En bref
Le coaching IA en fitness repose sur trois piliers : comprendre ton état actuel (humeur, énergie, historique), sélectionner les bons exercices avec des algorithmes de classement, et adapter en temps réel pendant la séance. MoveKind fait tourner cinq modèles CoreML entièrement sur ton iPhone — sans cloud, sans collecte de données, sans internet.
Ce que le coaching IA est vraiment (et ce qu'il n'est pas)
Commençons par dissiper le plus gros malentendu : le coaching IA, ce n'est pas un chatbot qui t'écrit un programme. Ce n'est pas ChatGPT avec des abdos. La plupart des apps «powered by AI» utilisent le terme de façon floue — elles utilisent peut-être un algorithme de recommandation pour suggérer des séances d'une bibliothèque pré-construite, ou elles personnalisent un programme fixe basé sur un questionnaire initial. C'est de la personnalisation, pas de l'adaptation.
Le vrai coaching IA implique trois capacités : percevoir ton état actuel (pas seulement ton niveau, mais comment tu te sens maintenant), raisonner sur ce dont tu as besoin (vu ton historique, tes objectifs et tes contraintes), et s'adapter en temps réel au fil de la séance. La différence compte parce que la personnalisation a lieu une fois, au départ. L'adaptation a lieu en continu, chaque séance, chaque série.
Pense-le comme ça : un programme personnalisé, c'est un GPS qui calcule l'itinéraire au départ. Un coach IA adaptatif, c'est un GPS qui recalcule à chaque fois que tu rencontres un bouchon, que tu prends un mauvais virage, ou que tu décides que tu veux un café d'abord. Les deux utilisent des algorithmes. Un seul répond à la réalité.
Le coaching IA, ce n'est pas de la personnalisation — c'est de l'adaptation continue. La distinction compte parce que tes besoins changent chaque jour, pas seulement à l'inscription.
Couche 1 : Comprendre ton état
La première couche de tout système de coaching IA authentique est la perception — collecter des signaux sur ton état physique et psychologique actuel. En salle avec un coach humain, ça se fait par la conversation : «Bien dormi ? Comment va ton genou ? Semaine stressante ?» Le coach ajuste avant même que tu commences.
MoveKind collecte ces signaux par un bref check-in avant la séance. Tu indiques ton niveau d'énergie, ton humeur et d'éventuelles contraintes physiques. Le système intègre aussi ton historique d'entraînement : ta dernière séance, comment tu l'as notée, quels exercices tu as sautés ou eu du mal avec, ton taux de complétion sur les deux dernières semaines, et ton score de fatigue cumulé. En option, il lit les données HealthKit — durée de sommeil, fréquence cardiaque au repos, nombre de pas — pour ajouter du contexte physiologique objectif.
Cette couche d'entrée est d'une importance trompeuse. Une étude publiée dans l'International Journal of Sports Physiology and Performance (2020) a démontré que les questionnaires subjectifs de bien-être — en gros, demander aux athlètes comment ils se sentent — prédisaient la performance mieux que les marqueurs physiologiques objectifs seuls. Ce que tu ressens n'est pas du bruit. C'est le signal le plus précieux disponible.
Comment tu te sens aujourd'hui est l'indicateur le plus prédictif de comment tu devrais t'entraîner aujourd'hui. Le bon coaching IA commence par demander, pas par supposer.
Comment MoveKind s'adapte-t-il à mon humeur ?
Avant chaque séance, MoveKind te demande ton niveau d'énergie et ton humeur. Si tu signales une énergie basse, l'IA pivote vers des types d'entraînement plus légers — récupération active, mobilité douce, ou musculation à volume réduit. Si tu signales une énergie haute, elle sélectionne des séances plus exigeantes. Ce n'est pas un simple ajustement d'intensité ; la sélection d'exercices, le type d'entraînement, le volume et les temps de repos changent tous en fonction de ton état.
Couche 2 : Sélectionner les bons exercices
Une fois que le système comprend ton état actuel, il doit décider ce que tu devrais faire. C'est là qu'interviennent les algorithmes de classement d'exercices. MoveKind utilise un système de scoring multi-critères qui évalue chaque exercice de sa bibliothèque selon cinq facteurs pondérés : la récence (quand tu as fait cet exercice pour la dernière fois), la tolérance (comment tu le gères basé sur tes retours passés), la diversité (éviter les schémas répétitifs), l'adéquation au niveau (matcher la difficulté à ta capacité) et un facteur aléatoire (pour éviter la monotonie).
