Aller au contenu
OpenAthlete

IA générative et course à pied : ce qu'elle fait bien ou mal

L'IA générative est un outil de texte : douée pour transformer une phrase en séance structurée, peu fiable dès qu'il s'agit de votre corps. Un guide pratique et sceptique.

OpenAthlete Team4 min de lecture

Pour un sportif d'endurance, l'IA générative n'est ni un gadget ni une révolution. C'est un outil de texte. Elle excelle à transformer un langage approximatif en structure, et une structure en texte lisible. Elle devient peu fiable dès qu'il s'agit d'avoir raison sur votre corps ou sur des chiffres que personne ne lui a donnés. Vue sous cet angle, on comprend vite où elle fait gagner du temps et où elle peut faire du tort.

Ce qu'elle fait bien : écrire une séance

Saisir une séance structurée dans l'application de sa montre est fastidieux. La décrire ne l'est pas. « 20 minutes d'échauffement, puis 6 × 3 minutes vite avec 2 minutes de trot, 10 minutes de retour au calme » est exactement le genre de phrase qu'un modèle de langage traite bien : il la découpe en blocs, gère les répétitions et, s'il connaît vos zones, donne une cible à chaque bloc. Le « vite » sur 3 minutes devient votre plage d'allure à VMA, le « trot » votre allure de récupération.

Deux points méritent une vérification avant d'envoyer la séance sur la montre : la durée totale (il arrive qu'un modèle oublie ou double un bloc) et l'intensité retenue pour les mots vagues. « Vite » peut signifier seuil pour l'un et allure 5 km pour l'autre. Si le modèle s'est trompé, dites-le-lui, ou écrivez « au seuil » la fois suivante.

Ce qu'elle fait bien : transformer un ressenti en données

Après une sortie longue, presque personne ne remplit un formulaire à cinq curseurs. On dit plutôt : « première heure tranquille, puis la chaleur m'a cueilli, les 5 derniers km ont été durs et le mollet droit s'est contracté ». Un modèle de langage peut en tirer une note d'effort autour de 8 et une remarque : mollet droit, contracture, en fin de sortie. Au fil des semaines, ces remarques deviennent quelque chose qu'un coach peut réellement filtrer.

C'est plus important qu'il n'y paraît. Une revue systématique de Saw et ses collègues (2016) a montré que les mesures subjectives, déclarées par l'athlète, suivent la charge d'entraînement mieux que la plupart des marqueurs objectifs. Le goulot d'étranglement a toujours été d'obtenir que les athlètes les notent. Réduire l'effort à une phrase ou à un message vocal aide.

Ce qu'elle fait bien : résumer et réécrire

Collez quatre semaines de notes de séances et demandez un résumé avant de faire le point avec votre coach : elle fera ressortir les thèmes récurrents (l'Achille qui se plaint après les côtes, les séances du jeudi qui sautent sans arrêt) plus vite que vous. Elle peut réécrire une semaine autour d'une contrainte, par exemple un déplacement professionnel du mardi au jeudi avec pour seul équipement le tapis de l'hôtel, et vous proposer un brouillon raisonnable. Elle peut traduire un plan rédigé par votre coach dans une autre langue. À chaque fois, vous obtenez un brouillon à vérifier, pas une consigne à suivre.

Utilisable avec prudence : expliquer

Demandez ce qui distingue le travail au seuil du fractionné à VMA, ou pourquoi la sortie longue doit rester facile, et vous obtiendrez généralement une explication correcte. Le risque, c'est qu'elle ajoute avec assurance un détail faux, ou cite une étude qui n'existe pas. Les modèles de langage produisent du texte fluide, pas des faits vérifiés, un problème que les chercheurs appellent hallucination (Ji et ses collègues, 2023). Si une réponse cite une source, vérifiez-la avant de la répéter.

Ce qu'elle fait mal : poser un diagnostic

Tapez « douleur à l'extérieur du genou après 20 km » et vous recevrez une réponse bien rangée sur la bandelette ilio-tibiale, avec des étirements et un plan de reprise. Elle a peut-être raison. Il peut aussi s'agir de tout autre chose, et le modèle n'a aucun moyen de le savoir : il ne peut ni vous examiner, ni vous regarder courir, ni appuyer sur la zone douloureuse. Une réponse plausible à une question médicale est pire que pas de réponse, parce qu'elle retarde la consultation qui aurait réglé la question. Une douleur qui persiste, qui vous fait boiter, qui s'aggrave en courant ou qui est présente au repos relève d'un kinésithérapeute ou d'un médecin.

