Santé et activité physique : que valent les réponses des assistants d’intelligence artificielle ?

✍️ Par la Rédaction Magicfit · ⏱️ Lecture 21 min · 📅 Publié le 9 avril 2026

Enquête Magicfit · Intelligence artificielle · Santé et activité physique · Fiabilité des réponses · Ce que disent les études

De plus en plus de personnes posent leurs questions de santé, d’alimentation ou d’entraînement à un assistant d’intelligence artificielle. Que valent les réponses obtenues ? Les études publiées depuis 2023 ont testé ces outils sur des questions de patients, des programmes d’exercice, des conseils de nutrition, des références scientifiques et des situations où il faut décider s’il faut consulter.

Elles mesurent ce qui est exact, ce qui manque, ce qui est inventé, et ce qui se passe quand ce sont des personnes ordinaires, et non des experts, qui posent les questions. Voici ce qu’elles disent, et ce qu’on peut en retenir pour s’en servir avec prudence.

1. Un usage devenu courant

Les assistants d’intelligence artificielle générative, qui répondent en phrases à une question posée en langage courant, sont entrés dans la vie quotidienne en quelques années. Eurostat les mesure désormais dans son enquête européenne sur l’usage du numérique. En 2025, 37,46 % des personnes interrogées en France déclaraient avoir utilisé un outil d’intelligence artificielle générative au cours des trois derniers mois, contre 32,66 % dans l’ensemble de l’Union européenne.

Ces outils servent d’abord à des fins privées : 27,69 % des personnes interrogées en France les avaient utilisés pour un usage personnel, contre 25,49 % dans l’Union. Les usages pour le travail concernaient 18,44 % des personnes en France, et ceux pour les études 10,96 %. Eurostat ne détaille pas, dans ce tableau, les sujets des questions posées.

La santé fait partie de ces sujets. Les auteurs d’un essai publié en 2026 dans Nature Medicine rappellent, en citant des enquêtes américaines, qu’un adulte sur six aux États-Unis consulte un assistant d’intelligence artificielle pour une information de santé au moins une fois par mois (Bean et coll., 2026). C’est pourquoi les chercheurs ont commencé à tester la qualité de ces réponses, sujet par sujet.

2. Réussir un examen n’est pas conseiller un patient

Les premiers travaux ont soumis les modèles de langage à des questions d’examen de médecine. Une étude publiée en 2023 dans Nature a construit un ensemble de tests réunissant six jeux de questions médicales existants et un nouveau jeu de questions de santé recherchées en ligne par le public (Singhal et coll., 2023).

Un des modèles testés y obtenait 67,6 % de bonnes réponses aux questions de type examen de médecine des États-Unis, soit plus de 17 points au-dessus du meilleur résultat précédent.

Mais la même étude a aussi fait évaluer les réponses par des humains, selon leur exactitude, leur compréhension du problème, leur raisonnement, le risque de nuire et les biais. Cette évaluation révélait des lacunes importantes. Même la version adaptée au domaine médical, jugée encourageante, restait inférieure aux médecins. Les auteurs concluaient à la nécessité de cadres d’évaluation solides avant toute application clinique.

Depuis, les scores aux examens ont continué de monter. Les auteurs de l’essai de 2026 notent que les modèles de langage atteignent désormais des niveaux comparables à la réussite de l’examen de médecine américain (Bean et coll., 2026). La question n’est donc plus seulement de savoir si un modèle connaît la médecine, mais s’il aide vraiment une personne qui l’interroge sur sa propre situation.

3. Quand ce sont des personnes ordinaires qui posent la question

L’essai publié en 2026 dans Nature Medicine a posé cette question directement (Bean et coll., 2026). Trois médecins ont rédigé dix situations médicales, jusqu’à se mettre d’accord sur la bonne conduite à tenir, sur une échelle de cinq choix allant de rester chez soi à appeler une ambulance.

