Felipe Piorini Molica de Vasconcellos da Silva; Anderson Canale Garcia

DOI: 10.22167/2675-6528-202600784

Artigo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.

Resumo

O aumento do sedentarismo e as dificuldades de adesão à prática regular de exercícios físicos evidenciaram a necessidade de soluções digitais acessíveis, personalizadas e capazes de manter o engajamento dos usuários. Este trabalho teve como objetivo desenvolver um aplicativo móvel voltado à personalização de treinos no contexto de fitness tech, integrando recursos de inteligência artificial e gamificação, com base em evidências preliminares de aceitação. Para isso, realizou-se uma pesquisa aplicada, de caráter exploratório e predominantemente quantitativa, estruturada em duas etapas complementares. Na primeira etapa, aplicou-se um survey de pré-uso com 21 respondentes, fundamentado no Modelo de Aceitação da Tecnologia, para avaliar a utilidade percebida, a atitude em relação ao uso e a intenção comportamental de uso da solução proposta. Os resultados preliminares indicaram uma aceitação favorável da proposta, com médias elevadas para os construtos avaliados e percepções qualitativas positivas sobre a personalização por IA e a gamificação. Na segunda etapa, o aplicativo foi desenvolvido utilizando React, Ionic e Firebase, culminando em sua publicação na Google Play. Concluiu-se que os resultados preliminares foram favoráveis ao desenvolvimento do artefato, e a materialização da proposta em um aplicativo funcional demonstrou potencial prático de aplicação no mercado de saúde digital e atividade física.

Palavras-chave: Adesão ao exercício físico; Modelo de aceitação da tecnologia; Motivação; Saúde digital; Survey.

1. Introdução

O sedentarismo persiste como um dos mais prementes desafios de saúde pública global, acarretando consequências significativas para a incidência e prevalência de doenças crônicas não transmissíveis. A inatividade física é um fator de risco conhecido para diversas condições de saúde, impactando negativamente a qualidade de vida e a longevidade da população (Silva et al., 2023). Diante desse cenário, a busca por soluções eficazes para promover a atividade física regular e combater o sedentarismo tornou-se uma prioridade.

Nesse contexto, a tecnologia emergiu como uma ferramenta poderosa e transformadora, capaz de oferecer abordagens inovadoras para a promoção da saúde e do condicionamento físico. Os aplicativos móveis, em particular, representam uma oportunidade sem precedentes para democratizar o acesso a orientações personalizadas de exercício. Eles criam ambientes que superam barreiras tradicionais, como custos elevados e inconveniência, tornando o acompanhamento de treinos mais acessível a um público amplo (Chae et al., 2023; Kim e Lee, 2023).

A personalização é um elemento crucial para a eficácia e a adesão aos programas de exercício. A Inteligência Artificial (IA) desempenha um papel fundamental nesse processo, utilizando algoritmos avançados para processar uma vasta gama de dados pessoais. Isso inclui o perfil antropométrico do usuário, seu histórico de exercício e seus objetivos de saúde específicos, como perda de peso, ganho de massa muscular ou manutenção do condicionamento. Com base nessas informações, a IA é capaz de gerar programas de treino adaptativos e altamente individualizados (Chae et al., 2023). Essa capacidade de adaptação contínua tem demonstrado ser eficaz na melhoria dos resultados do exercício e no aumento da adesão dos usuários às rotinas propostas (Angosto et al., 2023).

Paralelamente à personalização, a gamificação tem se consolidado como uma estratégia eficaz para aumentar o engajamento e promover a aderência sustentada em diversas áreas, incluindo a saúde e o fitness. Ao explorar necessidades psicológicas fundamentais, como a busca por desafios, reconhecimento e interação social, a gamificação transforma tarefas rotineiras em experiências mais motivadoras e envolventes (Malone et al., 2024; Kim e Lee, 2023). No entanto, é importante considerar que um excesso de elementos gamificados pode, em alguns casos, levar à sobrecarga cognitiva e, paradoxalmente, reduzir a intenção de uso do aplicativo, indicando a necessidade de um equilíbrio cuidadoso em sua implementação (Sun et al., 2025).

