Le problème : la donnée immobilière française est riche mais éclatée
Quand on creuse, on découvre que les données nécessaires pour évaluer un bien existent déjà — mais elles sont éclatées sur une douzaine de sources publiques et privées :
- ▸Annonces sur Leboncoin, SeLoger, Bien'ici, Logic-Immo, PAP — accessibles mais non normalisées.
- ▸Transactions réelles dans la base DVF (Demandes de Valeurs Foncières) du gouvernement — disponibles mais brutes.
- ▸Statistiques démographiques et économiques dans les API INSEE — denses mais pas conviviales.
- ▸Données de tension locative par INSEE et bailleurs sociaux — fragmentées.
- ▸Risques naturels sur Géorisques — accessible mais ardu.
- ▸DPE et diagnostics sur l'API ADEME — incomplet.
L'analyse manuelle d'une annonce demande de croiser 6 à 10 sources pour aboutir à un verdict argumenté. C'est exactement ce que Pillr automatise.
L'architecture en 4 couches
Couche 1 : Ingestion continue (24/24)
Pillr agrège en continu les annonces publiquement diffusées sur les principaux portails immobiliers français. Chaque nouvelle annonce, modification de prix ou retrait déclenche un événement traité dans les secondes qui suivent sa détection. Pillr n'est pas mandaté par les vendeurs et n'intervient pas dans la transaction.
À l'arrivée, l'annonce est :
- ▸Normalisée (extraction surface, pièces, DPE, prix au m², commune, code INSEE).
- ▸Stockée en base avec un identifiant unique (
stripe_processed_eventspour éviter les doublons). - ▸Mise en file d'attente pour analyse IA.
Volume cible : 100 000+ annonces actives à un instant T sur l'ensemble du marché français.
Couche 2 : Pipeline IA en deux passes
Passe 1 — Vision locale (GPU dédié).
Les photos de l'annonce (10 à 30 par bien en moyenne) sont passées dans un modèle de vision spécialisé — actuellement Gemma 4 ou Qwen 3.6 VL selon le type de tâche. L'objectif : détecter visuellement l'état de chaque pièce et chiffrer les travaux nécessaires poste par poste.
Le modèle classifie chaque photo (cuisine, salle de bain, salon, chambre, exterior) et identifie les éléments à rénover :
- ▸Peinture (mur/plafond/sol) : présence d'humidité, traces, défauts.
- ▸Sols : nature (parquet/carrelage/lino/moquette), état, ancienneté.
- ▸Cuisine : modernité, état des éléments, robinetterie, plan de travail.
- ▸Salle de bain : faïence, robinetterie, sanitaires.
- ▸Électricité : tableau visible, prises, conformité apparente.
Chaque poste reçoit une fourchette de coût en euros, calibrée sur un barème artisans 2025 : 800-1 500 €/m² pour rénovation moyenne, 1 500-2 500 €/m² pour rénovation lourde — calé sur des devis professionnels réels.
C'est une estimation indicative, pas un devis : suffisante pour décider si un bien mérite une visite et pour établir une fourchette de négociation. Un devis d'artisan reste indispensable avant signature.
Passe 2 — Raisonnement Cloud (Gemini 2.5 Flash).
Les sorties de la passe 1 sont enrichies par un croisement avec :
- ▸La base 34 422 communes INSEE (population, démographie, médiane revenu, tension locative, taux de vacance).
- ▸Les transactions DVF des 5 dernières années sur la commune et les communes voisines.
- ▸Les prix médians au m² par type de bien et par segment de marché.
Gemini 2.5 Flash est ensuite chargé du raisonnement multi-critères : application des 8 critères pondérés du score Pillr, simulation fiscale 4 régimes, recommandation de négociation argumentée par les transactions voisines.
Pourquoi 2 passes plutôt qu'une seule ? Coût et précision. La vision est coûteuse en compute, le raisonnement est coûteux en tokens. En séparant, on optimise chaque étape.
Couche 3 : Stockage et indexation
Chaque résultat d'analyse est persisté en base Supabase Postgres avec Row-Level Security activée au niveau ligne. Les annonces enrichies sont indexées par :
- ▸Code INSEE (commune)
- ▸Code postal
- ▸Type de bien (appartement, maison, immeuble)
- ▸Score Pillr (recherchable par fourchette)
- ▸Rendement net pré-calculé
- ▸Stratégie compatible (LMNP, colocation, courte durée, déficit foncier)
Cette indexation permet un filtrage instantané côté utilisateur : "Lyon · T2 · 160-220 K€ · Score ≥ 75 · Rendement ≥ 5,5 %" remonte 12 résultats en < 200 ms.
Couche 4 : API utilisateur + alertes temps réel
L'utilisateur final consomme :
- ▸Le portail : vue liste / vue carte / vue tableau, filtres avancés, comparaison side-by-side de 3 biens, favoris, notes personnelles.
- ▸Les alertes : configuration de profils de recherche (ville, budget, score min, rendement min, DPE), notification email dès qu'une nouvelle annonce match.
- ▸Les fiches détaillées : verdict synthétique, scoring 8 critères pondérés, travaux poste par poste, simulation cashflow LMNP réel sur 20 ans, recommandation négociation, dossier bancaire PDF.
Le défi du scaling
Pour passer de 5 000 annonces / mois (volume actuel via API cloud) à 100 000+ annonces / mois (volume cible), il faut faire tomber le coût marginal sous 0,01 € par annonce. Avec une API cloud (~0,03 € par appel), c'est insoutenable. Avec un GPU dédié + quantization du modèle vision + batch processing, c'est atteignable.
C'est l'objet principal de notre candidature à la Bourse French Tech 2026. Une fois cette infrastructure en place, l'ouverture publique de Pillr est immédiate.
Pour aller plus loin
Si tu veux essayer le résultat plutôt que la mécanique, l'essai 7 jours est ouvert (0 € débité pendant l'essai, sans engagement — résiliation à tout moment depuis ton espace compte). Et si tu es développeur curieux, j'écris régulièrement sur les coulisses techniques — abonne-toi au blog ou suis-moi sur Twitter.
— *Équipe Pillr*