La version initiale utilise un classeur heuristique — un algorithme déterministe avec des poids ajustés à la main. La version production ajoute un modèle CoreML entraîné sur des données agrégées, avec l'heuristique en fallback. Le modèle utilise sept caractéristiques d'entrée incluant les jours depuis la dernière exécution, le RPE moyen, le taux de complétion et l'équilibre des groupes musculaires. Il atteint un R-carré de 0,84 en validation, ce qui signifie qu'il explique 84 % de la variance dans la pertinence des exercices.
Par-dessus la sélection d'exercices, un modèle séparé gère la sélection du type d'entraînement. Basé sur ton équilibre d'entraînement hebdomadaire, ton objectif et ton état d'énergie, il choisit entre force, endurance musculaire, mobilité, récupération active et HIIT. Des règles de sécurité garantissent que si tu n'as jamais fait de sport, tu commences par l'endurance musculaire. Si ton énergie est très basse, tu obtiens de la récupération active.
La sélection d'exercices n'est ni aléatoire ni basée sur un calendrier. C'est une optimisation multi-facteurs qui équilibre ton historique, tes préférences et ton état actuel.
L'IA peut-elle remplacer un coach personnel ?
Pour le fitness au poids du corps à la maison, l'IA couvre la majorité de ce que fait un coach : sélection d'exercices, programmation, progression et motivation. Là où l'IA est en retard, c'est la correction de forme en temps réel (bien que les indices guidés aident) et la relation interpersonnelle profonde dont certaines personnes ont besoin. Pour les débutants en poids du corps, le coaching IA est un point de départ pratique et accessible qui couvre 80 à 90 % de la valeur.
Couche 3 : Adapter en temps réel
La troisième couche est ce qui sépare le coaching adaptatif d'une playlist intelligente. Pendant une séance, le système d'autorégulation de MoveKind surveille tes retours et s'ajuste en direct. Si tu signales qu'un exercice est trop dur, le système ne le saute pas simplement — il analyse la raison (trop intense ? trop complexe ? douleur ?) et applique la réponse adaptée. «Trop dur» peut signifier réduire de 2 répétitions ou passer à une variante plus facile. «Douleur» signifie une substitution immédiate par une alternative sûre.
Le modèle prédicteur de RPE (Rate of Perceived Exertion — effort perçu) estime la difficulté de chaque série avant que tu la fasses, permettant au système de calibrer le volume de la séance de manière proactive. Si le RPE prédit pour les séries restantes dépasse ta tolérance actuelle, le constructeur de séance réduit le volume restant plutôt que d'attendre que tu échoues. C'est le même principe que les scientifiques du sport d'élite utilisent — l'autorégulation basée sur le RPE — rendu accessible par le machine learning.
Il y a aussi un prédicteur de risque d'abandon. Ce modèle analyse les patterns qui corrèlent avec l'arrêt des utilisateurs : taux de complétion en baisse, séances sautées en hausse, humeur déclarée en déclin. Quand le score de risque dépasse un seuil, le coach IA intervient — pas avec une notification culpabilisante, mais avec une suggestion de séance plus légère, un message d'encouragement ou un check-in. Prévention, pas punition.
L'adaptation en temps réel signifie que la séance change pendant que tu la fais, pas seulement avant. L'IA répond à tes retours au sein même de la séance.
Comment fonctionne l'IA embarquée de MoveKind : CoreML et le Neural Engine
MoveKind fait tourner cinq modèles CoreML sur le Neural Engine de ton iPhone — le matériel dédié au machine learning qu'Apple intègre dans chaque iPhone moderne. CoreML est le framework d'Apple pour exécuter des modèles entraînés localement, sans serveur. Les modèles sont légers (moins de 5 Mo au total) et s'exécutent en millisecondes.
Les cinq modèles sont : ExerciseRecommender (classe les exercices par pertinence), TrainingTypePicker (sélectionne le type d'entraînement optimal), DropoutRiskPredictor (détecte les signaux de désengagement), RPEPredictor (estime l'effort perçu avant que tu fasses la série), et TrainingDayRecommender (suggère les jours optimaux d'entraînement). Chaque modèle a été entraîné sur des données agrégées et anonymisées puis intégré à l'app. Une fois installé, aucun ne communique avec un serveur.