Apesar do potencial inovador da IA e da gamificação, a literatura científica ainda documenta elevadas taxas de abandono em aplicativos de fitness. Estudos indicam que uma parcela significativa dos usuários descontinua o uso dessas ferramentas em menos de seis meses após o início (Rajak e Shaw, 2021). Esse fenômeno ressalta uma lacuna prática e teórica: a necessidade de compreender os fatores que influenciam a aceitação inicial de tecnologias de saúde. A compreensão desses fatores é crucial para o design e desenvolvimento de soluções que realmente ressoem com as necessidades e expectativas dos usuários, garantindo maior engajamento e continuidade no uso (Windasari et al., 2021).

A lacuna na adesão e a necessidade de soluções que efetivamente mantenham os usuários engajados justificam a importância de investigar e desenvolver abordagens que integrem personalização e elementos motivacionais de forma eficaz. A validação da aceitação do usuário em etapas iniciais do desenvolvimento tecnológico é, portanto, um passo fundamental para criar produtos digitais com maior probabilidade de sucesso e impacto real na saúde pública. Este estudo, alinhado a essa necessidade, visa contribuir para o avanço das soluções de fitness tech, abordando diretamente os desafios de motivação e adesão. Neste cenário, o objetivo geral deste trabalho consistiu em desenvolver uma proposta de solução tecnológica para personalização de treinos, integrando recursos de inteligência artificial e gamificação, utilizando evidências preliminares de aceitação como guia para suas decisões técnicas e de desenvolvimento.

2. Material e Métodos

A pesquisa foi delineada como um estudo aplicado, de caráter exploratório e natureza predominantemente quantitativa, estruturado em duas etapas complementares. O objetivo geral consistiu em desenvolver uma proposta de solução tecnológica para personalização de treinos, integrando recursos de inteligência artificial e gamificação, utilizando evidências preliminares de aceitação como guia para suas decisões técnicas e de desenvolvimento, conforme alinhado ao propósito do estudo.

Na primeira etapa, realizou-se um “survey” de pré-uso, fundamentado no Modelo de Aceitação da Tecnologia (TAM), para avaliar a utilidade percebida, a atitude em relação ao uso e a intenção comportamental de uso da solução proposta. O delineamento de “survey” de pré-uso foi adotado por ser apropriado para validar a viabilidade de uma ideia em estágios preliminares, sem a necessidade de exposição prolongada de participantes ao produto finalizado (Angosto et al., 2023).

O Modelo de Aceitação da Tecnologia (TAM), desenvolvido por Davis (1989), foi empregado como instrumento de validação preliminar. Este modelo oferece uma estrutura robusta para prever a intenção de uso de sistemas de informação. Embora existam modelos mais complexos aplicados à saúde digital, o TAM clássico permanece como escolha válida para etapas iniciais de validação de conceitos baseadas na descrição do produto (Chiu e Cho, 2021).

O instrumento de coleta de dados consistiu em um questionário estruturado e auto administrável, disponibilizado via Google Forms. O questionário incluiu o Termo de Consentimento Livre e Esclarecido (TCLE), o perfil sociodemográfico dos participantes, uma descrição detalhada da proposta de aplicativo e os itens do TAM referentes à utilidade percebida, atitude em relação ao uso e intenção comportamental de uso (Davis, 1989).

Todas as afirmações presentes no questionário utilizaram uma escala Likert de cinco pontos. Adicionalmente, uma pergunta aberta foi incluída para captar percepções qualitativas complementares dos respondentes, permitindo uma compreensão mais aprofundada das expectativas e sugestões em relação à solução tecnológica proposta.

A amostra foi recrutada por conveniência, por meio de redes sociais, e totalizou 21 respostas válidas de indivíduos com 18 anos ou mais. A literatura recomenda amostras entre 20 e 30 participantes para “surveys” de pré-uso de tecnologia, o que atendeu ao caráter exploratório proposto por este estudo (Rajak e Shaw, 2021).

