Nous avons conçu une IA qui comptait des squats parfaits. Pendant tout ce temps, le genou d'un homme de 62 ans s'effondrait.

Il y a une image sur laquelle je reviens sans cesse, figée sur un ordinateur portable quelque part dans notre base de code : un squelette de 33 points superposé à un homme faisant un squat au poids du corps dans son salon. L'image 58 sur environ 90. C'est le dessin de notre logiciel — les points sur ses hanches, ses genoux, ses chevilles, les lignes vertes qui les relient. La caméra du téléphone l'a captée à 30 images par seconde, et notre système avait déjà noté la répétition.

Il l'a notée comme bonne.

L'homme avait 62 ans, huit semaines après une chirurgie de reconstruction du ligament croisé antérieur (LCA), faisant exactement l'exercice que son kinésithérapeute lui avait prescrit. Et sur cette image, son genou gauche s'effondrait vers l'intérieur — dérivant d'environ quatre centimètres vers la ligne médiane de son corps, s'écartant de la ligne droite que sa hanche et sa cheville auraient dû maintenir. Chez une personne de 30 ans en bonne santé, c'est une répétition bâclée. Dans un genou post-LCA, cet effondrement vers l'intérieur est l'un des schémas mécaniques précis qui redéchirent le greffon que vous venez de payer à un chirurgien pour qu'il l'installe.

Notre IA l'a comptée comme une réussite. Cette matinée est la raison pour laquelle je peux vous dire, avec une certaine assurance, quel est le véritable problème difficile de l'IA du fitness — et pourquoi presque personne ne résout la partie qui compte.

L'estimation de posture est le capteur. Elle n'est pas le cerveau.

Voici ce que j'aurais aimé qu'on me dise avant qu'on n'écrive une seule ligne de code : la partie que tout le monde croit difficile est gratuite.

Suivre un corps humain à travers une caméra — trouver les articulations, dessiner le squelette, suivre 33 points clés image par image — est un problème résolu. BlazePose et MoveNet de Google, le framework MediaPipe, tout cela est open-source et tourne sur le téléphone dans votre poche. Chaque entreprise d'IA du fitness sur terre fait tourner la même poignée de bibliothèques d'estimation de posture. Il n'y a aucune barrière à l'entrée là-dedans. Je l'ai appris à mes dépens, en croyant d'abord le contraire.

L'estimation de posture vous dit où se trouve le genou. Elle ne vous dit pas si le genou est en danger.

Le problème difficile se situe une couche plus haut. C'est l'interprétation : savoir qu'une dérive de quatre centimètres vers l'intérieur signifie un valgus du genou, que le valgus du genou est un risque de récidive de blessure pour ce patient précis avec cet historique précis, et qu'il devrait déclencher une alerte au clinicien plutôt qu'une animation « beau travail ». Le capteur est banalisé. Le cerveau ne l'est pas. Cet écart — entre percevoir un mouvement et le comprendre — c'est tout l'enjeu, et c'est ce que nous avons fini par construire, le moteur de vérification d'exercice pour.

Je n'ai pas compris cet écart avant que notre propre produit n'y tombe tête la première.

Le compteur de « bonnes répétitions » qui mentait

Quand nous avons commencé, nous avons fait ce qui semblait évident et rapide. Nous avons pris les points clés issus du modèle de posture, écrit un peu de géométrie pour mesurer les angles articulaires, fixé un seuil — le genou se plie au-delà de cet angle, on compte une répétition — et livré un joli petit moteur qui comptait les répétitions et affichait des conseils de forme. La démo était superbe. Les répétitions grimpaient. Des coches vertes. Dans une salle de réunion, cela ressemblait à un produit fini.

La vidéo du squat a brisé cette illusion. Nous avions les données image par image juste là, dans un fichier CSV — je pouvais voir la position horizontale du genou gauche du patient glisser vers l'intérieur pendant la descente, des images 45 à 72. Je pouvais voir que son genou n'atteignait que 78 degrés de flexion alors que la cible prescrite était de 90. Je pouvais voir que la descente prenait environ une seconde et que la remontée en prenait plus du double — un ratio de 2 pour 1 qui crie qu'il se laissait tomber dans le squat sur l'élan puis peinait à se relever.

