Coach de corrida com IA: integrei Strava, GPT-4 e n8n via Azure AI Foundry

Conecto três coisas que adoro em um único workflow: automação no n8n, inteligência artificial aplicada e prática esportiva. O resultado é um coach de corrida pessoal que recebe automaticamente cada treino que faço no Garmin, processa os dados com GPT-4 mini e me devolve uma análise personalizada — tudo sem que eu precise abrir um único aplicativo depois do treino.

Neste post mostro a arquitetura, e algumas decisões técnicas que talvez ninguém esteja comentando: por que Azure AI Foundry é mais interessante que API direta da OpenAI para uso comercial, e o gotcha de configuração que me fez bater cabeça por horas.

A arquitetura do workflow

[Strava Trigger] → [Code Node — normaliza dados] → [AI Agent (GPT-4 mini)] → [Output]

Quatro nós, simples na superfície. A mágica está nos detalhes.

1. Strava Trigger

O n8n tem nó nativo de Strava. Você autoriza a app n8n a acessar sua conta Strava, e configura o trigger para "new activity". A partir daí, toda vez que uma atividade chega no Strava, o workflow dispara.

Como funciona o fluxo de dados:

1. Você termina o treino no Garmin e aperta "salvar"
2. O Garmin sincroniza com Garmin Connect via Bluetooth
3. Garmin Connect faz upload pro Strava
4. Strava notifica o n8n via webhook
5. Workflow dispara

Esse fluxo é independente da plataforma: serve para Apple Watch, Polar, Coros, Wahoo — qualquer dispositivo que sincronize com Strava. Você só precisa do Strava conectado ao seu app principal.

2. Code Node — normalização dos dados

Os dados que vêm do Strava são extensivos: distância, ritmo, frequência cardíaca média e máxima, ganho de elevação, splits, segmentos. Mas em formato JSON com muitos campos aninhados.

O Code Node (JavaScript) extrai e formata só o que importa para o prompt:

return [{
  json: {
    tipo: $input.first().json.type,
    distancia_km: ($input.first().json.distance / 1000).toFixed(2),
    duracao_min: ($input.first().json.moving_time / 60).toFixed(1),
    ritmo_min_km: calculaRitmoMedio($input.first().json),
    fc_media: $input.first().json.average_heartrate,
    fc_maxima: $input.first().json.max_heartrate,
    elevacao_m: $input.first().json.total_elevation_gain,
    data: $input.first().json.start_date
  }
}];

Esse pré-processamento reduz drasticamente o custo da chamada de IA — o modelo recebe 200 tokens em vez de 3000.

3. AI Agent — o prompt que faz a diferença

O nó AI Agent envia o JSON normalizado + um prompt customizado para o modelo:

Você é um coach de corrida experiente. Analise este treino e dê:

• Avaliação geral em 1-2 frases
• Pontos positivos (o que foi bem)
• Recomendação para o próximo treino
• Alerta de overtraining se aplicável

Use linguagem direta, profissional, em PT-BR. Máximo 200 palavras.

O modelo retorna uma análise polida, contextual, em português.

4. Output — onde mandar?

No vídeo eu mostrei só o resultado dentro do n8n para validar. Em produção, dá para enviar para:

• WhatsApp (via Twilio ou API oficial)
• E-mail com formatação HTML
• Tabela Notion para construir histórico
• Banco de dados (PostgreSQL) para análises mais avançadas

Recomendo Notion como destino para começar — você ganha histórico, busca, filtros, dashboards visuais sem código.

Por que Azure AI Foundry em vez de OpenAI direto?

Esse é um ponto que a maioria dos tutoriais não cobre. A escolha mais óbvia é usar a API da OpenAI direto (api.openai.com). Funciona, é barato, é simples.

Mas se você está construindo algo que vai além de uso pessoal, Azure AI Foundry (a plataforma de IA da Microsoft que orquestra modelos OpenAI rodando em Azure) tem vantagens importantes:

1. Filtro de conteúdo nativo

Antes do modelo responder, o Azure aplica filtros configuráveis para:

• Violência
• Ódio e discriminação
• Conteúdo sexual
• Auto-mutilação
• Ataques de jailbreak (prompt injection conhecidos)

Você configura a severidade (Low / Medium / High). Imagine que você vende uma solução para uma escola infantil — você ativa filtros agressivos. Para uso pessoal, filtros leves bastam. Esses controles não existem na API direta da OpenAI.

2. Proteção contra prompt jailbreak

Hoje hackers usam várias técnicas para fazer o modelo ignorar seu prompt original e cumprir instruções injetadas (prompt injection direto, indireto via documentos). O Azure AI Foundry tem detecção dessas técnicas nativa, ativável com um clique.

