Durant la majeure partie du dernier cycle, l'immobilier commercial canadien a bénéficié d'une conjoncture favorable. Les taux d'intérêt ont baissé, les taux de capitalisation se sont comprimés et les valeurs ont grimpé, portées par une vague qui a tiré vers le haut la quasi-totalité des actifs. « Tous les bateaux ont profité de ce cycle exceptionnel et bienveillant », comme l'a formulé Carl Gomez, économiste en chef et vice-président exécutif de la recherche chez Centurion Asset Management. Mais le problème d'un contexte favorable qui ne fait pas de distinction, c'est qu'il masque la différence entre une bonne décision et un coup de chance. Et une fois que ce contexte s'essouffle – comme c'est le cas actuellement –, cette distinction devient cruciale.

Lors d'un récent Webinaire du Groupe Altus sur la façon dont les données et l'IA remodèlent les décisions d'investissement canadiennesGomez s'est joint à Raymond Wong, vice-président de la recherche chez Newmark Canada, et à Christina Gratrix, directrice principale de la gestion des produits chez Groupe Altus. La discussion a révélé moins un débat qu'une convergence : l'argent facile ayant disparu, ce sont à nouveau les fondamentaux qui déterminent les gagnants. Mais on ne peut pas déduire les fondamentaux à partir de données non fiables.

Retour aux fondamentaux

Gomez a passé 25 ans à analyser le marché à travers les données, et son constat est sans appel. Lorsque la compression des taux de capitalisation tirait les ficelles, les fondamentaux fragiles importaient peu ; de nombreuses « erreurs », comme il les appelle, étaient masquées par la hausse des valeurs. Désormais, en faisant abstraction de cet effet, les rendements dépendent de la solidité de la croissance du résultat net d'exploitation (NOI) sous-jacent, classe d'actifs par classe d'actifs. « Les spécialistes qui savent piloter une classe d'actifs malgré toutes ces perturbations sont ceux qui généreront des rendements solides. »

Wong observe la même prudence sur le terrain, avec une nuance supplémentaire : la conviction demeure, les investisseurs sont simplement plus lents à agir, et les opportunités se sont étendues au-delà des quatre secteurs clés pour inclure les centres de données, le stockage et le stockage extérieur. Malgré la diversité des actifs, la sélectivité reste un point commun. Les acteurs les plus expérimentés, ajoute-t-il, choisissent des actifs spécifiques en s’appuyant sur des informations fiables et cohérentes, plutôt que de miser sur une tendance qui n’est plus d’actualité.

La qualité de la sélectivité des investissements dépend de la qualité des données qui la sous-tendent.

Lorsqu'on a demandé au public où leurs données présentaient des lacunes, un consensus s'est dégagé autour d'un problème commun.

Figure 1 : Résultats du sondage - Quel est le principal obstacle empêchant votre organisation de mieux exploiter ses données ?

Source : Résultats du sondage du webinaire Groupe Altus : Investir dans l'immobilier commercial canadien en 2026 : comment les données et l'IA transforment la prise de décision en matière d'immobilier commercial

La moitié des personnes interrogées ont évoqué la fragmentation ; 24 % ont pointé du doigt la qualité et 23 % la gouvernance. Seuls 3 % ont déclaré que le problème résidait dans l’accès aux données elles-mêmes. Presque tous les participants ont identifié le problème au même endroit : non pas au niveau de l’accès, mais au niveau des fondations sous-jacentes.

Gomez a expliqué pourquoi l'immobilier est particulièrement vulnérable à ce phénomène. Contrairement aux actions cotées en bourse, dont la négociation peut être effectuée en temps réel, l'immobilier est un actif physique complexe. Des flux de trésorerie à la dynamique des baux en passant par les méthodes d'évaluation, les résultats varient selon les données analysées et leur traitement. En clair, si les données d'entrée sont erronées, les résultats le seront aussi.

Le conseil de Wong est de choisir une source et de s'y tenir, car en l'absence de source parfaite, la cohérence prime sur la recherche du chiffre le plus flatteur. Pour les grandes entreprises, le véritable avantage réside dans leurs propres données, combinées à des sources externes, à condition toutefois que les deux soient réellement intégrables.

Gratrix en constate les conséquences au quotidien. Les entreprises disposent de cinq, dix, voire vingt ans d'historique, enregistré pour répondre à des questions différentes de celles posées aujourd'hui. Un client a récemment analysé les valeurs industrielles par capacité de production et a découvert une anomalie qui lui avait échappé, tout simplement parce que personne n'avait isolé cette variable il y a cinq ans. « C'est dans les anomalies que l'on apprend le plus », explique-t-elle, mais seulement si les données sont structurées pour les faire ressortir. Sans cadre cohérent, même l'outil le plus performant ne peut rien interpréter de manière cohérente.