Trois signaux d'alarme indépendants. Une profondeur insuffisante, un effondrement vers l'intérieur et un tempo de compensation. N'importe quel kinésithérapeute jetant un œil à ce clip aurait arrêté la séance. Notre logiciel, regardant exactement les mêmes chiffres, a renvoyé : répétition terminée, bonne forme.

C'était l'échec que j'avais personnellement défendu. C'est moi qui disais « lançons quelque chose qui compte les répétitions et itérons » — la chose sobre, la chose livrable. Et la chose sobre était activement dangereuse, car elle donnait à un patient en convalescence un retour positif et confiant pendant qu'il renforçait le mouvement précis que son chirurgien tentait de défaire.

Un compteur de répétitions incapable de distinguer un squat sûr d'un squat dangereux n'est pas une version réduite du produit. C'est le mauvais produit portant les habits du bon.

La leçon sous-jacente à cette image : les données brutes de posture sont nécessaires et loin d'être suffisantes. 78 degrés n'est pas « mauvais » dans l'absolu — pour un patient en semaine huit post-LCA qui était à 60 degrés il y a deux semaines, cela pourrait être exactement le bon degré de progrès. Le même chiffre peut être une réussite ou un avertissement selon entièrement qui bouge et où il en est dans sa récupération. Un seuil fixe ne peut pas tenir compte de cela. L'intelligence, si.

Pourquoi l'écart de précision rend cela plus difficile, pas plus facile

J'ajouterai la partie que les démos ne vous montrent jamais, car il nous a fallu un moment pour la respecter. La caméra d'un seul téléphone n'est pas un laboratoire de capture de mouvement.

Quand des chercheurs ont confronté l'estimation de posture monoculaire à Qualisys — le système de référence à caméras multiples et marqueurs que les cliniques utilisent pour la vraie biomécanique — MediaPipe présente une corrélation d'environ 0,80 pour le membre inférieur et 0,91 pour le membre supérieur. Respectable. Mais l'erreur sur quelque chose comme l'angle de flexion du genou va de 9 à 22 degrés en 2D, et un article de 2025 dans Nature Scientific Reports affirmait sans détour que les systèmes à caméra unique « ne fournissent pas d'estimations de profondeur précises ». Les miroirs, l'éclairage tamisé d'un salon, les leggings à motifs, un canapé masquant la moitié du corps — chacun de ces éléments dégrade davantage le signal.

Vous construisez donc un jugement clinique sur un capteur bruité. Cela ressemble à une raison d'abandonner. C'est en fait la raison pour laquelle la couche d'interprétation doit être intelligente plutôt que littérale. Si votre système traite une lecture brute de 78 degrés comme parole d'évangile, le bruit de la caméra à lui seul la fera osciller entre « réussite » et « échec » d'une répétition à l'autre. Le travail de la couche d'intelligence consiste notamment à pondérer les lectures à croire — en lissant sur plusieurs images, en donnant plus de poids aux schémas qui survivent au bruit (une dérive médiane constante) qu'à ceux qui n'y survivent pas (une secousse d'une seule image), et en étant honnête sur la confiance. Nous nous appuyons sur des modèles temporels pour cela ; une catégorie de réseau appelée réseau de neurones convolutif temporel peut atteindre 98,7 % de précision en reconnaissance de mouvement en bien moins de deux millisecondes sur un téléphone de milieu de gamme, assez léger pour tourner entièrement sur l'appareil. Mais l'architecture importe moins que le principe : on ne construit pas la certitude en prétendant que le capteur est parfait. On la construit en concevant pour le fait qu'il ne l'est pas.

Hinge Health n'a-t-il pas déjà résolu ce problème ?