Os dados quantitativos coletados foram submetidos a análises descritivas, teste de confiabilidade interna de Cronbach e correlações de Pearson. As respostas qualitativas, por sua vez, passaram por um processo de categorização temática manual, visando identificar padrões e temas emergentes nas percepções dos participantes.

Na segunda etapa do estudo, com base nas evidências preliminares obtidas no “survey”, realizou-se o desenvolvimento do artefato, materializando a proposta em um aplicativo funcional. As decisões de projeto foram diretamente orientadas pelos resultados da pesquisa, que indicaram forte aceitação das funcionalidades de Inteligência Artificial para elaboração de treinos e dos mecanismos de gamificação para manutenção do engajamento.

Para a construção técnica do aplicativo, adotou-se uma arquitetura híbrida baseada em React, Ionic e Firebase. O React foi escolhido por permitir interfaces componentizadas, manutenção mais simples e evolução rápida da camada visual. O Ionic foi utilizado para ampliar a portabilidade do código e reduzir o esforço de desenvolvimento multiplataforma, acelerando a entrega da aplicação móvel.

O Firebase foi integrado como backend gerenciado, oferecendo autenticação, armazenamento em tempo real e suporte à persistência dos dados sem a necessidade de administração direta de infraestrutura. Essa combinação favoreceu a agilidade de desenvolvimento e a boa aderência ao caráter aplicado do projeto, ao mesmo tempo em que reduziu a complexidade operacional.

O aplicativo, denominado Treina AI: Treinos e Dietas, foi concebido em torno de três pilares funcionais diretamente derivados dos resultados do “survey”: personalização algorítmica dos treinos, suporte nutricional inteligente e gamificação como mecanismo de engajamento. O primeiro pilar envolveu a geração de treinos personalizados por inteligência artificial.

Ao realizar o cadastro, o usuário informa seu nível de condicionamento, objetivo principal (emagrecimento, hipertrofia ou manutenção física) e as áreas do corpo que deseja priorizar. Com base nesses parâmetros, o modelo de IA processa o perfil e gera um plano de treino individualizado, com exercícios detalhados, séries, repetições e orientações de execução. O plano pode ser regenerado sempre que o objetivo ou o nível do usuário evoluir, garantindo adaptação contínua.

O segundo pilar consistiu na geração de planos alimentares semanais, também produzidos pela IA com base no perfil físico do usuário e em sua meta calórica, seja déficit, manutenção ou superávit, oferecendo uma solução integrada de saúde que vai além do treino isolado. O terceiro pilar é a gamificação, onde o aplicativo incorpora um sistema de níveis progressivos.

Nesse sistema, o usuário avança à medida que registra treinos concluídos e mantém a consistência. Esse mecanismo foi projetado para transformar o acompanhamento do progresso em uma experiência desafiadora e motivadora, reduzindo a percepção de monotonia frequentemente associada ao abandono de rotinas de exercício (Malone et al., 2024).

A experiência do usuário foi estruturada em um fluxo linear e progressivo, projetado para reduzir barreiras de entrada e tornar o onboarding intuitivo. O fluxo principal compreendeu as seguintes etapas: cadastro, definição de objetivo e perfil físico, geração do treino, acompanhamento de treinos, e evolução e gamificação. O aplicativo foi posteriormente publicado na Google Play.

3. Resultados e Discussão

A presente seção detalha os achados da pesquisa e os discute em relação ao objetivo de desenvolver uma solução tecnológica para personalização de treinos, integrando inteligência artificial e gamificação, com base em evidências preliminares de aceitação. Os resultados iniciais do survey de pré-uso indicaram uma aceitação favorável da proposta, fornecendo subsídios empíricos cruciais para as decisões de projeto e desenvolvimento do aplicativo móvel. A materialização da solução em um artefato funcional, o “Treina AI: Treinos e Dietas”, demonstrou a viabilidade prática da integração dessas tecnologias no contexto de fitness tech.

