# Livrer une app d’analyse football pour la Coupe du monde 2026 avec des agents

Une app d’analyse football est passée du concept au lancement pour la Coupe du monde en moins de six mois, avec 22 versions, non sans difficultés.

- Auteur : Dan Mocan (https://www.linkedin.com/in/dan-mocan-9424421a/)
- Publié : 2026-11-16
- Genre : Article
- Page : https://x2labs.ai/fr/notes/world-cup-football-analytics-app

**En bref**

- Les fondateurs avaient une idée d’analyse football de niveau professionnel et une date de lancement impossible à déplacer : la Coupe du monde de la FIFA 2026.
- Nous avons construit une app iOS et Android alimentée par des données de match en direct : scores, notes des joueurs, victoire méritée, momentum, field tilt, statistiques par phase de jeu et récits visuels à partager.
- Nous avons intégré et adapté une quarantaine de modèles de machine learning conçus par l’un des fondateurs, expert du football et de l’analyse de données. Ces modèles transforment les événements bruts d’un match en récits sur les joueurs, les équipes et les matchs.
- Résultat : moins de six mois entre le concept et le lancement, puis 22 versions publiées sur l’App Store entre le 8 juin et le 1er octobre, avec une note de 4.8 sur l’App Store (36 notes, octobre 2026).

Les fondateurs voulaient que les supporters voient davantage ce qui se passe réellement dans un match, grâce au type d’analyse habituellement réservé aux clubs professionnels.

Qui méritait de gagner. Qui contrôlait le terrain. Comment chaque équipe construisait, progressait et concluait. De vraies données, directement entre les mains des supporters.

L’idée en elle-même était claire. Le problème, c’était le calendrier.

La Coupe du monde nous imposait une échéance ferme. Impossible de lancer quelques semaines plus tard en traitant cela comme un retard ordinaire. À ce moment-là, une grande partie de l’opportunité aurait déjà disparu.

Le second problème n’est devenu évident qu’une fois que nous avons commencé à travailler avec des matchs en direct : les données sont très mouvantes.

Un but peut apparaître dans le flux puis disparaître après la VAR. Le buteur peut changer. Des événements peuvent arriver en retard ou être corrigés après coup. Différents fournisseurs représentent parfois la même chose de manière différente.

C’est important dans une app grand public, parce que les gens le remarquent. Ils comparent ce qu’ils voient avec le match lui-même, avec d’autres apps et avec des captures d’écran partagées en ligne.

Nous avions donc deux risques majeurs : manquer une échéance qui n’était qu’à quelques mois, et afficher des chiffres auxquels les gens ne pourraient pas se fier.

## Ce que nous avons construit, et qui décide de quoi

Nous avons construit une app Flutter pour iOS et Android, ainsi qu’un backend qui ingère un flux d’événements en direct pour chaque match. Et nous l’avons construite avec notre workflow de développement agentique, avec Claude Opus et Claude Fable comme agents de développement, de février à octobre 2026. Nous avons toujours utilisé la dernière version disponible : Claude Opus 4.6 à partir de février, puis Opus 4.7, 4.8, 5 et 5.5 au fil de leur sortie, et Claude Fable 5 et 5.1 à partir de juin.

Tout ce que voient les supporters repose sur ces données : victoire méritée et momentum, field tilt, notes des joueurs, performance sur plus de 10 phases de jeu différentes : construction, progression, finition, contre-attaque rapide, transition, coups de pied arrêtés, etc., ainsi que les styles de jeu. Les supporters peuvent classer les équipes et les joueurs par statistique ou par phase.

