Le « prompt investing » désigne l'utilisation de modèles de langage avancés (Claude 3 Opus, GPT-4) connectés à des sources de données structurées – principalement la base des Demandes de Valeurs Foncières (DVF) sur data.gouv.fr et la base d'entreprises Papers – pour produire une analyse immobilière automatisée. Un prompt unique, bien construit, peut générer un tableau de bord couvrant : cartographie des transactions récentes par zone, identification des passoires thermiques (DPE F/G), estimation des rendements bruts par typologie de bien, benchmark des acheteurs récurrents (SCI, holdings), et même une première évaluation de la solvabilité des vendeurs.
L'exemple de Toulouse, documenté dans une analyse utilisant Claude connecté à DVF et Papers, montre qu'en moins de dix minutes, il est possible d'obtenir un diagnostic marché, une segmentation par risque/rendement, un cas type de rénovation avec décote et valeur ajoutée, ainsi qu'une veille des acteurs locaux (SCI en difficulté, liquidations, ventes off-market potentielles). Cette approche ne remplace pas la due diligence traditionnelle, mais elle abaisse significativement le coût d'entrée de la prospection foncière pour les investisseurs individuels et les petites structures.
La rupture apportée par le prompt investing ne réside pas dans l'IA seule, mais dans l'articulation de plusieurs couches : connecteurs MCP (Model Context Protocol) vers les API publiques, structuration du prompt en phases (cartographie, DPE, comparables, cadastre, analyse des personnes morales, synthèse stratégique), et génération automatisée de visualisations. Le modèle agit comme un orchestrateur d'outils plus que comme un moteur prédictif.
De l'open data immobilier à l'analyse augmentée
La mise à disposition ouverte des fichiers DVF depuis 2019 a déjà transformé la transparence du marché immobilier français. Toutefois, l'exploitation de ces données restait, jusqu'à récemment, le domaine des data scientists ou des cabinets spécialisés. L'arrivée des modèles de langage dotés de capacités d'utilisation d'outils (function calling, MCP) change la donne : un prompt bien formulé peut désormais interroger l'API data.gouv.fr, filtrer les transactions selon des critères précis (surface, prix, zone géographique, année), et produire des statistiques agrégées.
Parallèlement, la base Papers (ex-Pappers, accessible via API) offre une vue détaillée des personnes morales : SIREN, forme juridique, capital, adresse, gérants, comptes annuels, procédures collectives. Le couplage DVF + Papers permet de remonter des chaînes de propriété et d'identifier les SCI, holdings ou groupes actifs sur un territoire.
Des guides techniques (Papers, communautés d'utilisateurs) détaillent pas à pas la création d'un compte, l'obtention d'une clé API et la configuration du connecteur MCP dans des interfaces comme Claude Desktop. La version gratuite de Claude permet déjà des tests significatifs, tandis que les formules payantes (Claude Pro, accès Opus) offrent une puissance de calcul accrue et des contextes plus longs. Cette démocratisation des outils change l'équilibre informationnel entre grands investisseurs et particuliers.
3.1 La chaîne de valeur du prompt investing
Un prompt efficace pour l'investissement immobilier se décompose généralement en huit phases. La première phase est la cartographie du marché local via DVF (extraction des transactions récentes, typologie des biens, prix médians). La deuxième phase est l'analyse des diagnostics de performance énergétique (DPE) via des bases complémentaires ou des estimations indirectes – une attention particulière est portée aux passoires thermiques (étiquettes F et G), car elles constituent une source potentielle de décote et de création de valeur après travaux. La troisième phase est l'identification de biens comparables (ventes récentes sur des périmètres similaires). La quatrième phase est l'intégration des données cadastrales et d'urbanisme (PLU, risques, servitudes). La cinquième phase est l'intelligence sur le vendeur personne morale : scoring de solvabilité, antécédents judiciaires, et détection d'éventuelles procédures de liquidation (signal off-market). La sixième phase est la modélisation de montages (SCI, location meublée non professionnelle, amortissements). La septième phase est la synthèse stratégique (profil d'investissement idéal, hypothèses de rendement brut, prix cible, loyer prévisionnel). La huitième phase est la détection de signaux faibles macroéconomiques locaux (prime au cachet, décode du DPE, dynamique démographique).
