IA, Code et Coaching : comment j'ai construit un écosystème fitness complet

Du coaching au code : pourquoi un coach écrit du logiciel

Je suis coach sportif diplômé d'État depuis plus de 15 ans. 4ème mondial WNBF en bodybuilding naturel. Mon métier, c'est l'entraînement, pas l'informatique.

Mais à force de créer des programmes manuellement pour des centaines de clients, j'ai vu une évidence : la personnalisation à l'échelle nécessite de l'automatisation. Pas pour remplacer le coach — pour lui permettre de toucher plus de personnes avec la même rigueur.

L'architecture technique : serverless et edge computing

Tout l'écosystème tourne sur Cloudflare, sans serveur traditionnel. Rapide, économique, scalable sans maintenance.

Le Worker principal fait plus de 5 000 lignes. Il gère le blog, les API, le routing, la génération de programmes, les challenges fitness. Un seul fichier, déployé en une commande.

Smart Rabbit : 1 100 profils de test et autant de leçons

Smart Rabbit Fitness est une PWA écrite en vanilla JavaScript — pas de React, pas de framework front-end. Un seul fichier HTML. L'app se charge en moins de 2 secondes sur un téléphone basique au Brésil comme sur un iPhone à Paris.

Pourquoi vanilla JS ? Performance et zéro dette technique. Pas de dépendances qui cassent, pas de breaking changes. Smart Rabbit n'a jamais eu de régression liée à une mise à jour de framework.

Le constat : l'IA impressionne, puis déçoit

Quand j'ai commencé à utiliser les LLM pour générer des programmes, le résultat initial était bluffant. En 30 secondes, un programme complet. Visuellement propre. Techniquement… discutable.

En tant que coach diplômé d'État, j'ai rapidement repéré les problèmes. Pas des erreurs grossières — des erreurs subtiles, le genre qui passe inaperçu sans l'œil d'un professionnel :

• Un ratio push/pull déséquilibré (2 exercices de poussée pour 1 de tirage)
• Des exercices avancés prescrits à des débutants sans progression préalable
• Des tempos incohérents (tempo concentrique de 3 secondes à 85% du 1RM — la vitesse de barre chute sous 0.3 m/s, rendant le mouvement irréalisable)
• Aucune indication d'intensité (RPE) sur les exercices accessoires
• Des séances qui dépassent la durée annoncée une fois les repos comptés

Sur les programmes analysés, des problèmes ont été détectés dans près d'un cas sur deux. Pas parce que l'IA est mauvaise — parce qu'elle ne vérifie pas ce qu'elle produit.

Les frameworks IA : bio-inspirés et open source

Utiliser un LLM brut ne suffit pas pour un usage professionnel. J'ai construit 4 frameworks, tous inspirés de la biologie et tous open source sur GitHub.

Immune v3 — Le système immunitaire de l'IA

Comme le système immunitaire humain, Immune maintient deux mémoires persistantes :

• Anticorps (patterns négatifs) : erreurs connues détectées en production, classées par sévérité et fréquence. Quand le système détecte un pattern qu'il a déjà vu, il corrige automatiquement.
• Stratégies gagnantes (patterns positifs) : techniques éprouvées injectées avant la génération.

Chaque mémoire utilise un système Hot/Cold : les patterns fréquents restent actifs, les anciens passent en réserve. Exactement comme les lymphocytes mémoire.

PRISM — Multi-perspectives pour l'IA

PRISM lance N générations en parallèle avec des perspectives différentes (volume, intensité, récupération, équilibre musculaire) puis fusionne les meilleurs éléments. Ce n'est pas du role-play — c'est de l'échantillonnage stochastique avec synthèse méritocratique.

Spinal Loop — Routage intelligent par complexité

Inspiré du principe de Henneman en neurophysiologie : le corps recrute d'abord les fibres musculaires les plus petites et n'active les grosses que si la charge l'exige.

Appliqué à l'IA : tâches simples → Haiku (le moins cher), tâches moyennes → Sonnet, décisions d'architecture → Opus. Coût divisé par 3 à 4.

Chimera — Pipeline complet

Chimera combine les trois systèmes en pipeline :

1. Slime Mold : explore toutes les approches puis coupe par contraintes — comme un myxomycète qui trouve le chemin optimal
2. PRISM : génération multi-angles et fusion méritocratique
3. Immune : vérification, correction et apprentissage automatique

Résultats mesurés : le benchmark

Même tâche donnée à trois approches, évaluée par Opus sur 6 critères (sécurité, qualité du code, complétude, UX, gestion d'erreurs, architecture) :

Le point clé : Immune atteint quasi la même qualité qu'une méthodologie écrite à la main, mais il s'améliore tout seul. À chaque programme généré, il apprend. La méthodologie statique reste figée.

L'API Fitness et les outils développeur

L'API REST publique permet à d'autres développeurs d'intégrer la génération de programmes dans leurs applications. Disponible sur RapidAPI et en accès direct.

En parallèle, une collection de plus de 30 outils en ligne gratuits : générateur QR code, formateur JSON, testeur regex, décodeur JWT, et bien d'autres. Ça montre qu'un même état d'esprit (résoudre des problèmes concrets avec des outils bien faits) s'applique au fitness comme au développement.

AI Lab : le terrain d'expérimentation

Le AI Lab est l'espace de test pour les nouvelles idées : ClaimCheck (fact-checking IA), mini-apps expérimentales, prototypes. Montrer le travail en cours, pas seulement le produit fini.

L'honnêteté sur les limites

• L'IA ne remplace pas un coach. Elle produit une base solide, mais le suivi, l'adaptation en temps réel, la motivation — ça reste humain.
• Les anticorps ne couvrent pas tout. Le système apprend vite sur les erreurs récurrentes, plus lentement sur les cas rares.
• La qualité dépend du profil. Un profil bien renseigné (blessures, préférences, équipement) donne un meilleur programme. Garbage in, garbage out.
• Pas de suivi longitudinal automatique. Le système génère un programme, il ne suit pas votre progression semaine après semaine (pas encore).

Mon rôle de coach reste central : je valide les systèmes, j'ajuste les paramètres, je vérifie que les anticorps appris sont physiologiquement corrects. L'IA accélère, le coach garantit.

L'écosystème aujourd'hui

Les leçons apprises

• Le serverless change tout. Workers + D1 + Pages couvrent 95% des besoins sans maintenance.
• L'IA nue ne suffit pas. Sans système de vérification, les erreurs sont trop fréquentes pour un usage professionnel.
• Le vanilla JS a un futur. Pas de framework = pas de dette technique, pas de breaking changes.
• La biologie est un excellent guide d'architecture. Henneman, système immunitaire, myxomycètes — optimisés par des millions d'années d'évolution.
• L'open source construit la crédibilité. La transparence est la meilleure preuve de sérieux.

Le marché de l'IA fitness est rempli de promesses vagues. "Programme personnalisé par IA" peut signifier un prompt ChatGPT copié-collé, ou un système testé sur 1 100 profils avec des dizaines de mécanismes de vérification appris en production. Je développe mes outils en open source parce que la transparence est la meilleure preuve de sérieux.