Mis à jour le 28 juillet 2026.
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 entre de nombreuses sources publiques et privées (Pillr en croise 16 aujourd'hui) :
- 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 pour éviter les doublons.
- Mise en file d'attente pour analyse IA.
Au compteur aujourd'hui : plus de 150 000 annonces déjà analysées au catalogue, et 1,7 million d'annonces agrégées depuis le début de la collecte.
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 open source, quantizé et servi sur notre GPU dédié, au rythme d'environ 5,7 photos par seconde. 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, extérieur) 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 calé sur des devis professionnels réels : 800 à 1 500 €/m² pour une rénovation moyenne, 1 500 à 2 500 €/m² pour une rénovation lourde.
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 multi-critères (LLM local).
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.
Un modèle de langage, servi lui aussi sur notre infrastructure dédiée (zéro API cloud), 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 calcul, 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 à 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 côte à côte 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 correspond.
- 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 Hub : un assistant IA qui s'appuie sur 33 outils pour interroger le catalogue et les données de marché en langage naturel.
Le passage à l'échelle : fait
Aux débuts du pipeline, le volume plafonnait à quelques milliers d'annonces par mois via des API cloud facturées à l'appel : insoutenable pour couvrir le marché. La solution tenait en trois briques : GPU dédié, quantization du modèle vision, traitement par lots.
Cette infrastructure est en production. Mesuré en conditions réelles : environ 900 annonces analysées par heure, soit une capacité de plus de 600 000 analyses par mois, pour un coût marginal par annonce quasi nul. L'objectif initial de 100 000 annonces par mois est atteint et dépassé. Côté produit, cela se traduit par plus de 150 000 annonces déjà analysées au catalogue et des analyses de zone 100 % précalculées pour les 34 422 communes françaises : le verdict s'affiche sans temps d'attente.
Pour aller plus loin
Si tu veux essayer le résultat plutôt que la mécanique, l'essai 3 jours est ouvert (0 € débité pendant l'essai, sans engagement, résiliation à tout moment depuis ton espace compte). Et si tu es développeur curieux, on raconte régulièrement les coulisses techniques du produit sur ce blog.
Équipe Pillr