Os dados coletados permitiram uma compreensão aprofundada das percepções dos potenciais usuários, validando a utilidade percebida e a intenção de uso da ferramenta. Essa abordagem metodológica, que priorizou a validação conceitual antes da fase de codificação intensiva, assegurou que o produto final estivesse alinhado às expectativas e necessidades do público-alvo, mitigando riscos de desenvolvimento de soluções com baixa aderência. A discussão a seguir organiza os achados em subtópicos, conforme a estrutura da pesquisa original, detalhando a caracterização da amostra, a aceitação preliminar pelo Modelo de Aceitação da Tecnologia (TAM) e as percepções qualitativas que guiaram o desenvolvimento.

Caracterização da amostra

A pesquisa contou com a participação de 21 respondentes, apresentando perfis diversificados que contribuíram para uma avaliação exploratória abrangente da solução proposta. A análise demográfica revelou uma predominância do público feminino, representando 66,7% da amostra, enquanto 28,6% eram do gênero masculino e 4,8% preferiram não informar. Essa distribuição demográfica, com maior participação feminina e um elevado nível educacional, reflete padrões frequentemente observados na literatura sobre a adoção de aplicativos de saúde digital, conforme apontado por Rajak e Shaw (2021).

Em relação à faixa etária, a amostra distribuiu-se de forma equilibrada, com 19,0% entre 18 e 24 anos, 28,6% entre 25 e 34 anos, 19,0% entre 35 e 44 anos, 14,3% entre 45 e 54 anos e 14,3% para indivíduos com 55 anos ou mais. Quanto à escolaridade, 42,9% dos respondentes possuíam ensino superior e 33,3% pós-graduação, indicando um alto nível educacional geral. Apenas 9,5% tinham ensino fundamental e 14,3% ensino médio, o que sugere um perfil de usuário com maior capacidade de compreensão e engajamento com tecnologias complexas.

A frequência de exercícios físicos dos participantes também demonstrou heterogeneidade, com 33,3% afirmando não praticar nenhuma atividade, 9,5% praticando uma vez ou menos por semana, 38,1% praticando de duas a três vezes por semana e 19,0% praticando de quatro a cinco vezes por semana. Essa diversidade é crucial, pois a solução proposta visa atender tanto a indivíduos sedentários quanto a praticantes regulares, oferecendo personalização para diferentes níveis de condicionamento e objetivos.

A experiência prévia com aplicativos de fitness revelou um mercado potencial significativo para a solução. Quase metade dos respondentes, 47,6%, nunca havia utilizado aplicativos voltados a exercícios, enquanto 28,6% já os haviam usado, mas não os utilizavam mais. Apenas 14,3% usavam eventualmente e 9,5% usavam com frequência. Esse dado sugere que há uma parcela considerável de usuários iniciantes ou que descontinuaram o uso de outras ferramentas, os quais podem ser atraídos por soluções mais intuitivas e personalizadas, como a proposta neste estudo.

A familiaridade tecnológica da amostra foi predominantemente alta ou muito alta para 52,4% dos participantes, enquanto 38,1% a classificaram como moderada e 9,6% como muito baixa ou baixa. Essa distribuição indica que a maioria dos potenciais usuários possui um nível de conforto com tecnologia que favorece a adoção de um novo aplicativo, embora a necessidade de uma interface intuitiva e de fácil uso seja importante para os segmentos com menor familiaridade, garantindo a acessibilidade da solução a um público mais amplo.

Aceitação preliminar pelo Modelo TAM

Os resultados quantitativos da pesquisa, baseados no Modelo de Aceitação da Tecnologia (TAM), indicaram uma elevada aceitação inicial da proposta do aplicativo. As médias obtidas para os três construtos avaliados foram consistentemente positivas e altas, em uma escala de 1 a 5. A Utilidade Percebida (PU) registrou uma média de 4,37, com desvio padrão de 0,80 e concordância de 83,3%. A Atitude em relação ao Uso (ATT) apresentou média de 4,38, com desvio padrão de 0,79 e concordância de 84,1%. Por fim, a Intenção de Uso (BI) obteve média de 4,29, com desvio padrão de 0,89 e concordância de 76,2%.