![L’écran du match LAFC 2–2 LA Galaxy : note du match, victoire méritée 58 % contre 20 %, possession, expected goals et tirs, au-dessus d’un graphique de momentum et de la chronologie des expected goals](https://x2labs.ai/_astro/match-overview.D4PrggWs_HinAs.webp)

*L’app en production avec les données réelles d’un match de MLS, LAFC 2–2 LA Galaxy. L’app a été lancée pour la Coupe du monde ; nous avons ajouté la MLS et la Premier League après le tournoi.*

![Trois vues de match : une carte des tirs avec les tirs, les grosses occasions et les attaques dangereuses ; une carte territoriale avec un field tilt de 71 % contre 29 % ; et une carte de chaleur des actions au-dessus des phases de jeu](https://x2labs.ai/_astro/shots-territory-phases.Cc3zOUVD_1yApIB.webp)

![Vues de championnat pour la Major League Soccer : le classement des équipes avec points et notes, le classement des équipes par note globale, offensive et défensive, et les joueurs classés par note](https://x2labs.ai/_astro/league-rankings.ihOxWc2I_Z1TgbWC.webp)

Le produit repose sur une quarantaine de modèles de ML conçus par l’un des fondateurs. Notre travail consistait à les intégrer au pipeline en direct et à les adapter aux données réelles des matchs.

Chaque modèle a un rôle précis. Certains expliquent comment les joueurs et les équipes ont performé. D’autres transforment les chiffres en récits visuels que les supporters peuvent partager. Tous s’appuient sur les événements d’un match donné.

![Tendances de l’équipe LAFC sur des curseurs tels que construction patiente contre directe et contrôle contre chaos, à côté des taux de réussite pour les phases de construction, progression, finition, contre-attaque rapide, transition et coups de pied arrêtés](https://x2labs.ai/_astro/team-tendencies-phases.CSikiX67_29eREi.webp)

Des humains interviennent toujours dans le processus à des moments clés :

- **Avant la sortie d’une fonctionnalité.** Quelqu’un décide quels indicateurs et quels récits sont utiles et comment ils doivent apparaître sur un écran de téléphone.
- **À chaque journée de match.** L’équipe QA compare les résultats, les classements et les événements clés de l’app avec des sources publiques indépendantes.
- **Avant chaque version.** Le code livré est relu et validé par nos développeurs seniors.

C’est important, car une erreur silencieuse peut se propager rapidement. D’après ce que j’ai pu constater, les médias citent désormais les indicateurs de victoire méritée et de field tilt dans leurs résumés de match.

## Ce qui n’a pas fonctionné

**Considérer un seul flux comme la source de vérité absolue.** Nous avons d’abord supposé qu’un flux sous licence serait tout simplement exact. C’est le cas la plupart du temps, mais notre expérience de la Coupe du monde nous a appris à quel point les données en direct peuvent changer. Une composition correcte envoyée 30 minutes avant le début du match peut encore changer juste avant le coup d’envoi à cause d’un joueur blessé. Il faut concevoir le système en prévision de ces corrections et accepter que certains cas limites ne deviendront clairs qu’au moment où vous les rencontrerez.

Par la suite, nous avons commencé à vérifier de manière beaucoup plus poussée tout ce qui pouvait produire un résultat plausible en apparence mais incorrect.

**S’attendre à ce qu’un but soit un événement propre.** Nous supposions qu’un but arriverait sous la forme d’une minute et d’un buteur. Souvent, ce n’est pas le cas.

Des buts sont attribués au mauvais joueur puis corrigés plus tard. Ils sont annulés après vérification. Parfois, un but apparaît dans le flux alors qu’il n’a jamais eu lieu, parce que le jeu était déjà arrêté.

Les séances de tirs au but sont probablement le cas le plus difficile : de nombreux événements en quelques minutes, chacun pouvant changer le résultat.

**Donner à nos agents de développement des consignes trop succinctes.** Nous pensions que les agents connaîtraient suffisamment le football par eux-mêmes. Ce n’était pas le cas.

Nous avons dû détailler les règles, en particulier autour du temps additionnel. Un match peut s’arrêter pour une blessure et durer encore 20 minutes. Il peut être interrompu à cause de la météo et se terminer le lendemain.

Aucun garde-fou ne détecte toutes les incohérences des données en direct. Les agents ont besoin que ces règles soient écrites explicitement pour expliquer correctement ce qu’ils observent.

## Les chiffres à ce jour

**L’app en chiffres, de février à octobre 2026**

Nombre de versions et note issus du tableau de bord App Store Connect de l’app.

|                                    |                                          |
| ---------------------------------- | ---------------------------------------- |
| Du concept au lancement            | Moins de 6 mois (de février à juin 2026) |
| Versions sur l’App Store           | 22 (du 8 juin au 1er octobre 2026)       |
| Rythme de publication              | Hebdomadaire ou plus rapide              |
| Note sur l’App Store               | 4.8 (36 notes, octobre 2026)             |
| Modèles de ML intégrés             | Une quarantaine                          |
| Compétitions couvertes             | MLS, Premier League, Coupe du monde      |
| Phases de jeu mesurées             | Plus de 10                               |
| Types de récits visuels à partager | 5                                        |

*Le nom de l’app n’est pas mentionné à la demande du client.*

## Mon avis

Rétrospectivement, l’intégration des modèles était probablement la partie la plus prévisible du projet.

Le travail le plus difficile portait sur tout ce qui devait être juste avant que leurs résultats soient fiables : les bons événements, le bon score, la chronologie et tous les cas limites étranges qui surviennent dans le football en direct.

Nous avons aussi publié bien plus souvent que prévu. Entre juin et octobre, nous avons sorti 22 versions de l’app. Une grande partie de ce que nous savons aujourd’hui vient du fait d’avoir regardé de vrais matchs, repéré quelque chose d’étrange en production et corrigé le problème avant la journée suivante.

L’IA nous a permis d’avancer beaucoup plus vite, à la fois dans le développement et pour transformer les données de match en contenu facile à lire. J’estime qu’une app comparable nous aurait demandé environ 1 à 2 ans avant les agents. Mais elle n’a pas supprimé le besoin de connaissances en football, de compétences en développement logiciel ni de tests QA.

Par exemple, si l’implémentation des règles de prolongation omet un cas limite et provoque un bug critique, l’agent de développement peut fournir une explication très convaincante mais incorrecte, en invoquant un problème de données plutôt qu’un bug dans le code. La connaissance du secteur devient ainsi encore plus importante qu’auparavant.

### Ce qui me semble transposable

Quelques leçons tirées ici dépassent le cadre du football.

La première consiste à construire face à une échéance qui ne peut pas bouger. La deuxième, à travailler avec des données en direct qui peuvent être incomplètes ou changer après leur réception. La troisième, à connaître suffisamment bien le secteur pour repérer quand les agents de développement font fausse route, plutôt que d’attendre d’eux qu’ils identifient et corrigent seuls chaque problème sous-jacent.

Nous observons le même schéma dans d’autres produits où le calendrier et l’information en direct comptent.

Pour notre client, la Coupe du monde a réuni ces trois défis en même temps.

À lire aussi sur le football au lab : [une prévision de trésorerie pour les clubs de football](https://x2labs.ai/fr/notes/football-club-cash-forecast), construite à partir des clauses des contrats et de l’historique des paiements, et [un tableau de bord des déplacements](https://x2labs.ai/fr/notes/football-team-travel-planner) qui montre ce qui casse quand un match est déplacé.

**Notes citées**

- [Prévisions de trésorerie pour les clubs de football : 18 % des clauses contractuelles corrigées à la main](https://x2labs.ai/fr/notes/football-club-cash-forecast) · Dan Mocan · 19 oct. 2026
- [Quand un match est déplacé, qu’est-ce qui casse ? Un tableau de bord pour les déplacements d’une équipe de football](https://x2labs.ai/fr/notes/football-team-travel-planner) · Dan Mocan · 2 nov. 2026