3.2 L'effet de levier informationnel pour les investisseurs individuels
Traditionnellement, l'accès à des analyses aussi granulaires – extraction de 2 600 transactions cibles, segmentation par rendement, identification des SCI détenues par des gérants récurrents – nécessitait plusieurs jours de travail pour un data analyst ou l'abonnement à des bases de données professionnelles (Pricer, MeilleursAgents Data). Avec le prompt investing, un investisseur muni d'un compte Claude gratuit ou payant et d'une clé API Papers peut obtenir une première version en quelques minutes.
Cette réduction des coûts de recherche pourrait avoir deux effets contradictoires. D'une part, elle démocratise l'accès à l'intelligence économique foncière, permettant à des petits porteurs de rivaliser avec des institutions. D'autre part, elle risque d'accélérer la convergence des stratégies d'investissement : si tous les investisseurs utilisent des prompts similaires (voire partagés en open source), les « edges » traditionnels (repérer un secteur sous-évalué, anticiper une rénovation urbaine) pourraient s'éroder par standardisation des analyses.
4.1 L'identification des ventes off-market par analyse de détresse
Un usage avancé de Papers dans le prompt investing consiste à filtrer les personnes morales propriétaires de biens immobiliers (via DVF) et à croiser avec leurs comptes annuels, leurs procédures (redressement, liquidation) ou leur ancienneté. Cela permet de générer une liste « pipeline off-market » : des SCI ou des holdings potentiellement sous pression financière, que l'on peut approcher directement avant même qu'elles ne mettent le bien en agence. Ce signal, encore peu utilisé par le grand public, pourrait devenir un standard de la prospection proactive.
4.2 La cartographie des acheteurs récurrents
Le croisement DVF-Papers permet d'identifier les 50 acquéreurs les plus actifs sur une zone (par exemple la métropole toulousaine), de classer leur stratégie (ticket moyen, profil de bien, rotation), et d'analyser leur benchmark. Pour un investisseur, cela donne une vision des concurrents et des niches de marché non saturées. Pour une collectivité, cela peut éclairer les phénomènes de concentration foncière.
4.3 La standardisation des dashboards
Il est possible que les communautés d'investisseurs commencent à partager des templates de prompts open source, générant des dashboards quasi identiques pour chaque ville. Cette standardisation réduirait la différenciation et pourrait créer des bulles d'attention sur certaines zones ou typologies de biens. À l'inverse, les investisseurs capables de personnaliser finement leurs prompts (ajout de critères micro-locaux, de données de mobilité, de projets d'urbanisme non structurés) conserveraient un avantage.
Trois scénarios pour le prompt investing à horizon 2027
Scénario 1 — Diffusion massive et normalisation (probabilité estimée élevée)
Les modèles de langage intègrent nativement des connecteurs vers DVF, Papers, et d'autres bases immobilières. Les interfaces utilisateur permettent de générer un rapport d'investissement en langage naturel sans écrire de prompt technique. La prospection foncière devient aussi accessible que la recherche d'un vol en ligne. La concurrence se déplace vers la qualité de l'exécution (travaux, négociation, gestion) plutôt que vers l'identification de l'opportunité.
Scénario 2 — Fragmentation des sources et résilience des acteurs historiques (probabilité estimée modérée)
Les bases les plus précieuses (fichiers MAJIC, DV3F, données notariales détaillées) restent sous contrôle public ou à accès payant. Les API gratuites présentent des limites de débit ou des champs incomplets. Les cabinets d'expertise immobilière et les grandes banques maintiennent leur avantage en combinant données ouvertes et données privées (flux transactionnels en temps réel, évaluations internes). Le prompt investing reste un outil de préscreening mais ne remplace pas la due diligence approfondie.