A consistência interna do instrumento foi avaliada por meio dos coeficientes alfa de Cronbach, que confirmaram a confiabilidade das medidas utilizadas na pesquisa. Para a Utilidade Percebida, o alfa de Cronbach foi de 0,916; para a Atitude em relação ao Uso, foi de 0,919; e para a Intenção de Uso, foi de 0,806. Esses valores são classificados como aceitáveis a excelentes, validando a robustez do questionário e a fidedignidade dos dados coletados. Tais achados estão em consonância com pesquisas recentes focadas na aceitação de aplicativos de fitness, como as de Kim e Lee (2023), que também identificaram altas taxas de aceitação para soluções digitais de saúde.

Além das análises descritivas, a estrutura teórica do modelo TAM, originalmente proposto por Davis (1989), foi confirmada por meio de correlações de Pearson fortes e positivas entre as variáveis estudadas. A correlação entre Utilidade Percebida e Atitude foi de 0,832, com significância p < 0,01. A Atitude e a Intenção de Uso apresentaram uma correlação de 0,861, também com p < 0,01. Por fim, a Utilidade Percebida e a Intenção de Uso correlacionaram-se em 0,787, com p < 0,01.

Esses padrões de correlação são significativos e validam a premissa de que a percepção de que uma tecnologia é útil favorece atitudes psicológicas positivas em relação a ela. Essas atitudes, por sua vez, atuam como impulsionadoras fundamentais da intenção de adoção e uso da tecnologia. Tais resultados reproduzem achados de estudos semelhantes na área de saúde digital, que também confirmam a validade do TAM para prever a aceitação de novas soluções (Chiu e Cho, 2021; Kim e Lee, 2023), reforçando a base teórica para o desenvolvimento do aplicativo.

Percepções qualitativas e impacto no produto

As 12 respostas qualitativas abertas, coletadas por meio de uma pergunta adicional no survey, complementaram os dados quantitativos e forneceram direcionamentos práticos valiosos para as decisões de projeto e desenvolvimento do aplicativo. Os relatos foram categorizados em três temas principais, que destacaram aspectos cruciais para a motivação e a adesão dos usuários. A análise temática permitiu compreender as expectativas e as prioridades dos potenciais usuários, orientando a implementação das funcionalidades do “Treina AI”.

O tema “Gamificação como motivador” foi o mais frequente, sendo apontado por 6 respondentes, o que corresponde a 50% das respostas qualitativas. Um exemplo de relato ilustrativo foi: “Gamificação seria ótimo incentivo para manter motivação durante exercícios.” Essa percepção reforça a importância de elementos lúdicos e de recompensa para sustentar o engajamento a longo prazo, combatendo a monotonia e o abandono precoce das rotinas de exercício, um desafio comum em aplicativos de fitness.

O segundo tema identificado foi o “Potencial da IA para personalização”, mencionado por 5 respondentes, ou 42% da amostra qualitativa. Um participante expressou: “Inteligência artificial poderia desenvolver os melhores programas de treino.” Esse achado sublinha a alta expectativa dos usuários em relação à capacidade da inteligência artificial de adaptar os treinos às suas necessidades individuais, objetivos e evolução, um fator crítico para a eficácia e a adesão aos programas de atividade física, conforme discutido por Chae et al. (2023).

Por fim, o tema “Benefícios para resultados” foi destacado por 4 respondentes, representando 33% das percepções qualitativas. Um relato exemplificou essa expectativa: “Poderia ter melhor foco nos exercícios e melhorar resultados.” Essa categoria demonstra que os usuários buscam não apenas a personalização e a motivação, mas também a efetividade da solução em ajudá-los a alcançar seus objetivos de saúde e condicionamento físico, reforçando a necessidade de um design que priorize a entrega de valor e resultados tangíveis.

