après chaque mise en œuvre.
Gap d'Intentionnalité (Pourquoi ?) : L'absence de vision stratégique claire transforme l'IA en gadget coûteux. Certains agents adoptent l'IA par peur de rater le train, sans stratégie écrite. C'est une observation de l'auteur, pas une mesure. Définir quelques objectifs business mesurables avant tout déploiement.
Gap de Périmètre (Combien ?) : Vouloir tout automatiser en même temps complique le déploiement et la mesure. Commencer par un cas d'usage à fort impact, le maîtriser, puis étendre. Commencer par UN cas d'usage à fort impact.
Gap de Données (Qualité ?) : L'IA amplifie la qualité de tes données. Mauvaises données = mauvais résultats. Un CRM incomplet limite ce que l'IA peut produire. La qualité des données est le premier chantier. Auditer les données : nettoyage, enrichissement, segmentation.
Gap de Compétences (Formation ?) : Acheter un outil sans former les équipes, c'est acheter une Ferrari sans permis. Un outil sans formation des équipes reste sous-utilisé. Un plan de formation continue pour chaque collaborateur.
Gap de Mesure (KPIs ?) : Ce qui ne se mesure pas ne s'améliore pas. Sans indicateur de départ, impossible de savoir ce que l'IA a changé. Définir quelques KPIs précis et les suivre chaque mois.
Gap 1 conditionne Gap 5 (sans objectif, pas de KPI). Gap 3 conditionne tous les autres (sans données, peu de cas d'usage fonctionnent). Gap 2 amplifie Gap 4 (plus d'outils, plus de formation nécessaire).
Gap 1 : Intentionnalité. Audit stratégique (Cartographie des objectifs business), Priorisation des cas d'usage (Sélection de quelques quick wins), Roadmap IA (Planning de déploiement).
Gap 2 : Périmètre. Cas d'usage pilote, Validation ROI, Extension (Déploiement du cas suivant si succès).
Gap 3 : Données. Audit data, Nettoyage CRM, Segmentation.
Gap 4 : Compétences. Diagnostic équipe, Programme de formation, Certification (Validation des acquis).
Gap 5 : Mesure. Définition des KPIs (Quelques indicateurs clés), Dashboard, Rituel mensuel.
Scénario 1 : Inaction. Tu continues comme avant. Position de l'auteur : sans structure, l'usage peut ne produire aucun impact. Risque de prendre du retard.
Scénario 2 : Adoption chaotique. Tu accumules les outils sans stratégie. Budget dépensé, équipes frustrées, résultats difficiles à lire. Dépenses sans effet visible.
Scénario 3 : Transformation méthodique. Tu appliques le framework des 5 gaps, avec des objectifs mesurés. Des décisions d'outil fondées sur tes propres mesures.
La différence d'impact perçu entre agents tient, selon l'hypothèse de cette étude, à la manière d'organiser l'adoption plus qu'à l'outil lui-même.
1. L'usage ne suffit pas à produire un impact. D'après les chiffres de la NAR (enquête de juillet 2025), 68 % avaient essayé activement l'IA (68 % = 100 − 32 %) et 17 % jugeaient son impact significativement positif.
2. Cinq écarts de méthode sont à passer en revue : intentionnalité, périmètre, données, compétences, mesure. C'est une hypothèse de l'auteur.
3. Les données conditionnent le reste. Un CRM peu complet limite la valeur que l'IA peut créer.
4. Le budget d'un projet ne se limite pas aux licences. Formation et temps interne comptent aussi.
5. Les résultats demandent du temps. Fixe des jalons réalistes et mesure avant et après chaque mise en œuvre.
Dernière mise à jour : 02/10/2026
Les chiffres d'usage et d'impact viennent de l'enquête 2025 REALTORS® Technology Survey de la NAR (États-Unis, juillet 2025, 1 241 réponses exploitables, marge d'erreur de plus ou moins 2,78 % à 95 %). La mise à jour 2026 vient du communiqué NAR du 22 septembre 2026. Le cadre des cinq gaps est une hypothèse de travail de l'auteur : il ne provient pas de ces enquêtes.
Selon l'enquête NAR de juillet 2025, 68 % des agents interrogés avaient essayé activement l'IA pour leur activité au cours des 12 mois précédents (complément des 32 % qui ne l'avaient pas fait ; le 68 % est un calcul, pas un chiffre publié par la NAR). 17 % jugeaient son impact significativement positif, 33 % modérément positif, 46 % neutre ou sans effet notable. Cela décrit des agents américains en juillet 2025. L'étude s'en sert comme point de départ, pas comme mesure d'un taux d'échec.
Trois pistes : lister tes tâches les plus chronophages, automatiser la plus répétitive avec un workflow IA (Make, Zapier, n8n avec un modèle de langage), puis mesurer chaque semaine le temps gagné. Le mini-diagnostic en bas de page te donne un point de départ.