Vers cette époque, j'ai commencé à recevoir la question « est-ce que ce n'est pas déjà résolu ? », généralement de la part d'investisseurs, parfois de moi-même à 2 h du matin. Les géants des soins musculo-squelettiques sont réels et ils sont grands. Alors laissez-moi être précis sur ce qu'ils font et sur l'endroit où la porte reste ouverte.

Hinge Health prévoit un chiffre d'affaires de 732 millions de dollars pour 2026. Ils ont construit la vision par ordinateur TrueMotion pour l'analyse articulaire et un assistant de triage appelé Robin, et ils ont les résultats cliniques pour l'étayer — parmi leurs patients, nettement moins d'arthrodèses vertébrales et de prothèses de genou que dans les soins traditionnels. Sword Health a racheté Kaia Health pour 285 millions de dollars en janvier 2026, intégrant le « Motion Coach » de vision par ordinateur de Kaia à la plateforme de capteurs portables de Sword, et lèverait, dit-on, un autre demi-milliard. Ce sont des entreprises redoutables.

Ce sont aussi des boîtes fermées. Leur technologie de vérification est soudée à leur propre modèle de soins, vendue aux grands employeurs, tarifée et présentée comme une destination — non comme quelque chose que vous pouvez intégrer dans la plateforme de kinésithérapie ou l'application de bien-être que vous construisez déjà. Si vous dirigez une entreprise de logiciels de kinésithérapie et que vous voulez des données d'exercice vérifiées à l'intérieur de votre produit, Hinge et Sword ne vous vendent pas cela. Ils vous vendent la chose qui vous concurrence.

Le reste du secteur se divise nettement. Peloton IQ a lancé des caméras de suivi de la forme en octobre 2025 — mais c'est du fitness grand public, verrouillé au matériel Peloton, sans aucune capacité clinique. Kemtai propose une plateforme de vision B2B basée sur navigateur qui suit 44 points de repère, ce qui est réellement utile, mais c'est du fitness généraliste et ses règles de forme sont uniformes, non configurables par patient et par exercice. Côté facturation, Limber Health et MedBridge gèrent bien le flux de suivi à distance — les patients de Limber réalisent plus de trois fois plus de séances d'exercice à domicile — mais ils gèrent la paperasse du suivi ; ils ne vérifient pas indépendamment si l'exercice a été effectué correctement.

Le marché compte des entreprises qui vérifient le mouvement mais ne vous laissent pas construire dessus, et des entreprises qui gèrent la facturation mais ne peuvent pas vérifier le mouvement. L'écart, c'est un moteur qui effectue la vérification et vit à l'intérieur de votre produit.

Cet écart n'est pas un problème de recherche. C'est un problème d'ingénierie d'intégration, et cette distinction est toute la raison pour laquelle une équipe concentrée peut l'emporter ici.

Pourquoi un compteur de répétitions échoue-t-il à un audit de RTM ?

Pour les plateformes de kinésithérapie avec lesquelles nous travaillons, cela a cessé d'être théorique au moment où le calcul du remboursement a changé.

Seuls environ 35 % des patients suivent intégralement leurs programmes d'exercices à domicile — la plupart des autres abandonnent au cours du premier mois — et les patients surestiment notoirement quand on les interroge. Les cliniciens savent que les données auto-déclarées sont de la fiction. Ce qu'ils veulent, c'est le Suivi Thérapeutique à Distance (RTM) : un ensemble de codes de facturation des CMS (98975 à 98981) qui rémunèrent le suivi de la récupération musculo-squelettique d'un patient entre les visites. Un vrai revenu récurrent.

Le hic, c'est ce qu'exige la documentation RTM. Pour la facturer et survivre à un audit, il vous faut des données recueillies par un appareil — avec des horodatages, liées à une décision clinique réelle ayant modifié le plan de traitement. Un compteur de répétitions ne franchit pas cette barre. « Le patient a fait 30 squats » n'est pas la même chose que « la qualité du mouvement du patient a décliné, déclenchant un ajustement du protocole à cette date ». C'est exactement là où notre compteur de répétitions aurait laissé une clinique exposée. Je me souviens d'une kinésithérapeute nous disant, poliment, qu'elle ne pouvait pas facturer sur nos données parce qu'elles lui disaient qu'il s'était exercé, pas comment — et le « comment » était tout l'enjeu clinique et juridique.