3. Autenticação via Entra ID (Active Directory)

Em vez de gerenciar API keys (que vazam), você pode autenticar a partir de uma identidade gerenciada da Azure. Para ambientes corporativos com Entra ID já em produção, essa integração é gold.

4. Compliance e governança

Azure tem certificações que importam para empresas reguladas (HIPAA, SOC 2, ISO, FedRAMP). OpenAI direto não cobre todas elas. Se você vai vender automações para clientes corporativos, Azure AI Foundry resolve o checklist de compliance.

5. Preço comparável

Para modelos populares (GPT-4 mini), o preço por 1M tokens é praticamente idêntico ao da OpenAI:

• GPT-4 mini input: ~US$ 0,15/1M tokens
• GPT-4 mini output: ~US$ 0,60/1M tokens

Para meu coach de corrida, cada análise consome ~500 tokens. Mesmo treinando 6 dias/semana, isso são alguns centavos por mês.

O gotcha que me fez bater cabeça

Configurar o nó de chamada ao Azure AI Foundry no n8n exige três campos:

• API Key
• Endpoint (URL base)
• API Version

O detalhe: você não cola o endpoint completo. Você precisa separar o domínio da query string.

A página do Azure mostra algo assim:

https://seu-recurso.openai.azure.com/openai/deployments/gpt-4-mini/chat/completions?api-version=2025-01-01-preview

No n8n, você cola apenas:

https://seu-recurso.openai.azure.com

E o api-version=2025-01-01-preview vai no campo separado de API Version.

O segundo gotcha — versão da API errada na documentação

Eu fiquei batendo cabeça por bastante tempo porque a documentação da Microsoft mostra uma versão antiga da API no exemplo de configuração:

api-version=2024-12-01-preview  ← documentação (errado)
api-version=2025-01-01-preview  ← URL real do deployment (certo)

A versão do exemplo da documentação não funcionava — dava erro genérico de autenticação. A versão correta está no link do deployment do seu modelo, na seção models and endpoints do portal Azure AI Foundry.

Dica: sempre pegue API version do deployment do seu modelo específico, não do exemplo genérico da documentação.

Custos reais do meu coach

Para uma semana típica de treino (6 atividades):

Item	Custo
n8n self-hosted (VM Azure)	~US$ 10/mês
GPT-4 mini (Azure AI Foundry)	~US$ 0,05/mês
Strava (free tier)	US$ 0
Notion (free tier)	US$ 0
Total	~US$ 10/mês

Para uma assessoria esportiva com 100 alunos, com média de 5 treinos/semana cada:

• 100 × 5 × 4 = 2.000 análises/mês
• ~1M tokens consumidos
• Custo IA: ~US$ 1-2/mês

Esse é o tipo de margem que torna serviços baseados em IA economicamente absurdos quando bem arquitetados.

O que fazer agora — para construir o seu

1. Pré-requisitos

• Conta Strava conectada ao seu dispositivo (Garmin, Apple Watch, etc.)
• n8n self-hosted ou cloud
• Conta Azure com subscription (ou OpenAI direto se você não precisa dos controles enterprise)

2. Conta Azure AI Foundry

• Crie um recurso Azure OpenAI na sua subscription
• Faça deployment de um modelo (recomendo GPT-4 mini por custo-benefício)
• Anote: API Key, Endpoint, API Version (do deployment, não da documentação genérica)

3. Workflow no n8n

• Strava Trigger com sua autenticação
• Code Node que extrai e formata os dados do treino
• AI Agent apontando para Azure OpenAI com o prompt customizado
• Destino (Notion / e-mail / WhatsApp / Slack)

4. Refinamento

• Comece com prompt simples
• Aumente sofisticação aos poucos (adicionar contexto de treinos anteriores via memória, comparação com plano de treino, alertas de overtraining)

5. Próximos passos

Se você gostou desse conceito, dá para extrapolar:

• Coach nutricional — integração com MyFitnessPal + IA
• Coach de sono — dados do anel Oura ou Apple Watch + análise
• Coach financeiro — extratos bancários (com cuidado de segurança!) + IA para insights

O coach esportivo é só o primeiro exemplo. A arquitetura dispositivo → app → automação → IA → dashboard funciona para qualquer área de vida quantificada.

---

Este artigo foi gerado a partir do meu vídeo no YouTube. Assista a versão completa para ver o workflow disparando ao vivo após um treino e a navegação no portal Azure AI Foundry.