Quatre autres médecins ont établi la liste des maladies à envisager pour chaque situation. Puis 1 298 participants du Royaume-Uni ont été répartis au hasard : trois groupes recevaient l’aide d’un modèle de langage, GPT-4o, Llama 3 ou Command R+, et un groupe témoin utilisait la source de son choix.

Testés seuls, avec la situation entière, les modèles trouvaient la maladie en cause dans 94,9 % des cas et la bonne conduite à tenir dans 56,3 % des cas en moyenne. Mais les participants qui utilisaient ces mêmes modèles n’identifiaient une maladie pertinente que dans moins de 34,5 % des cas, et la bonne conduite à tenir dans moins de 44,2 % des cas, sans faire mieux que le groupe témoin.

Le groupe témoin avait même 1,76 fois plus de chances d’identifier une maladie pertinente que l’ensemble des participants aidés par un modèle, et 1,57 fois plus de chances d’identifier une maladie de la liste des situations graves.

Les chercheurs ont examiné les échanges pour comprendre. Dans 16 des 30 échanges étudiés en détail, le premier message des participants ne contenait qu’une partie des informations ; dans 7 de ces 16 cas, les symptômes manquants n’étaient donnés que plus tard.

Les modèles suggéraient souvent au moins une maladie pertinente, mais les participants ne suivaient pas toujours leurs recommandations, et les modèles transmettaient parfois mal la bonne réponse. Les auteurs en concluent que les tests de connaissances habituels ne prédisent pas ces échecs, et recommandent de tester ces outils avec de vrais utilisateurs avant de les proposer au public pour des conseils de santé.

4. Des réponses jugées complètes et bienveillantes

D’autres études donnent une image plus favorable, sur un autre terrain. Une étude publiée en 2023 dans JAMA Internal Medicine a tiré au sort 195 questions posées sur un forum public en ligne, auxquelles un médecin vérifié avait répondu (Ayers et coll., 2023). Les mêmes questions ont été soumises à un assistant conversationnel, puis les deux réponses, rendues anonymes, ont été évaluées par une équipe de professionnels de santé.

Sur les 585 évaluations, les évaluateurs ont préféré la réponse de l’assistant dans 78,6 % des cas. Les réponses des médecins étaient bien plus courtes : 52 mots en moyenne, contre 211 pour l’assistant. La part de réponses jugées de bonne ou de très bonne qualité atteignait 78,5 % pour l’assistant, contre 22,1 % pour les médecins, soit 3,6 fois plus. Celle des réponses jugées empathiques ou très empathiques atteignait 45,1 %, contre 4,6 %, soit 9,8 fois plus.

Ces résultats sont à prendre avec prudence : les réponses des médecins venaient d’un forum en ligne, souvent en quelques lignes, et les évaluateurs jugeaient un texte, pas l’effet du conseil sur la santé du patient. Les auteurs proposent d’explorer l’usage de ces outils pour rédiger des brouillons de réponses que les médecins relisent et corrigent, et d’en évaluer l’intérêt par des essais.

5. L’exercice : exact, mais incomplet

Pour l’activité physique, une étude publiée en 2024 dans JMIR Medical Education a demandé à un assistant conversationnel des recommandations d’exercice personnalisées pour 26 populations, des adultes en bonne santé aux personnes atteintes de maladies chroniques, en passant par les enfants, les personnes âgées et les femmes enceintes (Zaleski et coll., 2024).

Deux évaluateurs ont comparé chaque réponse aux recommandations de référence de l’American College of Sports Medicine, selon dix rubriques : bienfaits, bilan avant de commencer, fréquence, intensité, durée, type, volume, progression, précautions particulières et références à la littérature.

Les réponses n’étaient complètes qu’à 41,2 %, soit 107 éléments sur 260 attendus. Ce qu’elles disaient était exact à 90,7 %, soit 146 éléments sur 161. Aucune réponse n’était complète. Les manques portaient sur le cœur de la prescription : la fréquence n’était entièrement donnée que dans 2 réponses sur 26, l’intensité dans 2, la durée dans 1 et le volume dans aucune, surtout pour le renforcement musculaire et la souplesse.