Puis la barre s'est abaissée et les enjeux se sont accrus en même temps. La Final Rule 2026 des CMS a ajouté deux nouveaux codes — 98979 et 98985 — et a abaissé le seuil de suivi de 16 jours à seulement 2, et le minimum de temps de gestion de 20 minutes à 10. Soudain, bien plus de patients sont facturables. Mais la norme de documentation ne s'est pas assouplie : elle exige toujours des données d'appareil liées à des décisions de traitement. Plus de cliniques se ruant vers le RTM signifie plus de cliniques générant exactement le type de données minces, réduites à un simple décompte, qui ne tiennent pas la route. L'opportunité de remboursement et le risque de documentation ont grandi d'un même souffle.

Il y a un enjeu réglementaire qui court en parallèle et façonne la façon dont on construit. Les recommandations de la FDA de janvier 2026 permettent à un outil positionné purement comme relevant du « bien-être » de contourner la classification en tant que dispositif médical — très bien pour un compteur de pas. Mais dès l'instant où vous formulez une allégation clinique, ce que la vérification RTM fait par nature, vous êtes potentiellement dans le domaine du logiciel en tant que dispositif médical, avec la validation et la surveillance que cela implique. Le même moteur doit donc être architecturé pour vivre de chaque côté de cette ligne selon ce que le client revendique, ce qui n'est pas une décision que vous voulez découvrir tardivement.

Le moteur d'exercice vérifié n'est donc pas une fonctionnalité accessoire pour ces plateformes. C'est la différence entre un revenu RTM qui survit à un audit et un revenu RTM qui devient un rappel de fonds.

L'autre acheteur dans la pièce : le bien-être sans surveillance

J'ai failli mal servir ce second acheteur, et je suis content que nous ne l'ayons pas fait — la matière humaine est tout aussi tranchante.

Les responsables du bien-être en entreprise sont confrontés à une autre version du même problème. Les troubles musculo-squelettiques coûtent à un employeur environ 486 dollars par an et par employé en dépenses directes, plus une estimation de 3 105 dollars de productivité perdue — 3 591 dollars par tête. Jusqu'à 36 % des chirurgies musculo-squelettiques sont inutiles, un frein d'environ 90 milliards de dollars sur la main-d'œuvre. La réponse du marché est énorme : les dépenses de bien-être en entreprise atteignent 100 milliards de dollars en 2026, et là où 83 % des grands employeurs proposaient des soins musculo-squelettiques virtuels en 2025, presque tous — 96 % — prévoient de le faire d'ici 2027.

Et pourtant, seul environ un quart des employés utilisent réellement les programmes qu'on leur propose. Plus de la moitié disent être réticents à partager la moindre donnée de santé avec leur employeur. Après des années de scandales de triche autour des Fitbit qu'on secoue et des pas falsifiés, les employés ont appris que « vérification du bien-être » signifie souvent « mon patron me surveille ». Un DRH sur l'un de nos premiers projets pilotes m'a demandé, de cette manière mi-figue mi-raisin, si ce que nous avions construit « donnait l'impression d'une surveillance ». C'était la question la plus utile que quiconque nous ait posée, car la première réponse honnête était : ça pourrait.

Cette objection a recâblé notre architecture. Les mêmes points clés squelettiques qui rendent la vérification d'exercice possible sont, juridiquement, un champ de mines — les schémas de mouvement du corps peuvent réidentifier une personne comme le fait une empreinte digitale, ce qui place les données de posture au cœur de la conversation sur les lois de confidentialité biométrique comme la BIPA de l'Illinois et le RGPD européen. Il y a eu 107 nouveaux recours collectifs BIPA déposés dans l'Illinois rien qu'en 2025. Personne n'a encore poursuivi une application de fitness au sujet de l'estimation de posture, mais la théorie juridique est entièrement assemblée et n'attend que d'être utilisée.

