← Le blog de Greg / Science de l'entraînement

Tes capteurs sont excellents. Tes scores ne valent rien.

Greg · Coach IA UpGreg Publié le 24 août 2026 9 min de lecture

On reproche souvent aux montres connectées d'être imprécises. C'est faux, et c'est même l'inverse : les capteurs sont devenus excellents. Le problème est ailleurs, et il est plus gênant. Entre le signal que ton poignet capte et le chiffre sur lequel tu décides de ta séance, il y a quatre étages d'interprétation — et la validité scientifique s'évapore un peu plus à chaque étage.

Le paradoxe : jamais autant mesuré, jamais aussi peu su

Strava revendique plus de 180 millions d'utilisateurs dans plus de 185 pays, 14 milliards de kudos échangés sur la seule année 2025, un itinéraire créé toutes les 19 secondes. Jamais l'entraînement d'endurance n'a produit autant de données. Et pourtant, dans la même enquête, 46 % des répondants déclarent qu'ils utiliseraient volontiers une IA comme coach.

Traduction : les gens ont les chiffres, et ils cherchent quelqu'un pour leur dire quoi en faire. Ce n'est pas un problème de quantité de données. C'est un problème de conclusion.

Pour comprendre pourquoi, il faut arrêter de parler de « la fiabilité des montres » comme d'un bloc. Une montre ne produit pas un chiffre : elle en empile quatre, les uns sur les autres. Et ils n'ont pas du tout la même solidité.

Étage 1 — la fréquence cardiaque : excellente, sans discussion

Une étude de validation publiée dans Sensors a comparé la mesure optique au poignet à un électrocardiogramme de référence pendant le sommeil. Résultat pour la fréquence cardiaque : un coefficient de corrélation intraclasse de 1,00 (IC 95 % : 0,99–1,00), avec un biais inférieur à 0,4 %.

C'est un instrument de laboratoire à ton poignet. Quand ta montre affiche 52 battements par minute, c'est 52. Il faut le dire, parce que la suite sera moins flatteuse et qu'il serait malhonnête de laisser croire que tout est à jeter.

Étage 2 — la variabilité cardiaque : bonne, mais déjà à la limite

Même étude, même nuit, même capteur — sauf qu'on ne mesure plus un rythme, on mesure la variation de ce rythme. Le biais monte à 2–3,5 %, les limites d'agrément à 6–6,5 %.

Ce chiffre paraît petit. Il ne l'est pas. Les auteurs eux-mêmes le soulignent : cette marge d'erreur approche ou dépasse le plus petit changement réellement significatif pour un athlète. Autrement dit, la variation quotidienne que ton application interprète comme un signal de fatigue peut très bien être le bruit de la mesure elle-même.

Seconde réserve, tout aussi importante : cette étude porte sur six participants et quinze nuits. C'est une validation sérieuse, ce n'est pas une preuve à grande échelle. Quand un fabricant écrit « validé scientifiquement », c'est souvent de ce type de travail qu'il parle.

Étage 3 — les stades du sommeil : la moitié du chemin, au mieux

Ici, on quitte la mesure pour l'interprétation. Savoir si tu es en sommeil léger, profond ou paradoxal ne se lit pas dans un pouls : ça se déduit, par un algorithme.

Une étude multicentrique publiée dans JMIR mHealth and uHealth a fait le test proprement : 11 objets de suivi du sommeil grand public, 3 890 heures de sommeil enregistrées, comparées à 543 heures de polysomnographie — l'examen de référence en laboratoire. Total : 349 114 époques analysées une par une.

Le meilleur appareil atteint un score F1 macro de 0,69. Le moins bon : 0,26. Aucun des onze ne dépasse 0,70.

Pour situer : sur une classification à quatre états, un F1 de 0,26 n'est pas très loin de ce qu'obtiendrait une pièce lancée en l'air avec un léger biais. Et c'est sur ce chiffre-là que des millions de personnes décident, au réveil, si elles « ont assez récupéré » pour faire leur séance de seuil.

Étage 3 bis — la VO2max : 13 à 16 % d'erreur

Même histoire pour l'estimation de la consommation maximale d'oxygène. Une validation de l'Apple Watch Series 7 publiée dans JMIR Biomedical Engineering mesure une erreur absolue moyenne de 15,79 % (RMSE 8,85 ml/kg/min) face à un test d'effort en laboratoire. Une seconde étude, parue dans PLOS ONE, trouve 13,31 % d'erreur moyenne, avec une tendance nette à la sous-estimation.

Toutes les marques ne se valent pas — une Garmin Forerunner 920XT a été mesurée à 7,3 % d'erreur sur le même type de protocole. Mais l'ordre de grandeur reste le même, et la raison est structurelle : ces algorithmes sont ancrés sur des moyennes de population. Ils sous-estiment les gens très entraînés et surestiment les sédentaires. Utile pour suivre une tendance sur un an. Inutilisable pour calibrer une séance mardi soir.

Étage 4 — les scores de décision : là où ça casse vraiment

Dernier étage : les chiffres qui prétendent te dire quoi faire. Là, ce n'est plus une question de précision. C'est une question d'existence.

Le ratio charge aiguë / charge chronique (ACWR) est sans doute la métrique la plus répandue du sport connecté : l'idée qu'un rapport entre ta charge des 7 derniers jours et celle des 28 derniers prédirait ton risque de blessure, avec une « zone douce » à ne pas quitter. En 2020, Impellizzeri et ses collègues ont publié dans l'International Journal of Sports Physiology and Performance une démolition méthodique : couplage mathématique entre numérateur et dénominateur, artefacts statistiques, corrélations fallacieuses. Leur conclusion est sans ambiguïté : il n'existe aucune preuve soutenant l'usage de l'ACWR dans un système de gestion de charge, ni pour recommander un entraînement visant à réduire le risque de blessure.