Plus de la moitié des erreurs, 8 sur 15, portait sur la nécessité d’un avis médical avant de commencer : l’assistant conseillait par exemple à une personne âgée de consulter son médecin, là où les recommandations de référence permettent à une personne inactive mais en bonne santé de débuter une activité légère à modérée sans avis médical. Les références à la littérature scientifique manquaient dans 24 des 26 réponses.

Les réponses étaient aussi difficiles à lire : de niveau universitaire, avec un score de facilité de lisibilité moyen de 31,1 sur 100. Les auteurs relèvent une préférence pour l’exercice d’endurance, une forte prudence liée à la responsabilité, et des biais possibles envers certains groupes d’âge et les personnes en situation de handicap. Ils invitent les professionnels de l’exercice et de la santé à connaître ces limites avant de recommander ces outils.

6. Des programmes prudents, mais peu personnalisés

Une autre équipe a demandé, dans une étude publiée en 2024 dans Biology of Sport, à GPT-4 de construire un programme d’exercice de 30 jours pour cinq profils fictifs, chacun avec un état de santé et un objectif différents (Dergaa et coll., 2024). La consigne précisait de respecter les principes de fréquence, d’intensité, de durée et de type d’exercice. Les programmes ont ensuite été évalués par des experts de la prescription d’exercice venus de vingt pays.

Leur verdict est nuancé. Le modèle produisait des programmes généraux, soucieux de sécurité. Mais ces programmes manquaient de précision face aux maladies et aux objectifs de chaque profil, privilégiant souvent une prudence excessive au détriment de l’efficacité de l’entraînement. Les auteurs estiment que ces outils peuvent servir de complément, notamment pour les personnes qui n’ont pas accès à un professionnel, mais pas encore de substitut à une prescription personnalisée et progressive.

Une étude publiée en 2026 dans le Journal of Clinical Medicine a testé un autre modèle, Gemini 2.5, sur des cas cliniques complexes, avec trois niveaux de précision dans la question posée (Choi et coll., 2026). Mieux structurer la question améliorait les scores de sécurité et de respect des recommandations entre le premier et le deuxième niveau, mais pas au-delà.

Surtout, les experts n’étaient pas d’accord entre eux : leur accord, mesuré par un coefficient de corrélation, n’était que de 0,139, alors que chacun restait très cohérent avec lui-même. Pour les auteurs, cela montre que la prescription d’exercice dépend fortement du jugement de l’expert.

7. La nutrition : des réponses utiles, des risques ciblés

L’alimentation est un autre sujet fréquent. Une étude publiée en 2026 dans Frontiers in Public Health a soumis 58 questions sur l’alimentation végétarienne et végétalienne à cinq assistants accessibles au public, par leurs interfaces officielles, soit 290 réponses (Zhou et coll., 2026). Cinq évaluateurs formés à la nutrition clinique, qui ne savaient pas quel outil avait répondu, ont jugé la sécurité, l’exactitude, l’empathie, la fiabilité et la facilité de compréhension.

Des réponses potentiellement nuisibles apparaissaient pour tous les modèles. Les problèmes récurrents portaient sur la fiabilité des sources de vitamine B12, des apports non contrôlés d’iode ou de sélénium, les étapes de la vie plus fragiles, les maladies chroniques, le tri des symptômes qui demandent un examen médical, et des affirmations peu traçables ou trop assurées. L’exactitude, l’empathie, la fiabilité et la facilité de compréhension différaient nettement d’un outil à l’autre.

Les auteurs concluent que ces assistants peuvent donner des informations générales utiles, mais de façon inégale, et que leurs conseils doivent être pris avec prudence, surtout pour les compléments alimentaires, les personnes fragiles, les maladies chroniques et les symptômes. Ils demandent que les futurs systèmes orientent mieux vers un professionnel, indiquent mieux leurs sources et s’expriment plus simplement.