Le pipeline d'entraînement utilise Python avec scikit-learn et coremltools pour la conversion des modèles. Les modèles sont ré-entraînés périodiquement avec de nouveaux patterns de données et livrés avec les mises à jour de l'app. Point important : MoveKind inclut aussi un fallback heuristique pour chaque modèle — si la prédiction CoreML semble peu fiable ou si le modèle ne se charge pas, l'algorithme déterministe prend le relais. Cette architecture double-voie garantit que l'app fonctionne toujours, même sur les appareils plus anciens.
Cinq modèles ML tournent entièrement sur ton iPhone. Pas d'internet nécessaire, aucune donnée envoyée nulle part, aucun compte requis. L'IA est dans ta poche.
MoveKind envoie-t-il mes données dans le cloud ?
Non. MoveKind n'a pas de serveur, pas de comptes utilisateur et pas d'analytics. Les cinq modèles IA tournent sur ton iPhone via le framework CoreML d'Apple. Ton historique d'entraînement, tes données d'humeur et tes préférences ne quittent jamais ton appareil. C'est un choix architectural délibéré, pas une limitation temporaire.
Coaching IA vs coaching humain : comparaison honnête
Soyons transparents sur les domaines où le coaching IA excelle vraiment et ceux où il reste en retrait par rapport à un coach personnel humain. L'IA gagne sur quatre dimensions. Premièrement, la constance : l'algorithme n'a jamais de mauvais jour, ne bâcle jamais et n'oublie jamais ton historique de blessure. Deuxièmement, la disponibilité : il est là à 6h, à minuit, en vacances, sans rendez-vous. Troisièmement, le coût : MoveKind est gratuit ; un coach personnel coûte 40 à 80 € la séance. Quatrièmement, le traitement de données : l'IA se souvient de chaque séance que tu as faite et les utilise toutes.
Les coachs humains gagnent sur trois dimensions. Premièrement, la correction de forme en temps réel : un coach peut voir que tes genoux rentrent pendant un squat et corriger immédiatement. L'IA peut donner des indices («pousse tes genoux vers l'extérieur») mais ne peut pas te regarder. Deuxièmement, la nuance émotionnelle : un coach peut lire ton langage corporel, sentir quand tu es sur le point de craquer pendant une série, et s'ajuster avec une empathie qu'aucun algorithme ne peut reproduire. Troisièmement, la responsabilisation par la relation : pour certaines personnes, le lien humain avec un coach est ce qui les fait revenir.
Pour le public cible de MoveKind — des débutants faisant du poids du corps à la maison — l'IA couvre la grande majorité des besoins de coaching. À mesure que la technologie évolue (détection de forme par caméra, modélisation émotionnelle plus sophistiquée), l'écart se réduira. Mais nous sommes honnêtes sur ce que l'IA ne peut pas faire aujourd'hui.
L'IA et le coaching humain ont des forces différentes. Pour les débutants en poids du corps, le coaching IA est le point de départ le plus accessible et le plus rentable disponible.
La science derrière l'entraînement adaptatif
L'entraînement adaptatif n'est pas une invention de la Silicon Valley — il s'enracine dans des décennies de science du sport. Le principe d'autorégulation, où les charges d'entraînement sont ajustées en fonction de la préparation quotidienne de l'athlète plutôt que d'un plan fixe, a été formalisé par les scientifiques du sport soviétiques dans les années 1970. La recherche moderne le confirme régulièrement. Une méta-analyse de 2019 dans Sports Medicine a trouvé que l'entraînement autorégulé produisait des gains de force supérieurs par rapport à la programmation fixe dans 78 % des études examinées.
L'échelle RPE (Rate of Perceived Exertion — échelle d'effort perçu), développée par Gunnar Borg dans les années 1960, est le fondement du monitoring subjectif de charge. Des recherches du Journal of Strength and Conditioning Research montrent que l'entraînement basé sur le RPE produit des résultats équivalents ou supérieurs à l'entraînement basé sur des pourcentages tout en réduisant le risque de surentraînement. MoveKind utilise le RPE comme entrée centrale de son moteur d'adaptation.
La périodisation — la variation systématique des variables d'entraînement dans le temps — est un autre principe établi. Le système de programmes de MoveKind implémente la périodisation ondulatoire, où le type et l'intensité d'entraînement varient d'une séance à l'autre plutôt qu'en blocs hebdomadaires rigides. Une étude de 2022 dans l'European Journal of Applied Physiology a trouvé que la périodisation ondulatoire améliorait les taux d'adhérence de 23 % par rapport à la périodisation linéaire chez les sportifs récréatifs.
L'entraînement adaptatif s'appuie sur la science du sport depuis 50 ans. L'IA le rend accessible en dehors du sport d'élite pour la première fois.