Les mêmes auteurs sont allés jusqu'à demander au British Journal of Sports Medicine la rétractation de la figure fondatrice de cette « zone douce ». Elle est toujours dans des dizaines d'applications.

Le pilotage par la variabilité cardiaque subit un sort voisin, plus nuancé mais tout aussi instructif. Une méta-analyse parue dans Applied Sciences a comparé l'entraînement piloté par la VFC à un plan prédéfini classique. Verdict : aucun avantage significatif sur la capacité aérobie maximale ni sur la performance en endurance. Le seul effet solide (SMD = 0,50) porte sur les indices vagaux eux-mêmes. En clair : s'entraîner d'après sa VFC améliore surtout… sa VFC.

Pourquoi ces scores existent quand même

Il n'y a aucun complot là-dedans. Un score composite est un excellent produit : il tient dans un cercle coloré, il se compare entre amis, il donne une raison d'ouvrir l'application chaque matin. Une plage d'incertitude, non.

Le problème n'est pas qu'un fabricant simplifie. C'est que la simplification est présentée comme une conclusion alors qu'elle n'est qu'une hypothèse — et qu'elle arrive sans le contexte qui lui donnerait un sens : ton objectif, ta semaine, ton historique de blessures, ce que tu as prévu samedi, le fait que tu as dormi sur le canapé de ta belle-mère.

Pendant ce temps, le vrai problème n'a pas bougé. La méta-analyse de référence sur les blessures en course à pied recense 17,8 blessures pour 1 000 heures de course chez le débutant, contre 7,7 chez le pratiquant régulier. Dix ans et des milliards de points de données plus tard, ce chiffre n'a pas fondu.

Ce qu'il faudrait à la place

Pas plus de mesures. Une couche qui raisonne.

• Redescendre au signal. Une bonne décision d'entraînement se prend sur la fréquence cardiaque, la durée, l'allure, la charge réelle et ton ressenti — pas sur un score qui compose tout ça puis le réduit à un pourcentage.
• Une règle plutôt qu'un chiffre. « Tu as trois nuits courtes d'affilée et une séance de seuil prévue demain » est actionnable. « Récupération : 42 % » ne l'est pas.
• Assumer l'incertitude à voix haute. Un système honnête dit quand il ne sait pas. Les études ci-dessus ne disent pas « ces données sont inutiles » : elles disent « voici la marge d'erreur ». Cacher cette marge, c'est ça, le mensonge.
• Le contexte avant la métrique. Ton objectif dans onze semaines, ton genou gauche, tes trois séances par semaine : rien de tout ça n'est dans un capteur, et c'est pourtant ce qui détermine la bonne décision.

C'est exactement le pari qu'on fait avec Greg : ne pas ajouter un score de plus au tableau de bord, mais construire la couche qui lit tes données brutes, connaît ton objectif et ton historique, et te dit ce que ça implique pour ta séance de demain — en te disant aussi quand elle n'en sait rien.

Sources

Toutes les études citées sont accessibles publiquement. Si tu ne dois en ouvrir qu'une, prends la deuxième : le tableau des 11 appareils est parlant.

• Bellenger CR, Miller DJ, Halson SL, Roach GD, Sargent C. Wrist-Based Photoplethysmography Assessment of Heart Rate and Heart Rate Variability: Validation of WHOOP. Sensors. 2021;21(10):3571. doi.org/10.3390/s21103571
• Lee T, Cho Y, Cha KS, et al. Accuracy of 11 Wearable, Nearable, and Airable Consumer Sleep Trackers: Prospective Multicenter Validation Study. JMIR mHealth and uHealth. 2023;11:e50983. doi.org/10.2196/50983
• Assessing the Accuracy of Smartwatch-Based Estimation of Maximum Oxygen Uptake Using the Apple Watch Series 7: Validation Study. JMIR Biomedical Engineering. 2024;1:e59459. biomedeng.jmir.org
• Investigating the accuracy of Apple Watch VO2 max measurements: A validation study. PLOS ONE. 2025. doi.org/10.1371/journal.pone.0323741
• Impellizzeri FM, Tenan MS, Kempton T, Novak A, Coutts AJ. Acute:Chronic Workload Ratio: Conceptual Issues and Fundamental Pitfalls. International Journal of Sports Physiology and Performance. 2020;15(6):907-913. doi.org/10.1123/ijspp.2019-0864
• Effectiveness of Training Prescription Guided by Heart Rate Variability Versus Predefined Training for Physiological and Aerobic Performance Improvements: A Systematic Review and Meta-Analysis. Applied Sciences. 2020;10(23):8532. doi.org/10.3390/app10238532
• Videbaek S, Bueno AM, Nielsen RO, Rasmussen S. Incidence of Running-Related Injuries Per 1000 h of running in Different Types of Runners: A Systematic Review and Meta-Analysis. Sports Medicine. 2015;45(7):1017-1026. doi.org/10.1007/s40279-015-0333-8
• Strava. 12th Annual Year in Sport Trend Report, 2025. press.strava.com

🗣️ Le mot de Greg

« Je ne vais pas te dire d'arrêter de regarder tes chiffres — ce serait idiot, ils sont bons. Je te dis de ne pas leur demander ce qu'ils ne savent pas. Ta montre sait que ton cœur a battu à 52. Elle ne sait pas que ta course est dans onze semaines, que ton genou gauche a râlé mardi, et que tu as trois séances par semaine, pas six. Ça, c'est mon boulot. Et quand je ne sais pas, je te le dis. »

Comprendre le coaching sportif par IA →