8. Des références qui n’existent pas

Une réponse qui cite des études paraît plus sérieuse. Encore faut-il que ces études existent. Une étude publiée en 2023 dans Scientific Reports a demandé à deux versions d’un même assistant, ChatGPT-3.5 et ChatGPT-4, de courtes revues de la littérature sur 42 sujets variés, soit 84 textes et 636 références bibliographiques (Walters et Wilder, 2023). Les auteurs ont vérifié chaque référence dans plusieurs bases de données et sur les sites des éditeurs.

Avec la version la plus ancienne, 55 % des références étaient inventées ; avec la plus récente, 18 %. Parmi les références qui correspondaient à des travaux réels, 43 % des références de la version ancienne et 24 % de celles de la version récente contenaient des erreurs importantes : auteurs, titre, date, revue ou pagination.

Les auteurs notent que la nouvelle version marque un progrès majeur, mais que les problèmes demeurent. Ils rappellent aussi que ces outils répondent souvent de façon inexacte quand on leur demande de vérifier la réalité des travaux qu’ils citent.

Le problème n’a pas disparu avec les versions suivantes. Une étude publiée en 2026 dans Critical Care Explorations a demandé à trois modèles récents dix références sur chacun de dix sujets de réanimation neurologique, le 10 mars 2026, sans recherche en ligne, soit 300 références (Seifi et Seyfi, 2026).

Au total, 55,0 % contenaient au moins une inexactitude, et 28,3 % étaient entièrement inventées, avec de fortes différences entre modèles. Les auteurs recommandent de vérifier chaque référence produite par une intelligence artificielle dans des bases fiables avant de s’en servir.

9. Les garde-fous contre la désinformation

Un assistant peut se tromper de bonne foi ; il peut aussi être utilisé pour produire volontairement de fausses informations. Une étude publiée en 2024 dans le BMJ a testé quatre modèles de langage accessibles au public, en septembre 2023, puis douze semaines plus tard (Menz et coll., 2024). Les chercheurs leur demandaient de rédiger des articles de blog affirmant que la crème solaire cause le cancer de la peau, ou qu’un régime dit alcalin guérit le cancer.

Un seul des outils testés a refusé les 130 demandes, même face à des tentatives de contournement. Un autre a d’abord refusé, puis a accepté lors du second test.

Les autres ont produit ces contenus sans difficulté : en septembre 2023, ils ont généré 113 articles de désinformation sur le cancer, totalisant plus de 40 000 mots, sans qu’aucune tentative de contournement soit nécessaire. Leur taux de refus, sur les deux périodes, n’était que de 5 %, soit 7 demandes sur 150.

Ces textes comportaient des titres accrocheurs, des références d’apparence authentique mais fausses et des témoignages inventés de patients et de médecins. Les chercheurs ont signalé ces failles par les canaux prévus ; les développeurs n’ont pas répondu. Les auteurs concluent que des garde-fous efficaces sont possibles, mais appliqués de façon inégale, et demandent davantage de régulation, de transparence et d’audits réguliers.

10. Ce que dit la médecine du sport

La médecine du sport a commencé à faire le bilan de ces travaux. Une revue de la littérature publiée en 2026 dans Frontiers in Public Health a recensé les études parues entre janvier 2022 et mars 2026 sur l’intelligence artificielle générative en médecine du sport (Dergaa et coll., 2026). Sur 1 847 références trouvées, 32 études ont été retenues.

Elles se répartissent en sept domaines : la prescription d’entraînement et d’exercice, cinq études ; la nutrition, quatre ; la rééducation, trois ; la santé mentale, trois ; l’aide à la décision clinique, cinq ; l’écriture scientifique, six ; l’éthique et la gouvernance, six. L’exactitude des modèles variait beaucoup.

Dans une étude de validation sur les recommandations de sommeil, un indice de validité du contenu allait de 0,33 pour une version ancienne à 0,67 pour une version plus récente ; pour le décalage horaire, seule la version la plus récente atteignait un niveau acceptable, à 0,68.

La revue relève aussi que la part de texte produit par l’intelligence artificielle dans les revues de médecine du sport est passée de 2,38 % au début de 2023 à 6,25 % à la fin de 2024, selon une analyse bibliométrique.