A convergência entre os resultados qualitativos e as decisões de projeto do aplicativo foi explícita e deliberada. A personalização, impulsionada pela inteligência artificial, foi o atributo mais valorizado pelos respondentes, tanto nas médias de utilidade percebida quanto nos relatos abertos sobre o potencial da IA. Consequentemente, o aplicativo foi desenvolvido com a geração algorítmica de treinos como funcionalidade central, permitindo que o usuário receba um plano individualizado com base em seu perfil, objetivo e preferências de grupos musculares, com a capacidade de regeneração à medida que evolui.

Da mesma forma, a gamificação foi identificada por 50% dos respondentes como o principal motivador para a manutenção dos treinos. Em resposta a essa demanda, o aplicativo implementou um sistema de níveis progressivos, onde o avanço está condicionado à consistência do registro dos treinos realizados. Esse mecanismo cria um ciclo de recompensa que sustenta o engajamento a longo prazo, transformando a rotina de exercícios em uma experiência desafiadora e motivadora, alinhando-se aos princípios de gamificação para adesão sustentada (Malone et al., 2024).

Essa rastreabilidade entre os achados do survey e as funcionalidades implementadas confere ao artefato uma base empírica sólida. Diferentemente de muitas soluções desenvolvidas sem validação prévia junto ao público-alvo, o “Treina AI” foi concebido com base em dados concretos de aceitação e preferências dos usuários. A ausência de críticas severas nesta fase preliminar sugere uma receptividade positiva, embora se reconheça que amostras baseadas apenas na descrição do produto podem apresentar viés de desejabilidade social (Rajak e Shaw, 2021).

Desenvolvimento do aplicativo e materialização dos achados

Com base nas evidências preliminares obtidas no survey, a segunda etapa do estudo consistiu no desenvolvimento do artefato, materializando a proposta em um aplicativo funcional. As decisões de projeto foram diretamente orientadas pelos resultados da pesquisa, que indicaram forte aceitação das funcionalidades de Inteligência Artificial para elaboração de treinos e dos mecanismos de gamificação para manutenção do engajamento. A pesquisa preliminar forneceu a segurança empírica necessária para concentrar o esforço de engenharia de software no desenvolvimento desses recursos centrais.

Para a construção técnica do aplicativo, adotou-se uma arquitetura híbrida baseada em React, Ionic e Firebase. O React foi escolhido por sua capacidade de permitir interfaces componentizadas, o que facilita a manutenção e a evolução rápida da camada visual do aplicativo. O Ionic foi utilizado para ampliar a portabilidade do código, reduzindo o esforço de desenvolvimento multiplataforma e acelerando a entrega da aplicação móvel para diferentes sistemas operacionais. O Firebase foi integrado como backend gerenciado, oferecendo serviços essenciais como autenticação de usuários, armazenamento em tempo real e suporte à persistência dos dados, eliminando a necessidade de administração direta de infraestrutura.

Essa combinação tecnológica favoreceu a agilidade no desenvolvimento e uma boa aderência ao caráter aplicado do projeto, ao mesmo tempo em que reduziu a complexidade operacional. Embora essa escolha ofereça menos controle sobre a infraestrutura e personalizações avançadas em comparação com uma solução totalmente proprietária, ela atendeu plenamente ao objetivo de validar e disponibilizar rapidamente um produto funcional. Ao ser validado conceitualmente e posteriormente publicado na Google Play, o aplicativo deixou de ser apenas uma especificação teórica para se tornar uma aplicação prática com potencial real de auxiliar os usuários na adesão a rotinas de exercícios.

Funcionalidades centrais do aplicativo

O aplicativo “Treina AI: Treinos e Dietas” foi concebido em torno de três pilares funcionais diretamente derivados dos resultados do survey, que destacaram a personalização algorítmica dos treinos, o suporte nutricional inteligente e a gamificação como mecanismos essenciais de engajamento. Esses pilares foram desenvolvidos para atender às expectativas dos usuários e combater os desafios de motivação e adesão à prática de exercícios físicos.