Ce qu'elle fait mal : un plan complet à partir de rien

Düking et ses collègues (2024) ont demandé à ChatGPT des plans de course à pied sur six semaines et les ont fait évaluer par des entraîneurs experts selon 22 critères. Avec peu d'informations, le plan obtenait une note sous la moyenne sur 19 d'entre eux. Avec des informations détaillées, il faisait bien mieux, mais les auteurs déconseillent toujours de suivre ces plans sans l'avis d'un entraîneur. L'échec typique est facile à imaginer : vous courez 30 km par semaine, vous demandez un plan marathon, et la première semaine en compte 50 parce que le modèle a comblé votre historique avec celui d'un coureur moyen.

Ce qu'elle fait mal : les chiffres qu'on ne lui a pas donnés

Demandez « combien ai-je couru en septembre ? » sans lui fournir vos données, et un modèle conversationnel peut tout simplement inventer un chiffre plausible. Même avec les données collées, additionner trente lignes n'est pas son fort. Les totaux, les moyennes et les calculs de charge doivent venir d'un logiciel qui les calcule, et le modèle de langage ne doit que commenter le résultat.

Obtenir des réponses plus utiles

Donnez-lui du contexte : vos zones ou vos chronos récents, votre volume hebdomadaire des quatre à six dernières semaines, la course visée et sa date, les jours où vous pouvez vous entraîner, et toute petite gêne en cours. Demandez-lui d'énoncer ses hypothèses avant d'écrire quoi que ce soit. Puis confrontez le résultat à quelques règles simples : pas de grand saut de volume hebdomadaire, pas plus de séances dures que d'habitude (deux par semaine suffisent largement à la plupart des coureurs amateurs), et des jours faciles vraiment faciles.

Dans OpenAthlete

Les fonctions d'IA d'OpenAthlete restent du côté texte de cette frontière. L'IA écrit une séance structurée à partir d'une phrase en utilisant vos zones, modifie une séance sur simple consigne, pose trois ou quatre questions après une activité et transforme les réponses en note d'effort et en relevé de douleur pour votre coach, et livre une courte lecture de chaque activité. Vous voyez chaque séance avant qu'elle parte sur votre montre. Elle ne pose aucun diagnostic et ne fonctionne qu'avec votre accord, sur votre propre clé d'API ou sur le quota de l'offre Supporter. La page consacrée à l'IA donne les détails.

Sources

  • Saw AE, Main LC, Gastin PB (2016). Monitoring the athlete training response: subjective self-reported measures trump commonly used objective measures: a systematic review. British Journal of Sports Medicine, 50(5), 281–291. doi:10.1136/bjsports-2015-094758
  • Ji Z et al. (2023). Survey of hallucination in natural language generation. ACM Computing Surveys, 55(12). doi:10.1145/3571730
  • Düking P et al. (2024). ChatGPT generated training plans for runners are not rated optimal by coaching experts, but increase in quality with additional input information. Journal of Sports Science and Medicine, 23(1), 56–72. doi:10.52082/jssm.2024.56

Écrit par

OpenAthlete Team

OpenAthlete est une plateforme d'entraînement open source développée à Grenoble par un développeur indépendant, coureur d'ultra, avec les retours des coachs et athlètes qui l'utilisent. Sans investisseurs ni publicité.

À lire aussi

Coaching hybride : suivre plus d'athlètes avec l'IA

Mesurer où passent vos heures de coaching, confier la partie administrative au logiciel et aux brouillons d'IA, garder votre temps pour le jugement. Et une façon de le tarifer.

5 min de lecture

Entraînez-vous avec des chiffres vérifiables.

Chaque formule utilisée par OpenAthlete est dans son code source, et chaque fonctionnalité est gratuite, sur nos serveurs comme sur les vôtres.

Gratuit pour toujours. Sans carte bancaire.