Scénario 3 — Régulation et encadrement éthique (probabilité estimée faible à modérée)
L'utilisation massive de prompts pour cibler des SCI en difficulté ou des propriétaires personnes physiques via des recoupements indirects (adresses, âge des dirigeants) soulève des questions de protection des données et de respect de la vie privée. La CNIL ou des autorités européennes pourraient imposer des restrictions sur l'usage des données DVF à des fins de prospection commerciale automatisée. Les modèles d'IA devraient intégrer des garde-fous limitant la génération de « listes de détresse ».
Cette analyse comporte plusieurs limites méthodologiques. Premièrement, la qualité des résultats dépend étroitement de la qualité du prompt initial. Un prompt mal structuré (absence de filtres géographiques précis, mauvais paramétrage des surfaces et prix) peut générer des indicateurs biaisés ou inexploitables. L'effet « boîte noire » du modèle peut masquer des erreurs de calcul ou des interprétations abusives.
Deuxièmement, les données DVF publiques ne contiennent pas l'identité des personnes physiques. L'analyse des propriétaires se limite donc aux personnes morales (SCI, sociétés). Le repérage des vendeurs individuels en difficulté (surendettement, divorce) n'est pas accessible via cette méthode. De plus, le délai de publication des mutations foncières (plusieurs mois) introduit un décalage avec le marché réel.
Troisièmement, l'estimation des rendements bruts générée par l'IA repose sur des loyers moyens théoriques ou issus de sources annexes (LeBonCoin, MeilleursAgents), non intégrées en temps réel dans le prompt. La vacance locative, les charges non récupérables et la fiscalité réelle ne sont pas modélisées dans les dashboards standards. Le rendement brut de 4,0-4,5% mentionné sur l'exemple toulousain doit être considéré comme un ordre de grandeur, non comme une promesse de rentabilité.
Quatrièmement, les modèles de langage comme Claude 3 Opus peuvent produire des hallucinations (par exemple, attribuer un score de solvabilité inexistant à une SCI). L'utilisateur doit systématiquement recouper les résultats avec les sources primaires (extraits Kbis, greffe). Le prompt investing est un assistant, pas un substitut au jugement humain.
Cinquièmement, cette analyse ne constitue pas un conseil en investissement, une recommandation d'achat ou de vente, ni une évaluation de la performance passée ou future d'un actif immobilier. Les stratégies de rénovation, de défiscalisation et de financement doivent être validées par des professionnels agréés (diagnostiqueurs, notaires, conseillers en gestion de patrimoine).
Le prompt investing illustre une transformation plus large : l'IA générative ne se contente plus de produire du texte ; elle orchestre des appels à des bases de données, exécute des calculs et synthétise des indicateurs complexes en langage naturel. Pour l'investisseur immobilier, le gain de temps est réel – passer de plusieurs jours de collecte manuelle à quelques minutes d'interaction avec un assistant. Pour le marché, l'effet est plus ambigu. La standardisation des analyses pourrait réduire les opportunités d'arbitrage informationnel, tandis que la traçabilité des prompts (open source) favoriserait la transparence des méthodes.
La véritable rupture viendra peut-être moins de l'IA que de l'évolution des données ouvertes. Si l'État ouvrait l'accès à des bases plus fines (DV3F, fichiers MAJIC anonymisés mais enrichis), le prompt investing deviendrait un outil de pilotage stratégique pour les collectivités et un vecteur d'alerte précoce sur les déséquilibres territoriaux. À l'inverse, un verrouillage de ces données maintiendrait un fossé entre acteurs historiques et nouveaux entrants. L'ORV-1 Intelligence Unit suivra l'évolution des API publiques et des pratiques de prompt engineering comme indicateurs avancés de la démocratisation de l'intelligence économique foncière.