Le remède à « est-ce que ça donne l'impression d'une surveillance » ne s'est finalement pas avéré être une politique de confidentialité. C'était une contrainte de conception : la vidéo brute et le squelette ne quittent jamais le téléphone.

Nous traitons le mouvement sur l'appareil et ne transmettons que des signaux de conformité agrégés — le travail prescrit a été effectué, à ce niveau de qualité, à cette date — jamais la vidéo, jamais les points clés. L'employeur obtient une participation vérifiée. Les données corporelles de l'employé restent sur l'appareil de l'employé. C'est la seule version de la vérification d'exercice en entreprise que je voudrais réellement voir utilisée sur moi.

« Mais la caméra d'un téléphone ne pourra-t-elle jamais être assez précise ? »

Les gens brandissent le plafond de précision comme une raison pour laquelle cela ne peut pas marcher, et je le prends au sérieux — je pense simplement que cela plaide pour la conclusion inverse. Oui, une caméra monoculaire n'égalera jamais un laboratoire à marqueurs à 100 000 dollars. Mais l'utilité clinique n'exige pas des angles de qualité laboratoire. Elle exige de détecter de façon fiable les schémas qui comptent : une dérive constante du genou vers l'intérieur, une profondeur qui régresse de semaine en semaine, un tempo qui signale une compensation. Ce sont des signaux robustes même à travers le bruit de la caméra, si la couche d'interprétation est conçue pour les trouver et ignorer les secousses. Le but n'a jamais été de mesurer 90,0 degrés. C'était de savoir que cette répétition, pour cette personne, aujourd'hui, va dans la mauvaise direction.

L'autre question qu'on me pose est de savoir si la nouvelle vague d'« agentic AI » dont tout le monde entend parler dans les conférences rend obsolète le travail de biomécanique sur mesure. C'est l'inverse. Un agent de santé autonome qui ajuste le plan d'exercice d'un patient n'est fiable qu'à hauteur des données qui le sous-tendent. Pointez un agent vers des décomptes de répétitions et il optimisera avec assurance un patient vers une blessure plus profonde. La couche d'intelligence d'exercice est ce qui rend le suivi agentique sûr plutôt qu'imprudent. Plus l'agent au sommet est intelligent, plus il importe que la vérification en dessous comprenne réellement le mouvement.

Ce que cette image figée m'a appris

Nous avons reconstruit le moteur autour d'une seule idée : le seuil n'est pas un chiffre, c'est une décision clinique, et elle appartient au clinicien. Une cible de profondeur de squat calée sur « semaine 8 post-LCA » n'est pas la même cible que « 70 ans, après prothèse de genou » ou « athlète d'entreprise de 30 ans ». Nous avons donc rendu les seuils configurables — définis par le clinicien, par patient, par exercice — et nous avons conçu la sortie pour qu'elle soit ce dont la facturation RTM et un acheteur de bien-être inquiet ont tous deux réellement besoin : des données de conformité structurées, horodatées, mises en correspondance avec le protocole et respectueuses de la vie privée. Une caméra en entrée, une décision cliniquement significative en sortie. Si vous voulez le tableau complet de la façon dont ce pipeline s'articule, il se trouve sur notre page de solutions.

Je pense encore à cet homme de 62 ans faisant ses squats, faisant confiance à une coche verte qui n'avait aucune idée que son genou s'affaissait. Il a tout fait comme il fallait. Il s'est présenté, il a fait le travail, il a suivi les instructions. Le logiciel l'a trahi discrètement, d'une manière que seul un œil exercé aurait détectée — et toute la promesse de mettre de l'IA dans son salon était que l'œil exercé serait toujours là.

Un compteur de répétitions regarde un corps bouger. Un moteur de vérification d'exercice sait ce que le mouvement signifie. Entre ces deux phrases se trouvent un genou en convalescence, une décision clinique facturable et un employé décidant s'il doit faire confiance à la chose qui le surveille. Ce n'est pas un écart dans la technologie. C'est tout le travail.