O primeiro pilar é a geração de treinos personalizados por inteligência artificial. No processo de cadastro, o usuário informa seu nível de condicionamento físico, seu objetivo principal (como emagrecimento, hipertrofia ou manutenção física) e as áreas do corpo que deseja priorizar em seus treinos. Com base nesses parâmetros, o modelo de IA processa o perfil do usuário e gera um plano de treino individualizado, que inclui exercícios detalhados, séries, repetições e orientações de execução. Esse plano pode ser regenerado sempre que o objetivo ou o nível do usuário evoluir, garantindo uma adaptação contínua e progressiva da rotina de exercícios.

O segundo pilar funcional é a geração de planos alimentares semanais, também produzidos pela inteligência artificial. Esses planos são elaborados com base no perfil físico do usuário e em sua meta calórica específica, seja para déficit, manutenção ou superávit. Essa funcionalidade oferece uma solução integrada de saúde, que vai além do treino isolado, reconhecendo a importância da nutrição para o alcance dos objetivos de condicionamento físico e bem-estar geral. A integração de treino e dieta visa proporcionar uma abordagem holística para a saúde do usuário.

O terceiro pilar é a gamificação, implementada como um sistema de níveis progressivos. O usuário avança no sistema à medida que registra treinos concluídos e mantém a consistência em sua prática. Esse mecanismo transforma o acompanhamento do progresso em uma experiência desafiadora e motivadora, reduzindo a percepção de monotonia frequentemente associada ao abandono de rotinas de exercício. A gamificação explora necessidades psicológicas fundamentais, como a busca por desafios e reconhecimento, promovendo a aderência sustentada (Malone et al., 2024).

Fluxo de uso do aplicativo

A experiência do usuário no “Treina AI” foi estruturada em um fluxo linear e progressivo, projetado para minimizar barreiras de entrada e tornar o processo de onboarding intuitivo, mesmo para indivíduos sem experiência prévia com aplicativos de fitness. Esse segmento de usuários representou quase metade da amostra do survey, o que justificou a priorização de uma jornada simplificada. O fluxo principal compreende cinco etapas essenciais, garantindo que o usuário possa rapidamente acessar o valor central da personalização de treinos.

A primeira etapa é o cadastro, onde o usuário cria sua conta por meio de autenticação segura via Firebase Authentication, fornecendo dados básicos de perfil, como nome, e-mail e senha. Em seguida, na etapa de definição de objetivo e perfil físico, o usuário configura seu perfil inicial, selecionando seu objetivo principal de treino, informando dados antropométricos e indicando as áreas do corpo que deseja trabalhar. Essa etapa é crucial para a personalização, pois coleta as informações necessárias para a inteligência artificial gerar um plano de treino adequado.

A terceira etapa é a geração do treino, onde, com base no perfil preenchido, a inteligência artificial gera automaticamente o plano de treino personalizado. Este plano apresenta exercícios organizados por sessão, com descrições detalhadas e orientações de execução, permitindo ao usuário iniciar suas atividades de forma guiada. O acompanhamento de treinos constitui a quarta etapa, na qual o usuário registra os treinos realizados diretamente no aplicativo, marcando a conclusão de cada sessão, o que alimenta o sistema de progresso.

A etapa final é a evolução e gamificação, onde, à medida que os treinos são concluídos, o usuário acumula progresso e avança nos níveis do sistema. Essa visualização da trajetória e do progresso contínuo é projetada para manter a motivação do usuário a longo prazo, reforçando o engajamento e a aderência. Esse fluxo foi desenhado para minimizar a fricção em cada etapa, priorizando a entrega de valor imediato ao usuário, com a geração do primeiro treino personalizado logo após o preenchimento do perfil, o que contribui para a retenção e satisfação inicial.

Em síntese, os resultados da pesquisa demonstraram uma aceitação preliminar robusta da proposta de aplicativo móvel, com altas médias de utilidade percebida, atitude em relação ao uso e intenção de uso, corroboradas por fortes correlações entre os construtos do TAM. As percepções qualitativas reforçaram a valorização da personalização por inteligência artificial e da gamificação como elementos motivadores. Esses achados guiaram o desenvolvimento do aplicativo “Treina AI”, que materializa a proposta em uma solução funcional, integrando esses recursos para combater o sedentarismo e promover a adesão sustentada à atividade física, respondendo diretamente ao objetivo do estudo de desenvolver uma solução tecnológica eficaz para personalização de treinos.