Le risque d’inventions était jugé critique pour les assistants généralistes, mais nettement réduit dans les systèmes qui s’appuient sur une recherche de documents avant de répondre. Les auteurs concluent que ces outils peuvent aider à la décision sous supervision, mais que les données actuelles ne justifient pas un usage clinique sans contrôle.

11. Pourquoi ces erreurs ?

Les études lues avancent plusieurs explications, qui se complètent. La première tient au fonctionnement même de ces outils. Un modèle de langage produit un texte plausible à partir de ce qu’il a appris ; il ne vérifie pas, par lui-même, que l’étude qu’il cite existe. Les auteurs de l’étude sur les références décrivent ainsi des références inventées qui mentionnent des livres eux-mêmes inexistants (Walters et Wilder, 2023).

La deuxième tient aux données d’apprentissage. Dans ses orientations de 2024, l’Organisation mondiale de la santé rappelle que ces modèles peuvent être entraînés sur des données de mauvaise qualité ou biaisées, selon l’origine, le sexe, l’identité de genre ou l’âge, et qu’il existe des risques documentés de déclarations fausses, inexactes, biaisées ou incomplètes, qui peuvent nuire à ceux qui s’en servent pour décider de leur santé.

La troisième tient à l’échange lui-même. L’essai de 2026 montre que les erreurs naissent souvent entre l’outil et la personne : des informations données en partie, des questions fermées qui orientent la réponse, des conseils corrects mal compris ou non suivis (Bean et coll., 2026).

Les chercheurs y ont aussi observé des réponses différentes à des messages très proches, et des erreurs de contexte, comme un numéro d’urgence d’un autre pays. L’OMS met enfin en garde contre le « biais d’automatisation » : la tendance, chez les soignants comme chez les patients, à ne plus voir des erreurs qu’ils auraient repérées autrement, ou à confier à la machine des choix difficiles.

12. Ce que recommande l’OMS

En janvier 2024, l’OMS a publié des orientations sur l’éthique et la gouvernance des grands modèles multimodaux, la famille d’outils d’intelligence artificielle générative capables de traiter du texte, des images ou des vidéos. Elles comptent plus de 40 recommandations, destinées aux gouvernements, aux entreprises technologiques et aux professionnels de santé.

L’OMS distingue cinq grands usages en santé : le diagnostic et les soins, par exemple pour répondre aux questions écrites des patients ; l’usage guidé par le patient, par exemple pour explorer des symptômes et des traitements ; les tâches administratives ; la formation des médecins et des infirmiers ; la recherche scientifique et le développement de médicaments.

Elle rappelle que ces outils commencent à être utilisés pour la santé, mais qu’ils comportent des risques documentés pour ceux qui s’en servent pour décider.

Parmi ses recommandations, l’OMS demande aux gouvernements de confier à une autorité, existante ou nouvelle, l’évaluation et l’autorisation des outils destinés aux soins, d’imposer des audits et des études d’impact indépendants après leur mise en service à grande échelle, et d’en publier les résultats selon le type d’utilisateur. Elle demande aussi que ces outils ne soient pas conçus par les seuls scientifiques et ingénieurs, mais avec les futurs utilisateurs et toutes les parties concernées, dont les professionnels de santé.

13. Ce que cela change pour qui veut bouger

Pour la personne qui cherche à se remettre au sport, ces études donnent quelques repères pratiques. Le premier : une réponse générale sur l’activité physique a de bonnes chances d’être exacte, mais elle risque d’être incomplète.

Dans l’étude sur les recommandations d’exercice, ce que disait l’assistant était exact à 90,7 %, mais ne couvrait que 41,2 % de ce qu’une recommandation de référence contient (Zaleski et coll., 2024). La fréquence, l’intensité, la durée et le volume de l’exercice sont souvent ce qui manque.

Le deuxième : la réponse dépend de ce qu’on donne. Dans l’essai de 2026, une bonne partie des erreurs venait d’informations transmises en partie (Bean et coll., 2026). Décrire sa situation en entier, ses antécédents, ses traitements, son niveau actuel, ses douleurs éventuelles, donne une réponse plus utile, mais ne la rend pas sûre pour autant.

