Criei um COACH de IA para me treinar (ele me falou algo assustador)

Meu coach de IA olhou para meus dados do Strava e disse, sem floreio: meu preparo tinha uma lacuna significativa. O número mais desconfortável era simples: CTL em torno de 42–43, quando o ideal para a prova estaria perto de 80. E ele ainda completou: o Alpe d'Huez quebra gente com CTL de 70 ou mais.

Isso não foi um chatbot tentando me motivar. Foi uma plataforma que eu construí para analisar treino, fadiga, potência, histórico e contexto de prova — e me devolver uma leitura honesta, mesmo quando a resposta é desagradável.

Por que eu criei um coach de IA para treinar para o L'Étape?

A resposta direta: porque o desafio era grande demais para um experimento superficial. Eu vou encarar o L'Étape du Tour, uma prova amadora de ciclismo que acontece no contexto do Tour de France, com 170 km e aproximadamente 5.400 metros de ganho de elevação.

A distância, isoladamente, já exige respeito. Mas o que torna essa edição brutal é o acúmulo de montanhas e o final no Alpe d'Huez, uma das subidas mais icônicas do ciclismo. São aquelas curvas lendárias do Tour, chegando perto de 1.850 metros de altitude, depois de mais de 130 km nas pernas.

O que mudou desde o primeiro coach de corrida com IA?

Em agosto de 2025, eu publiquei um vídeo criando um coach de corrida com IA usando Strava, GPT-4 e n8n. Funcionava, mas era limitado. Ele puxava dados de treino, recebia um contexto, gerava uma análise e mandava uma dica.

O problema é que aquilo era mais um assistente reativo do que um coach. Ele olhava para o treino atual, comentava algo útil e, no treino seguinte, praticamente começava do zero. Faltavam três coisas essenciais:

• memória de histórico, para entender evolução real;
• estrutura de dados, para comparar métricas ao longo do tempo;
• guardrails, para não sugerir algo perigoso ou incoerente.

Quando apareceu a inscrição para o L'Étape, ficou claro que o projeto antigo não serviria. Eu não precisava de uma mensagem simpática depois de cada pedal. Eu precisava de um sistema capaz de dizer: "Gustavo, isso está pela metade; a prova vai ser brutal; ajuste sua estratégia".

Por que um agente de IA precisa falar a verdade, não apenas soar inteligente?

A maior parte das pessoas ainda mede IA pelo quanto ela escreve bonito. Para mim, isso é insuficiente. Um agente útil não é o que bajula; é o que fala a verdade no momento certo.

Eu já comentei em outros vídeos sobre estudos de Harvard e MIT discutindo bajulação em IA. Chatbots tendem a responder de forma sedutora: "vai dar certo", "você está no caminho", "confie no processo".

Isso pode vender assinatura. Mas não ajuda alguém a chegar ao topo do Alpe d'Huez.

Um coach de endurance precisa olhar para potência, volume, fadiga, forma, elevação, consistência, sono, sensação nas pernas e contexto de prova. Ele precisa fazer perguntas difíceis. E, se os dados mostram risco, ele precisa dizer isso de forma objetiva.

Quais métricas tornam o Velo Coach diferente de um chatbot?

O Velo Coach usa uma linguagem conhecida no treinamento de endurance, muito próxima da metodologia popularizada em plataformas como TrainingPeaks e associada ao trabalho do Dr. Andrew Coggan. A ideia não é inventar uma ciência própria. É aplicar métricas que ciclistas, triatletas e treinadores já usam.

Algumas das principais métricas são:

• FTP (Functional Threshold Power): potência de referência do atleta; no meu caso, cerca de 287 W.
• TSS (Training Stress Score): carga de estresse de um treino.
• CTL (Chronic Training Load): indicador de condicionamento acumulado.
• ATL (Acute Training Load): carga recente, ligada à fadiga.
• Form: relação entre preparo e fadiga, útil para entender se você está chegando descansado ou quebrado.

O dado que mais doeu foi o CTL. O sistema calculou meu CTL perto de 43, enquanto uma preparação mais confortável para essa prova estaria em torno de 80. Isso não significa que completar é impossível. Significa que completar será uma vitória de execução, pacing, nutrição e sofrimento controlado — não uma prova para "brilhar".

Como o agente conecta dados reais do Strava?

O Strava virou o provedor de identidade e fonte de dados do Velo Coach. A aplicação usa autenticação via OAuth, conecta minha conta, recebe permissão de leitura e sincroniza atividades como pedal, corrida, natação, musculação e até tênis.

Essa decisão simplifica a arquitetura, porque os dados importantes já estão ali: distância, tempo, elevação, potência, ritmo, frequência e histórico.

Dentro do dashboard, eu consigo ver:

• últimos rides e semanas de treino;
• horas acumuladas;
• distância percorrida;
• ganho de elevação;
• potência média;
• TSS por atividade;
• distribuição de potência por zonas;
• carga semanal;
• perfil da prova-alvo.

O sistema também permite ajustar o objetivo. Hoje ele está calibrado para o L'Étape, mas a ideia é poder trocar a prova-alvo no futuro e recalcular o plano com base no novo contexto.

Como o coach pergunta em vez de só responder?

Uma diferença importante: o Velo Coach não espera passivamente eu abrir uma janela e pedir opinião. Ele pergunta.