4. Conclusão

O presente estudo teve por objetivo desenvolver uma solução tecnológica para personalização de treinos, integrando recursos de inteligência artificial e gamificação, com base em evidências preliminares de aceitação. Verificou-se, por meio de um survey de pré-uso fundamentado no Modelo de Aceitação da Tecnologia, uma aceitação inicial favorável da proposta, com médias elevadas para utilidade percebida, atitude em relação ao uso e intenção comportamental de uso. As percepções qualitativas reforçaram o interesse dos potenciais usuários pela personalização via inteligência artificial e pela gamificação como elementos motivadores, destacando o potencial para melhorar o foco nos exercícios e os resultados. Esses achados empíricos guiaram o desenvolvimento do aplicativo “Treina AI: Treinos e Dietas”, que materializou a proposta em um artefato funcional, publicado na Google Play, com pilares de personalização algorítmica de treinos, suporte nutricional inteligente e um sistema de níveis progressivos para engajamento.

A principal contribuição deste trabalho reside na demonstração prática do valor de se conduzir pesquisas exploratórias de aceitação do usuário antes do ciclo de codificação intensiva, resultando em um produto digital alinhado às expectativas do público-alvo para combater o sedentarismo e promover a adesão sustentada à atividade física. Como limitação, ressalta-se o tamanho amostral reduzido e o formato de pré-uso do survey, que podem introduzir viés de desejabilidade social, além da escolha tecnológica híbrida que oferece menor controle sobre personalizações avançadas. Para estudos futuros, recomenda-se a expansão da base de usuários e a realização de testes empíricos diretos com o aplicativo já publicado, a fim de avaliar se as intenções comportamentais se traduzem em engajamento duradouro a longo prazo.

Referências Bibliográficas

ANGOSTO, S. et al. A systematic review of intention to use fitness apps (2020–2023). Nature Human Behaviour, v. 7, n. 8, p. 1225-1245, 2023.

CHAE, H. J. et al. An artificial intelligence exercise coaching mobile app: development and randomized controlled trial to verify its effectiveness in posture correction. JMIR mHealth uHealth, v. 11, n. 1, e37604, 2023.

CHIU, C. M.; CHO, Y. H. Technology acceptance model with an innovation perspective: The impact of technology-perceived value on consumer intention to adopt wearable technology. Information & Management, v. 58, n. 3, 103343, 2021.

DAVIS, F. D. Perceived Usefulness, Perceived Ease of Use, and User Acceptance of Information Technology. MIS Quarterly, v. 13, n. 3, p. 319-340, 1989. DOI: 10.2307/249008.

KIM, M. K.; LEE, M. K. Understanding factors influencing intention to use fitness apps: an empirical study using extended technology acceptance model. International Journal of Human-Computer Studies, v. 178, 103087, 2023.

MALONE, S. K. et al. Gamification and active video games: examining engagement and adherence in sedentary older adults. Aging (Albany NY), v. 16, n. 6, p. 5294-5312, 2024.

RAJAK, S.; SHAW, R. Examining user-centered factors of fitness-related wearable technology adoption and use. In: Rehabilitation Technology: Proceedings. Nova Science Publishers, 2021.

SILVA, J. et al. Aplicativos móveis e inteligência artificial para condicionamento físico. Revista Brasileira de Tecnologia, v. 10, n. 2, p. 123-135, 2023.

SUN, Y.; DONG, H.; JIANG, W. Is more always better? An S-shaped impact of gamification feature richness on exercise adherence intention. Frontiers in Psychology, v. 16, 1671543, 2025. DOI: 10.3389/fpsyg.2025.1671543.

WINDASARI, N. A. et al. Technology acceptance models for self-management apps: a systematic review. NPJ Digital Medicine, v. 4, n. 1, 151, 2021.

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Engenharia de Software do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy