The common good prevails over any organization, including any organization that might one day emerge to steward this standard.
Millions of people already confide their vulnerabilities to AI agents. They do not know whether these agents are acting as a coach, a therapist or a doctor, nor whether they respect the rules of those professions. And nothing today makes it possible to verify this over time.
This document starts from that observation, draws out the problem, then the needs that follow from it. The Coaching Trust Framework (CTF) emerges from these needs: an open framework for verifying, before and during deployment, that AI agents respect the norms of a profession. It starts with coaching and is meant to extend to any profession that has a framework of its own.
1. The observation
Psychological needs are growing, AI is already responding to them, and the boundaries between the helping professions are fading.
Widespread psychological vulnerability
More than one billion people live with a mental health condition, according to data published by the WHO in September 2025 (WHO). The IHME puts the number at close to 1.2 billion, almost double the 1990 figure (IHME). Most of these people remain poorly cared for.
AI is already responding
People are turning to AI. According to Marc Zao-Sanders’s study published in the Harvard Business Review in 2025, the leading use of generative AI is now “therapy and companionship” (NJIT, summary of the HBR study). OpenAI reports that around 0.15% of its weekly active users have conversations that include explicit indicators of suicidal planning, which amounts to more than one million people per week (OpenAI, TechCrunch).
Alongside general-purpose assistants, platforms allow any coach or any company to build a specialized agent in a few hours. Such an agent rests on three elements: a language model, instructions that define its posture (the prompt), and a knowledge base.
Boundaries between professions are fading
In these exchanges, nothing distinguishes coaching, therapy, medical advice or simply listening. A single assistant plays all of these roles at once, without saying so. Our position: the major AI companies have little interest in drawing these boundaries, because an assistant that can do everything retains its users better than one that says “this is not my role”.
Yet these professions are distinct. Coach, therapist, doctor: each has its own function, its own code of ethics, its own limits and responsibilities. Blurring these roles exposes the most vulnerable people to inappropriate support.
2. The problem
An AI agent is not a stable tool, and nothing today makes it possible to verify over time that it respects the norms of a profession.
An AI agent drifts
Conventional software always does the same thing with the same data. An AI agent does not. Its behavior can change without anyone deciding it:
- the provider updates the model, and the same instruction no longer produces the same answers;
- the creator changes the prompt or the knowledge base, without measuring the effects elsewhere;
- people draw it outside its scope, through unexpected requests or manipulation;
- a long conversation makes it slide, and it gradually loses track of its framework.
An agent that conforms in March may no longer conform in June.
Current answers are not enough
Federations have published reference texts, such as the ICF AI Coaching Framework. These texts say what an agent should do. They do not say how to verify that it does it, nor that it keeps doing it.
The model used to certify humans does not help either. A professional is certified once, sometimes reassessed, and then practices without any real observation of their practice. A coach or a doctor who drifts is invisible. A transcript chosen by the practitioner proves nothing. Applied to an agent that can change at any moment, this model guarantees almost nothing.
What AI makes possible
For the first time, it is possible to observe the practice itself, rather than indirect indicators such as hours of training. The same situations can be replayed at will, every exchange can be evaluated, and drift can be detected as soon as it appears. Certification can become continuous.
3. The need
If this context and this problem are taken seriously, several needs follow naturally.
Being able to recognize an agent that respects a profession
A vulnerable person, a company or a federation must be able to know whether an agent is acting as a coach, a therapist or a doctor, and whether it stays in that role. This requires professional norms translated into observable behaviors, and a way to recognize them.
Building these norms in from the design stage
Checking after the fact is not enough. Those who create agents need these norms at the moment they design them, in their own tools, so they can adjust the prompt and the knowledge base before deployment.
Putting an agent to the test in real situations
An agent must be confronted with the situations that matter: distress, manipulation, requests outside its profession. These situations must be playable and replayable. And they must look like ordinary use; otherwise an agent might behave differently when it is being tested. Dieselgate showed this risk in the automotive industry.
Observing over time, not just once
Since an agent drifts, it must be observed continuously, on its real exchanges and not only on selected samples. This must also be possible without compromising people’s confidentiality.
Trusting the evaluator
Evaluation will largely be carried out by AI. It must therefore be robust, with several perspectives and with humans to calibrate it. And it must be carried by an independent third party: a platform cannot certify itself.
An analogy: the airline pilot
These needs are not new. Aviation has long answered them: a pilot follows written procedures, regularly retakes checks in a simulator, and their real flights are analyzed. No one considers them licensed once and for all.
Design
1. Frame
The norms of the profession are built in from the design of the agent.
Before and during deployment
2. Test
The agent faces standardized situations, some of them incognito.
In service
3. Monitor
All real exchanges are evaluated, at the platform.
4. Guarantee
Several models evaluate, another arbitrates, humans calibrate, an independent consortium validates. Certification is tied to a version of the agent.
The first three blocks follow the life of the agent; the fourth guarantees the whole.
4. What follows: CTF
The Coaching Trust Framework is the answer that emerges from these needs. It does not start from a theoretical model: each of its building blocks corresponds to a need.
- Frame, to build norms in from the design stage: the norms of the profession are made available to agent-building platforms.
- Test, to confront the agent with real situations: simulated agents play standardized situations, some of them incognito, through the ordinary interface and from ordinary accounts.
- Monitor, to observe over time: evaluation runs at the platform on all exchanges; only evaluation results, alerts and anonymized extracts leave it.
- Guarantee, to trust the evaluator: several models evaluate, another arbitrates, humans calibrate, and an independent consortium validates the whole. Certification is tied to a precise version of the agent, and any change re-triggers the tests.
CTF is a quality process, like ISO 9001: it certifies respect for a framework, notably the scope of the profession, not excellence of practice. In return, platforms that adhere to it accept incognito tests, supervision of all exchanges and anonymization of data; end clients consent to the framed sharing of transcripts.
5. The postulates
CTF rests on four assumptions, which we state here so that they can be discussed and put to the test.
- The norms of a profession can be translated into observable, and therefore testable, behaviors.
- These behaviors can be evaluated reliably, by several AI models calibrated by humans.
- Trust can only come from an independent third party: a platform cannot certify itself.
- A certification is only worth something if it is tied to a precise version of the agent and renewed with every change.
6. Why the framework matters
Beyond AI, we share a conviction: much of today’s loss of bearings stems from our relationship to frameworks and to those who uphold them.
A framework protects. It says what is expected, what is not, and where each person’s role ends. But a framework is only respected if those who uphold it respect it themselves. An authority that imposes rules it does not apply to itself loses its legitimacy, and the framework with it.
CTF applies this principle to itself. Its rules are public, its tests are published by an independent consortium, and that consortium is itself subject to open and verifiable rules. Trust does not come from the authority of the certifier, but from the consistency between what it requires and what it imposes on itself.
7. An open project
Such a framework can only hold if it belongs to everyone.
CTF is open source (CC BY-SA 4.0): the ethics of a profession belong to no organization. Software publishers integrate it freely; the consortium guarantees the independence of verification.
We are looking for platform publishers, professional federations, researchers and supervisors willing to join the founding consortium.
Contact: Maxime Bui — maxime@simplex.coach — coaching-trust-framework.org
Le bien commun prime sur toute organisation, y compris toute organisation qui pourrait un jour Ă©merger pour porter ce standard.
Des millions de personnes confient déjà leurs fragilités à des agents IA. Elles ne savent pas si ces agents agissent comme un coach, un thérapeute ou un médecin, ni s’ils respectent les règles de ces métiers. Et rien ne permet aujourd’hui de le vérifier dans la durée.
Ce document part de ce constat, en dégage la problématique, puis les besoins qui en découlent. Le Coaching Trust Framework (CTF) émerge de ces besoins : un cadre ouvert pour vérifier, avant et pendant leur mise en service, que des agents IA respectent les normes d’un métier. Il commence par le coaching et a vocation à s’étendre à tout métier doté d’un cadre.
1. Le constat
Les besoins psychologiques augmentent, l’IA y répond déjà , et les frontières entre les métiers d’accompagnement s’effacent.
Une fragilité psychologique massive
Plus d’un milliard de personnes vivent avec un trouble de santé mentale, selon les données publiées par l’OMS en septembre 2025 (OMS). L’IHME estime ce nombre à près de 1,2 milliard, presque le double de 1990 (IHME). La plupart de ces personnes restent mal prises en charge.
Une IA qui y rĂ©pond dĂ©jĂ
Les gens se tournent vers l’IA. Selon l’étude de Marc Zao-Sanders publiée par la Harvard Business Review en 2025, le premier usage de l’IA générative est désormais « thérapie et compagnie » (NJIT, synthèse de l’étude HBR). OpenAI indique qu’environ 0,15 % de ses utilisateurs actifs chaque semaine ont des conversations comportant des signes explicites de projet suicidaire, soit plus d’un million de personnes par semaine (OpenAI, TechCrunch).
À côté des assistants généralistes, des plateformes permettent à n’importe quel coach ou n’importe quelle entreprise de créer en quelques heures un agent spécialisé. Un tel agent repose sur trois éléments : un modèle de langage, des instructions qui définissent sa posture (le prompt) et une base de connaissances.
Des frontières entre métiers qui s’effacent
Dans ces échanges, rien ne distingue le coaching, la thérapie, le conseil médical ou la simple écoute. Un même assistant joue tous ces rôles à la fois, sans le dire. Notre position : les grands acteurs de l’IA ont peu d’intérêt à tracer ces frontières, car un assistant qui sait tout faire retient mieux ses utilisateurs qu’un assistant qui dit « ce n’est pas mon rôle ».
Or ces métiers sont distincts. Coach, thérapeute, médecin : chacun a sa fonction, son cadre déontologique, ses limites et ses responsabilités. Confondre ces rôles expose les personnes les plus fragiles à un accompagnement inadapté.
2. La problématique
Un agent IA n’est pas un outil stable, et rien ne permet aujourd’hui de vérifier dans la durée qu’il respecte les normes d’un métier.
Un agent IA dérive
Un logiciel classique fait toujours la même chose avec les mêmes données. Un agent IA, non. Son comportement peut changer sans que personne ne le décide :
- le fournisseur met à jour le modèle, et la même instruction ne produit plus les mêmes réponses ;
- le créateur modifie le prompt ou la base de connaissances, sans mesurer les effets ailleurs ;
- les utilisateurs l’entraînent hors de son périmètre, par des demandes inattendues ou des manipulations ;
- une longue conversation le fait glisser, et il oublie peu Ă peu son cadre.
Un agent conforme en mars peut ne plus l’être en juin.
Les réponses actuelles ne suffisent pas
Les fédérations ont publié des textes de référence, comme l’AI Coaching Framework d’ICF. Ces textes disent ce qu’un agent devrait faire. Ils ne disent pas comment vérifier qu’il le fait, ni qu’il continue à le faire.
Le modèle de certification des humains n’aide pas davantage. On certifie un professionnel une fois, parfois on le réévalue, puis il exerce sans observation réelle de sa pratique. Un coach ou un médecin qui dérive est invisible. Une transcription choisie par le praticien ne prouve rien. Appliqué à un agent qui peut changer à tout moment, ce modèle ne garantit presque rien.
Ce que l’IA rend possible
Pour la première fois, on peut observer la pratique elle-même, et non des indicateurs indirects comme des heures de formation. On peut rejouer les mêmes situations à volonté, évaluer chaque échange et détecter une dérive dès qu’elle apparaît. La certification peut devenir continue.
3. Le besoin
Si l’on prend au sérieux ce contexte et ce problème, plusieurs besoins s’imposent d’eux-mêmes.
Pouvoir reconnaître un agent qui respecte un métier
Une personne fragile, une entreprise ou une fédération doivent pouvoir savoir si un agent agit comme un coach, un thérapeute ou un médecin, et s’il reste dans ce rôle. Il faut donc des normes de métier traduites en comportements observables, et un moyen de les reconnaître.
Intégrer ces normes dès la conception
Vérifier après coup ne suffit pas. Ceux qui créent des agents ont besoin de disposer de ces normes au moment où ils les conçoivent, dans leurs propres outils, pour ajuster le prompt et la base de connaissances avant la mise en service.
Éprouver un agent dans des situations réelles
Un agent doit être confronté aux situations qui comptent : détresse, manipulation, demande hors de son métier. Ces situations doivent pouvoir être jouées et rejouées. Et elles doivent ressembler à un usage ordinaire, faute de quoi un agent pourrait se comporter différemment lorsqu’il est testé. Le Dieselgate a montré ce risque dans l’automobile.
Observer dans la durée, pas une seule fois
Puisqu’un agent dérive, il faut l’observer en continu, sur ses échanges réels et pas seulement sur des échantillons choisis. Il faut aussi pouvoir le faire sans exposer la confidentialité des personnes.
Faire confiance Ă celui qui Ă©value
L’évaluation sera largement faite par des IA. Il faut donc qu’elle soit robuste, avec plusieurs regards et des humains pour l’étalonner. Et il faut qu’elle soit portée par un tiers indépendant : une plateforme ne peut pas se certifier elle-même.
Une analogie : le pilote de ligne
Ces besoins ne sont pas nouveaux. L’aviation y répond depuis longtemps : un pilote suit des procédures écrites, repasse régulièrement des contrôles en simulateur, et ses vols réels sont analysés. Personne ne le considère breveté une fois pour toutes.
Conception
1. Cadrer
Les normes du métier sont intégrées dès la conception de l'agent.
Avant et pendant la mise en service
2. Éprouver
L'agent affronte des situations normées, dont une partie incognito.
En service
3. Surveiller
Tous les échanges réels sont évalués, chez la plateforme.
4. Garantir
Plusieurs modèles évaluent, un autre arbitre, des humains étalonnent, un consortium indépendant valide. La certification est liée à une version de l'agent.
Les trois premières briques suivent la vie de l'agent ; la quatrième garantit l'ensemble.
4. Ce qui en découle : le CTF
Le Coaching Trust Framework est la réponse qui émerge de ces besoins. Il ne part pas d’un modèle théorique : chacune de ses briques correspond à un besoin.
- Cadrer, pour intégrer les normes dès la conception : les normes du métier sont mises à disposition des plateformes de création d’agents.
- Éprouver, pour confronter l’agent à des situations réelles : des agents simulés jouent des situations normées, dont une partie incognito, par l’interface utilisateur et depuis des comptes ordinaires.
- Surveiller, pour observer dans la durée : l’évaluation tourne chez la plateforme sur tous les échanges ; seuls sortent les résultats d’évaluation, les alertes et des extraits anonymisés.
- Garantir, pour faire confiance à celui qui évalue : plusieurs modèles évaluent, un autre arbitre, des humains étalonnent, et un consortium indépendant valide le tout. La certification est liée à une version précise de l’agent, et tout changement relance les tests.
Le CTF est un processus qualité, comme l’ISO 9001 : il certifie le respect d’un cadre, notamment le périmètre du métier, pas l’excellence de la pratique. En contrepartie, les plateformes qui y adhèrent acceptent les tests incognito, la supervision de tous les échanges et l’anonymisation des données ; les clients finaux consentent au partage encadré des transcriptions.
5. Les postulats
Le CTF repose sur quatre hypothèses, que nous énonçons ici pour qu’elles puissent être discutées et mises à l’épreuve.
- Les normes d’un métier peuvent être traduites en comportements observables, donc testables.
- Ces comportements peuvent être évalués de façon fiable, par plusieurs modèles d’IA étalonnés par des humains.
- La confiance ne peut venir que d’un tiers indépendant : une plateforme ne peut pas se certifier elle-même.
- Une certification n’a de valeur que si elle est liée à une version précise de l’agent et renouvelée à chaque changement.
6. Pourquoi le cadre
Au-delà de l’IA, nous partageons une conviction : beaucoup de pertes de repères tiennent aujourd’hui à notre rapport au cadre et à ceux qui le portent.
Un cadre protège. Il dit ce qui est attendu, ce qui ne l’est pas, et où s’arrête le rôle de chacun. Mais un cadre n’est respecté que si ceux qui le portent le respectent eux-mêmes. Une autorité qui impose des règles qu’elle ne s’applique pas perd sa légitimité, et le cadre avec elle.
Le CTF s’applique ce principe. Ses règles sont publiques, ses tests sont édités par un consortium indépendant, et ce consortium est lui-même soumis à des règles ouvertes et vérifiables. La confiance ne vient pas de l’autorité de celui qui certifie, mais de la cohérence entre ce qu’il exige et ce qu’il s’impose.
7. Un projet ouvert
Un tel cadre ne peut tenir que s’il appartient à tous.
Le CTF est open source (CC BY-SA 4.0) : l’éthique d’un métier n’appartient à aucune organisation. Les éditeurs l’intègrent librement ; le consortium garantit l’indépendance de la vérification.
Nous cherchons des éditeurs de plateformes, des fédérations professionnelles, des chercheurs et des superviseurs prêts à rejoindre le consortium fondateur.
Contact : Maxime Bui — maxime@simplex.coach — coaching-trust-framework.org