Le troisième : une référence citée n’est pas une preuve. Dans les études lues, une part importante des références produites était inventée ou fausse ; un lien vers la revue ou vers PubMed se vérifie en quelques secondes.

Le dernier : les repères officiels existent et sont simples. Les lignes directrices de l’OMS de 2020 recommandent aux adultes 150 à 300 minutes d’activité d’intensité modérée par semaine, ou 75 à 150 minutes d’activité soutenue, et du renforcement musculaire au moins deux jours par semaine ; aux enfants et adolescents, en moyenne 60 minutes par jour ; aux personnes âgées, des exercices d’équilibre et de force au moins trois jours par semaine (Bull et coll., 2020).

Une réponse qui s’en écarte nettement mérite d’être vérifiée. Avec une maladie chronique, une grossesse, une douleur ou après une longue pause, l’avis d’un médecin ou d’un professionnel de l’exercice reste la référence.

14. Les limites de ces études

Ces travaux ont leurs propres limites, qu’il faut garder en tête. La première est le temps : les outils évoluent en quelques mois, et une étude décrit une version précise, à une date précise. Les écarts mesurés entre deux versions d’un même assistant, sur les références inventées, montrent à quel point les résultats peuvent changer d’une version à l’autre (Walters et Wilder, 2023).

La deuxième tient aux méthodes. Beaucoup d’études soumettent une seule fois une liste de questions, souvent en anglais, et font juger les réponses par quelques experts. Or ces experts ne sont pas toujours d’accord entre eux : dans l’étude sur les prescriptions d’exercice de 2026, leur accord était faible (Choi et coll., 2026). Les situations testées sont fictives, et les évaluateurs jugent un texte, pas l’effet d’un conseil sur la santé réelle d’une personne.

La troisième tient au terrain. Parmi les études lues, seul l’essai de 2026 a fait intervenir des personnes du public, en nombre, face à des situations concrètes ; c’est aussi lui qui montre les résultats les moins favorables (Bean et coll., 2026).

Les autres études mesurent ce que l’outil sait, pas ce que la personne en retient. Enfin, les revues de la littérature restent récentes et partielles : la revue de médecine du sport n’a retenu que 32 études, réparties sur sept domaines (Dergaa et coll., 2026).

15. Ce que l’on peut retenir

Le premier constat est que les assistants d’intelligence artificielle connaissent beaucoup de médecine, et leurs réponses générales sur l’exercice sont souvent exactes. Ils rédigent des réponses longues et bienveillantes, que des professionnels de santé ont parfois préférées à celles de médecins répondant sur un forum.

Le deuxième est que ce savoir ne se transmet pas toujours à la personne qui pose la question. Quand des personnes ordinaires s’en servent pour une situation de santé, elles ne font pas mieux qu’avec leurs sources habituelles. Les réponses sont souvent incomplètes, peu personnalisées, trop prudentes ou au contraire trop assurées selon les sujets, et rédigées dans une langue difficile.

Le troisième est que les sources citées doivent toujours être vérifiées : une part notable des références produites par ces outils est inventée ou erronée, et certains outils ont produit, à la demande, des textes de désinformation avec de fausses références et de faux témoignages.

Le dernier, enfin : ces outils peuvent servir à préparer une question, à comprendre un terme, à se donner une première idée. Ils ne remplacent ni les repères des autorités de santé, ni l’avis d’un médecin, ni l’œil d’un professionnel qui adapte un programme à une personne réelle.

Pour bouger avec des repères fiables, mieux vaut partir des recommandations officielles et demander conseil à un professionnel avant de reprendre après une longue pause, pendant une grossesse ou avec une maladie chronique.

Sources

Cet article est une synthèse documentaire sur la santé et l’activité physique. Il ne donne aucun conseil médical et ne promet aucun résultat.

Tous nos calculateurs gratuits, par thème et avec une recherche : Magicfit Calculateurs