IA dans l'immobilier et la proptech 2026 : 10 cas d'usage concrets

#Pourquoi l'immobilier adopte l'IA en accéléré en 2026

L'immobilier français traverse une transformation structurelle. Selon le rapport numérique de la FNAIM 2025, 68 % des agences affiliées ont déclaré avoir déployé ou être en cours de déploiement d'au moins un outil IA dans leur processus métier — contre 31 % deux ans plus tôt. Cette adoption massive s'explique par trois convergences simultanées.

La pression sur les marges. Depuis la correction de marché de 2023-2024, les agences immobilières françaises opèrent dans un contexte de volume de transactions réduit (FNAIM : -18 % de transactions sur 2023-2024 versus pic 2021). L'IA permet de maintenir le niveau de service avec des équipes réduites, ou d'élargir le portefeuille traité sans embauches supplémentaires.

La bataille pour le lead entrant. La digitalisation du parcours acquéreur est désormais quasi-totale : 96 % des recherches immobilières débutent en ligne selon le CNTGI (Conseil National de la Transaction et de la Gestion Immobilières). Les agences qui répondent à un lead dans les 5 premières minutes convertissent 9 fois plus que celles qui répondent au-delà d'une heure. Les agents IA de qualification permettent cette réactivité 24h/24 sans multiplier les effectifs.

La maturité des plateformes proptech. McKinsey Real Estate Report 2025 estime que 55 % des tâches manuelles dans l'immobilier sont automatisables par des systèmes IA existants aujourd'hui — soit le taux d'automatisabilité le plus élevé parmi les secteurs de services analysés. Les plateformes proptech françaises (Meilleurs Agents, Pretto, Beanstock, Hosman) ont prouvé que l'IA peut opérer à grande échelle sur des données immobilières françaises complexes (hétérogénéité des biens, poids des micro-marchés locaux, réglementation locative).

Les 10 cas d'usage présentés ci-dessous ne sont pas des projections — ce sont des déploiements documentés avec leurs KPIs mesurés sur des acteurs réels du marché immobilier français.

#Cas #1 — Estimation de prix IA : l'AVM (Automated Valuation Model)

KPI mesuré : écart moyen de 2,8 % avec le prix de vente final | Délai d'estimation : < 10 secondes

L'estimation de prix est le cas d'usage IA le plus mature dans l'immobilier. Les AVM (Automated Valuation Models) existent depuis une décennie, mais la génération 2026 intègre des modèles LLM multimodaux capables d'analyser des signaux qualitatifs inaccessibles aux modèles statistiques classiques : qualité des photos du bien, description textuelle, proximité de nuisances sonores via données OSM, état de la copropriété dans les procès-verbaux d'AG.

Architecture technique déployée :

• Base de données DVF (Demandes de Valeurs Foncières) enrichie des transactions notariales, données fiscales et données de travaux DPE/ADEME
• Modèle de gradient boosting (XGBoost ou LightGBM) sur les features quantitatives (surface, étage, année, DPE, distance transports)
• Modèle d'embedding multimodal (photos + texte) pour les features qualitatives
• Score de confiance de l'estimation fourni avec chaque valeur (fourchette basse/haute à 90 %)

Acteurs de référence en France : Meilleurs Agents et PAP ont déployé cette approche à grande échelle sur les données françaises. Leur AVM atteint un écart médian de 2,8 % sur les marchés urbains denses, montant à 6-9 % sur les zones rurales ou les biens atypiques — là où la donnée comparable est rare.

Pour les agences souhaitant déployer leur propre AVM sur un marché local, l'architecture RAG adaptée à l'immobilier permet d'enrichir les modèles avec des données propriétaires (historique des biens vendus en portefeuille, données de visite, prix de négociation observés).

#Cas #2 — Analyse de marché prédictive

KPI mesuré : anticipation de 3 à 6 mois sur les tendances de prix | -28 % de délai moyen de mise en vente

Au-delà de l'estimation individuelle, les modèles prédictifs de marché permettent aux promoteurs, aux investisseurs et aux agences d'anticiper les dynamiques de prix sur un secteur géographique donné. L'IEIF (Institut de l'Épargne Immobilière et Foncière) a documenté en 2025 que les investisseurs équipés de tels outils ont réduit leur taux de vacance locative de 19 % en ajustant leur politique de loyers 3 mois avant les inflexions de marché.

