AfitPilot v1 → v2
Des PDF et ChatGPT, en passant par un lancement self-service qui n'a pas marché, jusqu'à une plateforme coach-first qui marche enfin. Écrit de l'intérieur — ce que j'ai essayé, ce qui a cassé, et ce que l'année m'a appris.
L'ère des PDF
AfitPilot a commencé il y a environ un an, quand je distribuais des PDF aux athlètes. Les programmes étaient écrits dans ChatGPT. J'ouvrais un document texte, je décrivais l'athlète avec autant de détails que possible — son profil, ses intentions, ses objectifs, ce qu'il pouvait soulever — et je donnais tout ça au modèle.
Je demandais à ChatGPT de générer un plan annuel, les prochains objectifs, et la première séance hebdomadaire. C'est cette séance que je donnais effectivement à l'athlète.
Une fois la semaine terminée, l'athlète remplissait un Google form. Je posais les questions standard : comment s'est passée la semaine sur dix, à quel point c'était dur, quelle était la fatigue. Je leur demandais même de logger séance par séance. Le problème, c'est que tout ça était très manuel, et les athlètes n'étaient pas motivés à logger chaque séance via un formulaire. La charge d'édition et de saisie était trop lourde — pour le coach comme pour l'athlète.
La web app en self-service, et le 1er décembre
En parallèle des PDF, je construisais une web app. L'idée était de tout réunir sous un même toit : le LLM et la plateforme athlète où ils pouvaient logger, avec le modèle qui lisait leurs logs hebdomadaires et générait leur prochaine semaine. Dans la web app, le modèle aurait le profil de l'athlète et le plan annuel au même endroit.
J'ai lancé la web app le 1er décembre. C'était un désastre.
La plupart du temps, le LLM était peu fiable. Il hallucinait, ne comprenait pas le contexte, et ne rendait pas la qualité dont j'avais besoin. Avec les PDF, je le surchargeais trois ou quatre fois avant d'avoir une bonne séance hebdomadaire — en lui donnant du contexte du type « cet athlète n'aime pas ce type d'exercice », ou « elle n'est pas disponible cette semaine ». Je donnais ce contexte avant chaque séance, et c'est seulement là que la sortie tenait la route. Quand je me suis retiré de la boucle, l'IA n'était simplement pas assez bonne.
Et les athlètes ne donnaient pas le type de feedback dont l'IA avait besoin pour s'affiner — pas comme un vrai coach l'aurait fait. Alors j'ai repassé mes week-ends à faire la même chose : peaufiner les prochaines semaines, athlète par athlète. La web app a démarré comme un produit en self-service pour les athlètes. Elle a fini avec moi en train de surcharger l'IA chaque semaine.
Ce que j'ai essayé
J'ai essayé d'améliorer le backend, le raisonnement, la collecte de contexte — pour que le LLM fasse enfin mon travail et que je n'aie plus à passer autant de temps à peaufiner. J'ai essayé beaucoup de choses.
J'ai changé les prompts. J'ai réduit l'entrée du LLM de 18 000 tokens à 8 000. J'ai construit une bibliothèque d'exercices avec des métadonnées enrichies pour que le modèle puisse choisir les meilleurs exercices et arrêter de retomber sur son propre panel par défaut.
Parce que je me suis rendu compte que le modèle retombait toujours sur le même petit groupe d'exercices, quel que soit le profil de l'athlète. Pour donner un ordre d'idée : il y avait environ une chance sur deux qu'un athlète reçoive une planche complète, un face-pull et une fente dans la même séance hebdomadaire. Ça dit quelque chose sur les LLM commerciaux comme ChatGPT et Claude — ils sont génériques, et les surcharger pour un cas d'usage précis, athlète par athlète, c'est plus dur qu'on ne croit.
Tout ça a aidé. Rien de tout ça n'a réglé le problème. Semaine après semaine, c'était toujours moi, en train de peaufiner chaque génération, de regarder la sortie, de la corriger avant qu'elle parte.
Le pivot — la plateforme coach
Il fallait que je trouve une solution. Pendant que je continuais à peaufiner chaque semaine en coulisses, j'ai commencé à construire une plateforme coach en parallèle. J'essayais désespérément de surcharger la web app athlète — de surcharger les générations hebdomadaires pour que les athlètes puissent quand même utiliser le produit et avoir des séances de qualité, même si, en coulisses, c'était moi la soi-disant IA.
C'est comme ça qu'est née AfitPilot 2.0. Je viens de la lancer il y a quatre jours.
La plateforme est inspirée des plateformes de coaching standard du marché — TrueCoach, Trainerize. Centrée sur le coach, c'est-à-dire que le coach a une plateforme, peut inviter ses clients, et les coache séance par séance, exercice par exercice. Il y a un calendrier. On peut switcher, swapper, coller des séances, sélectionner plusieurs séances et les transformer en templates pour les appliquer à des athlètes similaires.
Ce qui la rend différente
Ce qui différencie probablement ma plateforme coach, c'est qu'elle a été construite comme un produit AI-first. L'intention d'origine était de faire faire à l'IA tout le travail d'un coach. Donc même après le pivot, il y a des choses sur cette plateforme qui font gagner énormément de temps au coach — sans qu'il ait à faire quoi que ce soit, à part prompter l'IA.
- Génération de semaine par l'IA
- Un coach peut prompter dans une semaine et le système génère la semaine entière — avec les vidéos d'exercices attachées et les métadonnées de chaque exercice. Muscles sollicités, patterns de mouvement, systèmes énergétiques. Des données enrichies, de bout en bout.
- Génération de séance
- Le coach peut générer une séance via l'IA ou l'écrire manuellement, ce qui lui fait gagner du temps dans les deux cas.
- Exercices custom assistés par IA
- Quand un coach écrit un exercice custom, il peut pré-remplir les séries, répétitions et tempo avec l'IA — ce qui économise aussi du temps sur la saisie manuelle.
- Génération de plan annuel
- Le coach peut générer toute une saison — le macrocycle, le mésocycle, le microcycle — pour voir semaine après semaine quelle est l'intention par rapport aux objectifs de l'athlète. C'est une fonctionnalité que je n'ai pas vue dans les autres plateformes de coaching.
- Timeline d'adaptation
- Il y a une timeline qui montre ce que le système adapte pour l'athlète, ce que le coach ajoute comme notes, et ce que l'athlète dit dans ses réflexions hebdomadaires. On voit le contexte évoluer dans le temps. Si un athlète est blessé, on suit ça via la timeline. Au final il récupère, et le contexte reste pertinent — on peut scroller du début à la fin de la blessure, avec chaque adaptation, chaque note du coach, chaque changement système entre les deux. C'est ce qui rend la plateforme adaptative.
- Messages et mises à jour email
- Le coach peut contacter directement l'athlète via la messagerie. L'athlète reçoit des mises à jour email quand son programme change ou quand un nouveau message arrive. Le coach reçoit les mêmes.
- Suivi de charge
- Il y a un score de disponibilité quotidienne pour chaque jour. Chaque log suit la charge d'entraînement, le volume, l'intensité, le tonnage, le stress articulaire, les patterns de mouvement, et les déséquilibres de l'athlète — sur une semaine et sur une séance.
- Impersonation athlète
- Le coach peut entrer dans la web app de l'athlète — voir exactement ce que l'athlète voit, voir à quoi ressembleront les séances pour lui. Le coach peut entrer et sortir de l'impersonation, et peut surcharger les saisies de l'athlète si l'athlète n'est pas en mesure de le faire lui-même.
- Sélection multi-semaines et séances
- Sélection multi-semaines et sélection de séances — pour que le coach puisse créer des templates pour ses athlètes.
Où ça nous mène
La première année d'AfitPilot a été une année à apprendre ce que l'IA ne pouvait pas faire sans humain dans la boucle. v1 était la leçon. v2 est ce que la leçon m'a appris à construire.
Le prochain chapitre, c'est ce qu'AfitPilot devient à partir d'ici — mais ça reste à écrire.