Depois de um pedal, ele pode mandar uma mensagem perguntando como estão minhas pernas, se dormi bem, como foi a recuperação ou se senti dor. Parece simples, mas muda o jogo. A maioria dos sistemas de IA hoje é construída para responder. Pouca gente constrói agentes que buscam contexto proativamente.

Esse detalhe aproxima o sistema de um treinador humano. Um bom coach não olha apenas a planilha. Ele pergunta como você está, cruza percepção subjetiva com dados objetivos e ajusta a recomendação.

Por que memória e idempotência importam em agentes de IA?

Memória é onde muitos projetos de IA começam a quebrar. A solução preguiçosa é mandar a conversa inteira para o modelo a cada request e gastar dezenas de milhares de tokens. Isso escala mal, fica caro e ainda pode gerar ruído.

O Velo Coach guarda resumos das conversas antigas e combina isso com as mensagens recentes. É parecido com memória humana: você não lembra cada palavra de uma conversa de janeiro, mas lembra o essencial. É esse essencial que volta para a inferência.

Outro ponto pouco glamouroso, mas fundamental, é idempotência. Se o Strava dispara o mesmo webhook três vezes, o agente não pode mandar três mensagens iguais. Dentro do PostgreSQL existe uma lógica para garantir que o coach nunca envie a mesma mensagem duas vezes para o mesmo evento.

Isso não é "prompt engineering". É engenharia de software e banco de dados. Quem vem de infraestrutura, cloud e cybersecurity sabe que sistemas distribuídos falham, eventos duplicam e consistência precisa ser desenhada.

Como funcionam os guardrails de segurança?

O guardrail mais importante é simples: se eu digo que machuquei o joelho, o sistema registra isso e para de sugerir treino intenso. A conversa muda para recuperação, avaliação de dor e cautela.

Esse comportamento não fica solto dentro do prompt. Ele é implementado no servidor. O agente pode usar IA para gerar linguagem e raciocinar sobre contexto, mas algumas regras precisam estar em código, porque envolvem segurança, risco e responsabilidade.

Essa é uma lição que vale muito além do esporte. Em cybersecurity, cloud, saúde, finanças ou operações críticas, você não entrega decisões sensíveis apenas para uma resposta probabilística. Você coloca política, validação, estado e trilhas de auditoria em volta do modelo.

Qual é a arquitetura técnica do Velo Coach?

A aplicação roda como um projeto Next.js em cima da Vercel, com interface em React e Tailwind. Por dentro, é organizada como um monorepo com pacotes separados para autenticação do Strava, sincronização, análise de fitness, motor do coach e dados da prova-alvo.

A arquitetura tem alguns blocos principais:

• frontend em Next.js, atuando como interface e roteador;
• APIs internas para sincronismo, coach, fitness, perfil e conexão com Strava;
• Strava OAuth para autenticação e leitura de atividades;
• PostgreSQL para estado, memória, deduplicação e histórico;
• Claude para inferência no motor de coach;
• Inngest para orquestrar webhooks, cron e tarefas assíncronas;
• Claude Code como acelerador de desenvolvimento.

Eu não escrevi cada linha manualmente. Eu defini a lógica, a arquitetura e os limites; o Claude Code me ajudou a implementar. Esse é o modelo de trabalho que faz sentido: eu atuo como arquiteto, a IA como operário extremamente produtivo. Assim, algo que poderia levar seis meses vira um projeto de poucas semanas.

O que o coach me disse de assustador?

Depois de analisar meu treino longo de 125 km em 4h30, além do histórico recente, o coach foi direto: a preparação era decente, mas insuficiente para ficar confortável. A frase central foi que o Alpe d'Huez quebra pessoas com CTL de 70 ou mais — e eu estava por volta de 43.

A leitura dele foi realista: eu posso completar, mas será brutal. Essa distinção importa. Um chatbot genérico provavelmente diria que "com determinação tudo é possível". O Velo Coach disse algo mais útil: você tem chance real de terminar, mas precisa respeitar o ritmo, a nutrição, as subidas anteriores como Télégraphe, Galibier e Croix de Fer, e chegar no final aceitando que sofrer faz parte do plano.

Para mim, terminar já é vitória. A prova apareceu de última hora, a preparação não foi perfeita, mas o objetivo é viver a experiência e realizar um sonho ligado ao Tour de France.

O que fazer agora

Se você quer construir um agente de IA útil — para esporte, produtividade, cybersecurity ou qualquer domínio sério — comece por estes passos:

1. Conecte dados reais antes de escrever prompts. Sem histórico, estado e métricas, você só tem um chatbot simpático.
2. Use uma metodologia externa validada. No meu caso, TrainingPeaks, TSS, CTL, ATL e FTP dão linguagem objetiva ao sistema.
3. Implemente memória resumida. Não mande tudo para o modelo; preserve o essencial e reduza custo, ruído e latência.
4. Trate eventos duplicados no banco. Idempotência é requisito de agente, não detalhe de infraestrutura.
5. Coloque guardrails em código. Dor, lesão, risco ou política crítica não podem depender apenas de boa vontade do modelo.

A próxima fronteira da IA não é simplesmente um modelo maior. Todo mundo consegue abrir um GPT no navegador. Poucos vão gastar tempo construindo uma IA que sabe quem você é, lembra do contexto, entende no que você está se metendo e tem coragem de dizer a verdade.

Este artigo foi gerado a partir do meu vídeo no YouTube. Assista a versão completa para ver a demonstração do Velo Coach, a arquitetura por trás do agente e a análise brutal que ele fez da minha preparação para o L'Étape.