Qu'est-ce que l'entraînement basé sur le RPE ?
RPE signifie Rate of Perceived Exertion — l'effort perçu, noté de 1 à 10. Au lieu de prescrire des charges ou des répétitions fixes, l'entraînement basé sur le RPE ajuste l'intensité selon comment tu te sens ce jour-là. Si ton RPE est plus élevé que prévu, la séance s'allège. S'il est plus bas, tu peux pousser un peu plus. MoveKind utilise des prédictions de RPE pour calibrer les séances avant même que tu commences.
Vie privée : pourquoi l'IA embarquée est l'avenir de la tech santé
L'industrie des apps fitness a un problème de données. Un rapport de la Fondation Mozilla de 2023 a classé 18 apps fitness populaires sur 25 comme «vie privée non incluse», ce qui signifie qu'elles collectent des données personnelles excessives et les partagent avec des tiers. Tes habitudes d'entraînement révèlent ton emploi du temps, tes conditions de santé, tes habitudes de localisation et ton état psychologique. Ces données sont vendues à des annonceurs, des assureurs et des courtiers en données.
L'IA embarquée élimine ce problème architecturalement. Quand les modèles tournent sur ton téléphone, il n'y a pas de données à intercepter, pas de serveur à pirater, pas de conditions d'utilisation à modifier. La conformité RGPD n'est pas une case à cocher — c'est l'état par défaut. Le framework CoreML d'Apple a été conçu exactement pour ça : l'entraînement a lieu dans le cloud (avec des données anonymisées), mais l'inférence a lieu sur ton appareil. Le modèle vient à tes données, pas l'inverse.
Nous pensons que l'IA embarquée deviendra le standard pour les applications santé et fitness dans les cinq prochaines années. Les utilisateurs deviennent plus sensibles à la vie privée, les réglementations se durcissent à l'échelle mondiale, et le matériel est largement capable. MoveKind est construit sur ce pari.
L'IA embarquée n'est pas juste une fonctionnalité de vie privée — c'est le fondement éthique de la technologie de santé. Tes données fitness ne devraient jamais financer le ciblage publicitaire de quelqu'un d'autre.
Quelle est la différence entre l'IA cloud et l'IA embarquée ?
L'IA cloud envoie tes données à un serveur pour traitement et renvoie le résultat. L'IA embarquée fait tourner le modèle entier sur ton téléphone — tes données ne quittent jamais ton appareil. Le compromis est que les modèles embarqués doivent être plus petits et plus simples, mais pour le coaching fitness, les modèles sont largement dans les capacités d'un iPhone moderne. L'avantage : une vie privée totale et zéro dépendance à internet.
L'avenir de l'IA dans le sport récréatif
Nous sommes au tout début de ce que l'IA peut faire pour les sportifs récréatifs — les millions de personnes qui font du sport pour la santé, la gestion du stress et la qualité de vie plutôt que pour la compétition. Le coaching IA d'aujourd'hui gère la sélection d'exercices, la gestion de charge et l'adaptation émotionnelle de base. Dans les deux à trois prochaines années, attendez-vous à l'analyse de forme par caméra (ton téléphone regarde ton squat et corrige ta forme), au coaching vocal qui réagit à tes patterns respiratoires, et aux modèles multimodaux qui intègrent sommeil, nutrition et données de stress dans une intelligence de coaching unifiée.
La frontière la plus excitante est le coaching émotionnel IA — des systèmes qui comprennent non seulement quel entraînement tu as besoin, mais comment t'en parler. MoveKind propose déjà deux personnalités de coach (Maya pour la douceur, Léo pour l'énergie), et la relation avec le coach s'approfondit au fil du temps. Les futures itérations rendront cela encore plus nuancé, adaptant le style de communication à ton état émotionnel au sein même d'une séance.
L'objectif n'est pas de remplacer la connexion humaine dans le sport. C'est de rendre le coaching de qualité accessible aux 80 % de personnes qui n'engageront jamais de coach personnel, qui se sentent intimidées par les salles de sport, qui ont été déçues par les programmes one-size-fits-all. Le coaching IA n'est pas l'avenir du sport d'élite. C'est l'avenir de tous les autres.
Le coaching IA ne remplacera pas les entraîneurs humains pour les athlètes d'élite. Il rendra le coaching de qualité accessible aux millions de personnes qui n'y ont jamais eu accès.
Mot-clé principal: coaching IA sport
Essayer le coaching IA