Dialoguer avec Quanthome AI : ce qu'une simple question révèle sur Lausanne

Parfois, la meilleure façon de comprendre ce qu'une AI peut faire est d'observer une vraie conversation.

Dans ce cas, tout a commencé par une question très simple posée à Quanthome AI :

« Quelle zone de Lausanne compte le plus grand nombre de copropriétés (PPE) ? »

Pas de requête SQL. Pas de tableau de bord complexe. Pas d'export Excel. Juste une question en langage courant.

À partir de là, Quanthome AI s'est connecté à la plateforme de données Quanthome, a extrait les données pertinentes sur les immeubles et les logements de Lausanne, identifié quels logements étaient en PPE, compté par zone, comparé au nombre total de logements et calculé la part de PPE par secteur. Tout cela s'est passé en arrière-plan, tandis que l'utilisateur restait dans une conversation naturelle et humaine.

Les premières réponses de Quanthome AI donnaient déjà une image claire : il y a des dizaines de milliers de logements à Lausanne, et une part significative d'entre eux sont en PPE. Certains quartiers présentent une très forte concentration de logements en propriété ou en copropriété, tandis que d'autres sont encore dominés par les immeubles locatifs.

Très rapidement, la conversation est passée d'une vue d'ensemble générale de Lausanne à une vue plus détaillée par code postal. J'ai demandé à Quanthome AI d'examiner des NPA spécifiques comme 1003, 1004, 1005, 1006, 1007, 1010, 1012 et 1018, et de comparer à la fois le nombre d'unités PPE et le prix moyen au mètre carré.

Quanthome AI a alors mis en évidence les zones où la PPE est particulièrement importante. Par exemple, certaines zones combinent une part élevée de copropriétés avec des prix au mètre carré supérieurs à la moyenne, ce qui en fait des zones clés pour comprendre la demande, l'accessibilité et le potentiel d'investissement. D'autres zones centrales restent majoritairement institutionnelles ou locatives, même si les prix y sont élevés.

En quelques échanges seulement, j'ai obtenu quelque chose qui nécessite habituellement du temps et une coordination entre différentes équipes : un récit clair, étayé par les données, de la répartition de la propriété et des prix à travers la ville.

La partie la plus intéressante de la conversation est survenue quand j'ai commencé à poser le type de questions que les analystes posent au quotidien : existe-t-il un lien entre la part de PPE dans un quartier et le niveau des prix ? Les zones avec plus de logements en propriété tendent-elles à être plus chères ? Ou est-ce davantage une question de localisation, de prestige et d'histoire ?

Au lieu de donner un avis vague ou générique, Quanthome AI a fait ce qu'un bon analyste ferait : il est retourné aux chiffres. Il a construit, pour chaque code postal, un petit jeu de données avec deux colonnes : le pourcentage de logements en PPE et le prix moyen au mètre carré. En plus de cela, il a mesuré la force avec laquelle ces deux variables évoluent ensemble, en utilisant une simple analyse de corrélation. En termes pratiques, il a examiné si les codes postaux avec une part plus élevée de PPE tendent aussi à afficher des prix plus élevés, et dans quelle mesure cette tendance est forte ou faible plutôt qu'un simple bruit aléatoire.

La conclusion était nuancée et réaliste. Il existe un lien positif : les zones avec plus de PPE tendent à être plus chères en moyenne. Mais ce n'est pas le seul facteur. L'emplacement dans la ville, les vues, l'accès aux services, l'âge et la qualité des immeubles et l'histoire de chaque quartier jouent tous un rôle majeur. Quanthome AI a su l'expliquer en langage simple, sans jargon, tout en s'appuyant sur des données réelles.

À Lausanne, d'un point de vue plus humain et personnel, ce schéma a aussi un sens intuitif. Les promoteurs tendent à construire des copropriétés là où les prix sont déjà élevés, parce que vendre les unités une par une est plus lucratif quand les valeurs au mètre carré sont fortes. Une fois ces projets livrés, ils attirent naturellement des ménages qui peuvent se permettre d'acheter plutôt que de louer. Avec le temps, cela crée un cercle vertueux : plus de copropriétés attirent des résidents plus aisés, le quartier se valorise, les cafés et services suivent, et les prix montent encore. En d'autres termes, des prix plus élevés encouragent plus de PPE, et plus de PPE peut, à son tour, contribuer à la gentrification et à des prix encore plus élevés. Et ce n'est pas seulement une histoire lausannoise : au niveau national, des mécanismes similaires sont à l'œuvre dans les principaux centres urbains suisses, où des niveaux de prix plus élevés vont souvent de pair avec une part plus importante de copropriétés et une gentrification progressive. Avec Quanthome AI, ce type d'analyse peut être étendu d'une seule ville à l'ensemble du pays de manière cohérente et fondée sur les données.

Cette conversation montre aussi quelque chose d'essentiel sur le fonctionnement de Quanthome AI. Le système est directement connecté à la plateforme de données Quanthome, qui agrège les données immobilières suisses au niveau des immeubles et des véhicules. Quand il répond, il ne devine pas ; il interroge des jeux de données structurés : attributs des immeubles, statut de propriété, transactions, prix et plus encore.

Tout aussi important, Quanthome AI peut être remis en question. À un moment donné, j'ai signalé qu'une réponse précédente était incorrecte. Au lieu de se défendre, l'AI a revu les filtres, vérifié ses calculs et corrigé le résultat, en expliquant ce qui avait changé. Pour les professionnels, ce comportement est essentiel : vous pouvez traiter Quanthome AI comme un analyste junior qui est rapide, infatigable et capable de s'autocorriger quand on le pousse.

Même si cet exemple se concentre sur Lausanne, la même logique s'applique à n'importe quelle ville ou portefeuille. Un gestionnaire d'actifs peut demander quelles zones de son portefeuille ont la plus forte exposition à la PPE, où les prix élevés et la forte propriété coïncident, et si ses investissements maximisent réellement la valeur au mètre carré, ou encore où de nouveaux développements modifient l'équilibre entre logements locatifs et en propriété. Une banque peut utiliser des conversations similaires pour affiner ses stratégies de prêt par zone. Un gestionnaire de fonds peut les utiliser pour préparer des mémos d'investissement combinant géographie, régime de propriété et dynamiques de prix.

Le point essentiel est qu'aucun de ces usages ne nécessite d'apprendre un nouvel outil. Vous restez dans une conversation, et Quanthome AI fait le gros du travail sur la plateforme de données Quanthome : filtrage, agrégation, vérification, documentation et explication.

Pendant des années, la finance a eu des outils comme Bloomberg pour standardiser et professionnaliser l'analyse de marché. L'immobilier est souvent resté fragmenté, avec des données dispersées entre PDF, fichiers Excel et bases de données locales.

Quanthome vise à changer cela. En combinant une plateforme de données immobilières unifiée avec une AI à laquelle vous pouvez parler, nous rendons possible le passage d'une simple question — « Quelle zone compte le plus de copropriétés ? » — à un diagnostic à l'échelle de la ville, puis à des décisions au niveau du portefeuille.

Quanthome AI n'est pas là pour remplacer les analystes. Il est là pour leur donner une vision plus claire de la réalité, plus rapidement, et pour les aider à poser de meilleures questions. Et parfois, tout commence par une seule ligne dans la fenêtre de chat.