Voici la logique derrière Altus Data Studio: s'organiser d'abord autour de l'actif, afin que l'intelligence déjà présente dans les données devienne utilisable plutôt qu'enfouie.

Pourquoi un outil générique ne survivra pas à un comité d'investissement

Si les données de base sont fragiles, l'IA ne résout rien. Pire encore, elle perpétue le problème. Interrogés sur la position de leur organisation sur la courbe d'adoption, les participants se sont majoritairement identifiés comme étant encore aux prémices.

Figure 2 : Résultats du sondage - Où décririez-vous l'adoption de l'IA par votre organisation dans la prise de décision en matière d'immobilier commercial ?

Source : Résultats du sondage du webinaire Groupe Altus : Investir dans l'immobilier commercial canadien en 2026 : comment les données et l'IA transforment la prise de décision en matière d'immobilier commercial

Près des deux tiers sont en phase d'expérimentation ; moins d'un sur dix a mis en œuvre une solution. C'est dans cet écart que Gratrix concentre ses efforts. "La question qui revient le plus souvent est : « Puis-je me fier à ce résultat, et comment l'expliquer ? »" Le réflexe qui suit, comme elle le décrit, est d'interroger chaque réponse : "Nous devons expliquer chaque aspect qui a conduit l'IA à cette réponse." C'est là que les outils génériques montrent leurs limites : ils ne puisent pas systématiquement leurs données dans les bonnes sources. Un outil n'est donc valable que s'il peut répondre à toutes les questions. Ce niveau de fiabilité exige des données gouvernées, spécifiques au domaine et liées à une méthodologie transparente. C'est la norme qui sous-tend ARGUS AssistCe système simplifie l'extraction des données sans pour autant priver les évaluateurs de leur jugement. Au moment d'exécuter le modèle, l'agent appelle directement le moteur de calcul ARGUS, en s'appuyant sur les modèles ARGUS, les données de marché et les cadres d'évaluation propres à l'environnement ARGUS de l'évaluateur. Ainsi, les résultats sont conformes à la méthodologie reconnue depuis trente ans par les investisseurs institutionnels, les auditeurs et les contreparties.

Gomez ajoute que les outils actuels sont génératifs et de plus en plus performants pour analyser des rapports, simuler des scénarios et détecter les erreurs. Cependant, si on leur fournit des sources erronées, les résultats contrediront l'expérience pratique d'un professionnel. Sa solution : la rigueur. Il faut exiger de l'IA les mêmes indicateurs de performance clés que ceux appliqués à un être humain. Gratrix, de son côté, insiste sur le fait que le processus de vérification préalable de l'IA doit être aussi rigoureux que celui des investissements.

L'IA ne remplacera pas le jugement, mais elle remplacera les personnes qui refusent de l'utiliser.

Aucun des trois intervenants n'envisage qu'une machine prenne le relais, ce qui indique qu'ils utilisent l'IA pour automatiser les tâches répétitives, et non pour prendre les décisions importantes. Gomez reconnaît ouvertement que cette situation pourrait ne pas perdurer ; l'analyste débutant chargé d'établir des flux de trésorerie pourrait finir par être remplacé, même si cela ne se reflète pas encore dans les données sur le marché du travail canadien. Actuellement, la demande de professionnels de l'immobilier commercial maîtrisant à la fois cette classe d'actifs et les outils associés est autant organisationnelle que technique.

Wong a démontré ce que les données ne peuvent pas révéler. « Un ami a inventé une expression qui, je crois, est devenue courante aujourd'hui : DALS. Il faut se promener et observer », dit-il. « Un point de données ne vous indiquera pas la présence d'une usine chimique à côté du site de stockage extérieur que vous évaluez, ce qui, paradoxalement, en diminue la valeur. »

Gratrix est allé plus loin, soulignant que le jugement humain demeure essentiel partout. L’IA et le jugement ne se substituent pas ; ils se complètent. L’outil gère le calcul et la reconnaissance de formes à grande échelle ; l’humain, lui, se charge de l’interprétation et reste celui qui doit façonner le récit et le défendre.

Les entreprises qui traversent le mieux cette période ne sont pas nécessairement celles qui disposent des outils les plus sophistiqués. Ce sont plutôt celles qui ont d'abord accompli le travail ingrat : obtenir des données fiables, adopter une méthodologie rigoureuse et mettre en place un cadre capable de résister à l'épreuve du comité d'experts. L'IA est un accélérateur, et les fondements sont ce qu'elle accélère. L'effet de mode s'est estompé ; il a été remplacé par la discipline nécessaire pour distinguer une bonne décision d'une décision prise par chance, en se basant sur des données justifiables. C'est sur ces fondements qu'Altus continue de bâtir sur le marché canadien, et, de l'avis général de ce panel, ce sont eux qui détermineront le prochain cycle.

Vous souhaitez être informé de nos nouveaux contenus, articles et événements CRE pertinents ?