Ce que le modèle prédit :

• Évolution des prix au m² sur les 6 prochains mois par IRIS (maille INSEE ~2 000 habitants)
• Demande prévisionnelle par type de bien et segment de budget
• Détection des zones de tension locative émergentes (signal faible : hausse du nombre d'alertes sur les plateformes de location, baisse du délai de mise en location)
• Corrélations avec les indicateurs macro-économiques (taux OAT, évolution du crédit immobilier, démographie locale)

Cas concret : un promoteur occitan utilise un modèle prédictif pour choisir ses zones d'acquisition foncière 18 mois avant le lancement commercial d'un programme. Le modèle analyse 47 variables par zone (flux migratoires, permis de construire accordés, projets d'infrastructure publique, tendances de prix comparables) et produit un score d'attractivité pondéré par le risque. Résultat documenté : taux de commercialisation à 6 mois de 94 % versus 71 % sur les programmes sans analyse IA préalable.

#Cas #3 — Chatbot IA pour agences : qualification des leads entrants

KPI mesuré : +40 % de leads qualifiés transmis aux agents | Délai de réponse : < 90 secondes 24h/24

La qualification des leads est le goulot d'étranglement numéro un des agences immobilières : un agent traite en moyenne 40 à 80 leads entrants par semaine (email, téléphone, formulaires SeLoger/Le Bon Coin), dont 60 à 70 % sont non qualifiés ou hors budget. Un agent IA de qualification opère en première ligne pour filtrer, qualifier et router les leads avant qu'ils n'atteignent l'agent commercial.

Ce que fait le chatbot IA de qualification :

1. Réponse immédiate à toute demande de renseignement sur un bien (24h/24, 7j/7)
2. Collecte structurée des critères acheteur : budget, type de bien, secteur géographique, délai de projet, situation de financement (accord de principe, apport estimé)
3. Scoring automatique du lead selon les critères de l'agence (pondération configurable : budget confirmé, délai court, financement arrangé)
4. Routing vers l'agent disponible adapté au profil du lead (spécialiste secteur, agent senior pour budget > 500 K€)
5. Relance automatique à J+1, J+3 et J+7 sur les leads qualifiés non traités

KPIs mesurés (benchmark FNAIM rapport numérique 2025) : taux de réponse sous 5 minutes passé de 12 % à 98 %, taux de leads qualifiés transmis aux agents +40 %, satisfaction client sur la réactivité NPS +22 points.

Le chatbot s'intègre nativement sur les CRMs immobiliers majeurs (APIMO, Périclès, Hektor) via API, et peut être déployé en parallèle sur le site web de l'agence et sur WhatsApp Business pour les demandes mobiles.

#Cas #4 — Prise de rendez-vous et FAQ automatisées

KPI mesuré : -55 % de temps administratif agents | +18 % de visites effectuées par agent par semaine

La prise de rendez-vous de visite est une tâche chronophage qui mobilise les agents immobiliers entre 1h30 et 3h par jour (allers-retours email/téléphone pour calage des créneaux, confirmations, rappels, gestions des annulations). Un agent IA de planification automatise l'ensemble de ce processus en s'interfaçant avec l'agenda de l'agent et le calendrier du bien.

Fonctionnalités déployées :

• Propositions de créneaux contextuelles : l'agent connaît l'agenda de l'agent et les disponibilités du vendeur — il propose uniquement des créneaux réalistes avec buffer de déplacement
• Confirmation et rappels multicanaux : confirmation immédiate par SMS + email, rappel J-1 automatique, rappel H-2 le jour de la visite
• Gestion des annulations : en cas d'annulation, l'agent IA propose immédiatement un nouveau créneau sans intervention humaine
• FAQ bien : réponses automatiques aux questions fréquentes sur le bien (charges de copropriété, DPE, taxe foncière, diagnostics disponibles) depuis la base documentaire du mandat

Le complément naturel est le callbot vocal pour les prospects qui préfèrent téléphoner : l'agent vocal qualifie, planifie et répond aux FAQ avec la même logique, sans mobiliser l'agenda des agents commerciaux.

#Cas #5 — Génération automatique d'annonces immobilières

KPI mesuré : ×6 de vitesse de création annonce | +31 % de taux de clic sur les portails vs annonces manuelles

La rédaction d'annonces immobilières est une tâche répétitive mais à fort enjeu commercial : une annonce bien rédigée génère deux fois plus de contacts qu'une annonce médiocre sur le même bien. Les agents de génération d'annonces IA prennent en entrée la fiche mandat (surface, étage, caractéristiques, photos) et produisent une annonce optimisée pour chaque portail cible (SeLoger, Le Bon Coin, PAP, Bien'ici) avec leurs contraintes de format respectives.

Ce que l'agent génère automatiquement :

• Titre d'annonce optimisé selon les mots-clés à fort taux de clic sur le portail cible (analyse des CTR par type de formulation)
• Description en 2 à 3 paragraphes adaptée au ton du portail (SeLoger = premium, Le Bon Coin = direct)
• Points forts du bien mis en avant selon les features les plus recherchées dans le secteur (analyse temps réel des alertes actives sur le portail)
• Mentions légales et diagnostics intégrés automatiquement depuis la base documentaire
• Texte alt optimisé pour les photos uploadées

Benchmark de qualité : une étude menée par JLL PropTech Report 2025 sur 12 000 annonces générées par IA versus rédigées manuellement montre un taux de clic supérieur de 31 % et un nombre de contacts par annonce supérieur de 24 %. La principale explication : les annonces IA sont systématiquement mieux structurées pour les moteurs de recherche des portails (algorithmes de classement internes qui favorisent les annonces avec des descriptions longues et structurées).

Pour les réseaux d'agences avec des volumes élevés de mandats, la génération automatique de contenu IA peut être étendue à la production des supports de communication (fiches vendeur, lettres de présentation, rapports de suivi de mandat).

#Cas #6 — Virtualisation des visites et home staging IA

KPI mesuré : +25 % de taux de conversion visite → offre | -3,2 visites physiques par vente

La visite virtuelle IA va bien au-delà de la simple visite 360°. Les outils de generation 2026 permettent de transformer un bien occupé, meublé et décorateur en photos de home staging virtualisé, d'effectuer des projections de rénovation ("à quoi ressemblerait ce salon avec les cloisons déplacées et le plancher refait") et de générer des visites guidées narratives avec commentaire audio IA adapté au profil de l'acheteur.

Les trois dimensions de la virtualisation IA :

1. Home staging IA (dé-meublage / re-meublage virtuel) Les photos du bien occupé sont traitées par un modèle de vision pour supprimer les meubles actuels et remplacer par un mobilier neutre et valorisant. Coût : 2 € par lot de photos versus à partir de 800 € pour un home staging physique. Résultat documenté (IEIF 2025) : +12 % de prix de vente moyen sur les biens traités en home staging IA versus non traités.

2. Projection de rénovation A partir des photos actuelles, le modèle génère des rendus "après travaux" selon des scénarios de rénovation définis (carrelage refait, cuisine équipée, fenêtres changées). L'acheteur visualise le potentiel du bien, pas son état actuel. Cet outil est particulièrement puissant sur les biens à rénover qui souffrent d'une sous-valorisation perceptuelle.

3. Visite guidée narrative Un agent vocal IA génère un commentaire de visite personnalisé selon le profil de l'acheteur (famille avec enfants → mise en avant des chambres et du jardin, investisseur locatif → mise en avant du rendement potentiel et de la localisation). La narration s'adapte en temps réel aux questions posées pendant la visite virtuelle.

#Cas #7 — Gestion locative IA : quittances et révisions de loyer automatisées

KPI mesuré : -30 % de coût de gestion | 0 oubli de révision de loyer sur portefeuille traité

La gestion locative est le domaine où l'IA génère les gains opérationnels les plus immédiats pour les administrateurs de biens et les bailleurs en auto-gestion. Les tâches répétitives — émission des quittances mensuelles, application des révisions IRL (Indice de Référence des Loyers), relances pour impayés, traitement des demandes d'intervention technique — représentent 60 à 70 % du temps de gestion et sont quasi-intégralement automatisables.

Automatisations déployées par l'agent de gestion locative :

Quittances automatiques : génération et envoi automatique des quittances le 1er de chaque mois (PDF conforme aux obligations légales, avec mention du loyer, des charges, de la période et de la référence contrat). L'agent gère les cas particuliers : prorata en cas d'entrée/sortie en cours de mois, régularisation de charges, révision en cours de période.

Révisions IRL automatisées : dès publication de l'IRL trimestriel par l'INSEE, l'agent calcule automatiquement le nouveau loyer pour chaque contrat, génère l'avenant et notifie locataire et propriétaire. Zéro oubli, zéro erreur de calcul. La non-application d'une révision à temps génère une perte de revenus définitive pour le bailleur — l'agent élimine ce risque structurellement.

Relances impayés progressives : l'agent suit les échéances de paiement et déclenche une séquence de relance automatisée (SMS J+3, email J+5, courrier recommandé virtuel J+10) avant transmission au gestionnaire pour procédure formelle si nécessaire. Les agents IA de lead generation partagent la même logique de nurturing séquentiel adaptée ici au contexte locatif.

#Cas #8 — Traitement des sinistres et demandes d'intervention IA

KPI mesuré : -45 % de délai de traitement sinistre | +19 points NPS locataire sur la gestion technique

Le traitement des demandes d'intervention technique (pannes, sinistres, travaux d'entretien) est le principal point de friction dans la relation bailleur-locataire. En France, 38 % des résiliations de bail sont liées à une insatisfaction sur la réactivité de la gestion technique (FNAIM 2025). L'automatisation IA de ce processus est un levier direct de fidélisation locataire et de réduction du taux de vacance.

Workflow de traitement automatisé :

1. Le locataire signale l'incident sur l'interface de son choix (app, email, WhatsApp, téléphone via callbot)
2. L'agent IA qualifie l'incident : nature (électricité, plomberie, serrurerie, toiture), urgence (panne totale chauffage en hiver = urgence P1 vs vitre fissurée = P3), photos demandées pour évaluation
3. Sélection automatique de l'artisan prestataire selon la nature, la zone géographique et les disponibilités (base prestataires qualifiés avec notation automatique)
4. Génération de l'ordre de mission et confirmation de RDV au locataire sous 15 minutes
5. Suivi automatique de l'intervention et clôture du ticket avec retour satisfaction locataire

Cette automatisation s'articule avec les outils de transformation digitale PME artisans : les prestataires artisans du réseau reçoivent les ordres de mission sur leur propre interface mobile, avec accès aux documents du bien (diagnostics, plans) directement depuis l'agent.

→ Pour aller plus loin : découvrez nos outils gratuits — calculateurs ROI, diagnostics techniques et quiz interactifs pour affiner votre réflexion.

#Cas #9 — Construction et promotion : IA prédictive chantier

KPI mesuré : -18 % de dépassement budgétaire | -22 % de dépassement de planning

→ Pour aller plus loin : découvrez nos outils gratuits — calculateurs ROI, diagnostics techniques et quiz interactifs pour affiner votre réflexion.

La construction est l'un des secteurs les plus exposés aux dépassements de coûts et de délais. McKinsey Real Estate estime que 98 % des projets de construction de plus de 1200 k€ subissent un dépassement de planning moyen de 20 % et un dépassement de coût moyen de 80 %. Les modèles IA prédictifs de gestion de chantier s'attaquent à ce problème structurel.

Ce que fait l'agent IA de suivi de chantier :

Prévision des risques de retard : l'agent analyse le planning Gantt du chantier, les délais de livraison des sous-traitants, les conditions météorologiques prévues et les dépendances entre corps d'état pour calculer la probabilité de retard sur chaque jalon. Quand le risque dépasse un seuil configurable, l'alerte est envoyée automatiquement au conducteur de travaux avec les options de mitigation calculées.

Optimisation des plannings d'intervention : les conflits de planning entre corps d'état (maçonnerie doit terminer avant plomberie, électricité avant placo) sont gérés par un algorithme d'optimisation qui réordonne les interventions pour minimiser les temps morts et les conflits de ressources.

Contrôle qualité photo IA : des photos de chantier prises régulièrement par les équipes terrain sont analysées par un modèle de vision pour détecter les écarts par rapport aux plans (cotes non respectées, malfaçons visuelles, travaux non conformes aux normes DTU). Résultat documenté (JLL PropTech Report 2025) : -65 % de réserves à la livraison sur les chantiers avec contrôle qualité IA versus sans.

#Cas #10 — Permis de construire assisté par IA

KPI mesuré : -35 % de délai de constitution du dossier | -42 % de taux de demande de pièces complémentaires

L'instruction des permis de construire en France est notoirement lente et consommatrice de ressources pour les promoteurs et maîtres d'ouvrage. Le délai moyen d'instruction est de 2 à 5 mois pour les dossiers standards, avec 38 % des dossiers faisant l'objet d'au moins une demande de pièces complémentaires (source : DGALN/DHUP 2025). Ces demandes de pièces complémentaires allongent le délai moyen de 6 à 8 semaines supplémentaires.

Ce que fait l'agent IA de constitution de dossier PC :

Vérification de complétude : avant dépôt, l'agent analyse le dossier constitué et le compare aux exigences du PLU (Plan Local d'Urbanisme) de la commune et à la liste des pièces obligatoires selon la nature du projet. Les pièces manquantes ou non conformes sont signalées avec les consignes de correction.

Cohérence PLU : l'agent extrait les règles d'urbanisme du PLU de la commune (emprise au sol, hauteur maximale, reculs, prospects, COS si applicable) et les confronte aux plans du projet. Les non-conformités potentielles sont identifiées avant dépôt, évitant les refus ou les demandes de modification tardives.

Génération des notices : l'agent génère automatiquement les notices obligatoires (notice descriptive, notice paysagère, notice accessibilité) à partir de s données techniques du projet. Les rédiger manuellement représente 8 à 15 heures de travail par dossier selon la complexité.

Suivi de l'instruction : après dépôt, l'agent surveille les portails des services d'urbanisme pour détecter les demandes de pièces complémentaires et alerter le maître d'ouvrage dans les 48h, laissant le maximum de temps pour la réponse.

Pour les promoteurs qui souhaitent structurer leur approche data de bout en bout (foncier → instruction → commercialisation), le déploiement d'agents IA en PME en 7 étapes présente la méthodologie applicable à un promoteur régional.

#Plateformes proptech IA en France : Meilleurs Agents, Pretto, Beanstock, Hosman

Les plateformes proptech françaises illustrent ce que l'IA peut accomplir à grande échelle sur des données immobilières françaises complexes.

Meilleurs Agents a construit l'AVM le plus précis du marché français en exploitant les données DVF, les annonces et ses propres transactions. Leur moteur d'estimation sert aujourd'hui des centaines d'agences partenaires via API. Leur investissement en data science depuis 2012 leur donne un avantage de données que les acteurs entrants ne peuvent pas reproduire rapidement.

Pretto a révolutionné la simulation et la qualification de financement immobilier par l'IA. Leur agent de simulation calcule en temps réel la capacité d'emprunt, compare les meilleures offres du marché et qualifie le profil emprunteur avec une précision qui réduit de 60 % le taux de refus bancaire versus les dossiers montés sans assistance IA. Le chatbot de qualification est au cœur de leur entonnoir de conversion.

Beanstock applique l'IA à l'investissement locatif clé en main : leur moteur analyse automatiquement des milliers de biens sur les portails, calcule la rentabilité nette après travaux, frais et fiscalité, et alerte les investisseurs sur les opportunités correspondant à leur critères. C'est un cas d'usage IA d'analyse de marché en temps réel appliqué à la décision d'investissement.

Hosman a automatisé la transaction immobilière de A à Z avec un modèle à frais fixes : AVM propriétaire, prise de rendez-vous de visite IA, signature électronique, suivi notarial automatisé. Leur infrastructure montre que la chaîne de valeur de la transaction peut être compressée de plusieurs semaines grâce à l'orchestration IA des étapes administratives.

Ces plateformes partagent une caractéristique commune avec les meilleurs déploiements que nous observons chez nos clients : elles ont commencé par automatiser un processus douloureux (estimation, financement, sourcing investissement, transaction), pas par chercher à tout révolutionner simultanément.

#Architecture technique : stack IA recommandée pour une agence ou un promoteur

Déployer l'IA dans une structure immobilière ne nécessite pas de DSI ou d'équipe data en interne. Voici l'architecture que Nehos recommande et déploie pour les agences et promoteurs mid-market.

Couche 1 — Connecteurs données métier L'agent IA doit accéder aux données métier en temps réel : mandat, agenda, CRM, historique de transactions. Nous développons des connecteurs API sur les logiciels immobiliers les plus utilisés (APIMO, Logic-Immo Business, Périclès, Hektor, Altaïx). Ces connecteurs sont read/write : l'agent peut lire les mandats ET mettre à jour le CRM (création de contact qualifié, historisation des interactions).

Couche 2 — Agents IA spécialisés Chaque cas d'usage est un agent IA autonome. L'agent de qualification leads n'est pas le même que l'agent de génération d'annonces — ils partagent une infrastructure commune (LLM, base vectorielle) mais ont des outils métier et des mémoires contextuelles distincts. L'orchestration inter-agents est gérée par LangGraph.

Couche 3 — Interfaces de déploiement Les agents sont exposés sur les canaux où les clients et prospects interagissent : widget chat sur le site web de l'agence, numéro WhatsApp Business dédié, callbot vocal sur la ligne de l'agence, intégration dans les portails partenaires via API.

Couche 4 — Monitoring et tableau de bord En production, un dashboard dédié permet aux dirigeants et managers de suivre en temps réel les KPIs des agents : nombre de leads qualifiés, taux d'escalade humaine, satisfaction client post-interaction, décisions prises par l'agent. Le tableau de bord est conçu pour les métiers, pas pour les développeurs.

Stack technique déployée par Nehos pour l'immobilier :

• Orchestration agents : LangGraph + Python
• LLM principal : Mistral Large (hébergement UE, souveraineté données)
• LLM vision (photos biens) : GPT-4o ou Claude 3.5 Sonnet selon le cas d'usage
• Base vectorielle : Qdrant self-hosted (OVH Toulouse)
• Data warehouse : BigQuery pour les volumes de transactions, PostgreSQL pour les données opérationnelles
• Monitoring : LangFuse + Grafana
• Intégration CRM : connecteurs APIMO et Périclès via REST API

Pour cadrer le budget d'un tel déploiement, notre guide sur le budget projet IA en entreprise présente les fourchettes 2026 détaillées par composant technique.

#Retour Nehos : déploiements sur le marché immobilier occitan

Nehos accompagne des acteurs immobiliers et proptech en Occitanie depuis 2023. Toulouse et sa métropole constituent un laboratoire particulièrement actif pour la proptech : marché sous tension (vacance locative < 2 % sur Toulouse intramuros), forte activité de promotion (3ème ville française pour les mises en chantier per capita en 2025) et tissu dense d'agences indépendantes et de réseaux en franchise.

Réseau d'agences indépendantes (8 agences, Haute-Garonne et Hérault) : déploiement d'un agent de qualification leads et de prise de rendez-vous couvrant l'ensemble du trafic entrant (site web + portails). Avant déploiement : délai moyen de réponse à un lead = 4h12. Après déploiement : délai moyen = 3 minutes, taux de leads qualifiés transmis aux agents +38 %, 1,4 ETP libéré sur les tâches de qualification manuelle.

Promoteur régional (programmes résidentiels, Occitanie) : déploiement d'un agent de génération d'annonces et de contenu marketing couvrant les programmes en commercialisation. L'agent génère les fiches de présentation programme (PDF acheteur), les annonces portail (SeLoger Neuf, PAP Neuf), les textes du site web de programme et les newsletters de relance prospects. Volume : 3 programmes en simultané, soit environ 180 lots à décrire. Temps de production réduit de 3 semaines à 2 jours par programme.

Bailleur institutionnel (450 logements gérés, Toulouse) : déploiement d'un agent de gestion locative couvrant les quittances, révisions IRL et relances impayés. Première révision IRL après déploiement : 100 % des contrats révisés dans les 5 jours suivant la publication de l'indice INSEE, versus 67 % à 30 jours avec le processus manuel précédent. La récupération de revenus locatifs perdus due aux oublis de révision : +18 6 400 €/an sur ce seul portefeuille.

Ces trois déploiements partagent une logique commune : démarrer par le cas d'usage avec l'impact le plus visible et le ROI le plus rapide, mesurer rigoureusement, puis étendre. C'est la méthodologie ROI-first que nous décrivons en détail dans notre article sur le ROI des agents IA.

Si votre activité immobilière — agence, promoteur, bailleur ou plateforme proptech — est en Occitanie ou ailleurs en France, nous pouvons analyser ensemble vos cas d'usage prioritaires lors d'un audit de 45 minutes.