Atlas AI

Quand j'ai rejoint Atlas, l'équipe avait développé une IA de pose estimation performante, adaptée au fitness. Mais il n'y avait pas de produit au sens traditionnel. La technologie était proposée en marque blanche à d'autres entreprises, qui l'intégraient dans leurs propres offres. Le modèle fonctionnait commercialement, mais il créait un angle mort frustrant : aucun accès direct aux utilisateurs finaux, aucune donnée d'usage, et aucun moyen de répondre à la question qui comptait le plus pour l'équipe, « avons-nous réellement un impact positif ? »

Atlas m'a recruté pour combler ce vide.

Lead Product Designer

CEO
CTO
Lead Engineer
Lead Data Scientist

Rôle

Équipe

Recherche

Accéder aux utilisateurs finaux a demandé de la créativité. Nous sommes allés dans les salles de sport où la solution était déployée, et avons proposé des séances de coaching gratuites aux personnes utilisant les produits propulsés par Atlas. C'était notre porte d'entrée. Ce que nous avons découvert était décevant, bien que pas entièrement surprenant. Il y avait une friction importante dans l'expérience utilisateur, et l'essentiel de la valeur perçue atterrissait dans les départements marketing des salles plutôt que chez les personnes qui s'entraînaient réellement. Atlas était traité comme une nouveauté plutôt que comme un outil.

Ce constat a ouvert une porte. Nous avons décidé d'abandonner entièrement le modèle en marque blanche et de construire un produit allant directement à l'utilisateur final, où nous pourrions suivre l'usage de près et résoudre de vrais problèmes.

J'ai mené un processus de recherche à grande échelle, en commençant par les utilisateurs que nous avions coachés en salle. J'ai formé l'ensemble de l'équipe Atlas aux pratiques de recherche utilisateur : réduction des biais, questions ouvertes, navigation et synthèse des insights. Ensemble, nous avons interviewé des centaines d'utilisateurs au cours des semaines suivantes. À la fin, nous avions une vision claire des problèmes profonds et sous-jacents que les gens cherchaient à résoudre.

Blessures

Les exercices composés comme les squats et les soulevés de terre sont parmi les plus efficaces pour les objectifs de force et d'endurance, mais ils sont perçus comme risqués car ils dépendent d'une bonne exécution. Les salles, soucieuses de leur responsabilité, orientent les utilisateurs vers les machines. Les machines isolent les muscles de manière trop ciblée, entraînant des déséquilibres et une progression plus lente.

Progrès

Désinformation

S'entraîner avec une routine inadaptée mène à la stagnation. Les utilisateurs qui alternaient entre périodes d'activité et d'abandon pointaient systématiquement un manque de progrès visible comme raison de leur perte de motivation.

Les utilisateurs voyaient Atlas comme un outil ancré dans la science et la technologie. Dans un paysage saturé d'influenceurs fitness aux conseils forts et contradictoires, ils espéraient un compagnon objectif capable de couper à travers le bruit et de leur dire ce qui fonctionne réellement pour leur situation.

Minimum Lovable Product

Pour nous détacher de la dépendance au modèle en marque blanche, nous avons abandonné la solution hardware d'origine et construit une application mobile. Le produit serait désormais possédé et porté par les utilisateurs eux-mêmes.

Nous avons livré un MVP, puis immédiatement commencé à opérer en boucle serrée de build-measure-learn. Chaque semaine, nous livrions de nouvelles fonctionnalités ou améliorations, suivions l'usage, en extrayions des insights, et livrions notre réponse. Le cycle était rapide et le produit évoluait à grande vitesse.

Construire une marque

Ne pouvant plus compter sur les salles pour la distribution, nous devions atteindre les utilisateurs directement. J'ai mené plusieurs campagnes marketing, définissant l'identité de marque, le storytelling, et créant l'ensemble des supports. Cela a résulté en une réduction de 50% du coût d'acquisition client et une multiplication par 7 des conversions marketing en ligne. Le pipeline était solide, et les utilisateurs ont commencé à affluer régulièrement. Six mois plus tard, nous avions plus de 30 000 utilisateurs sur la plateforme.

Avec la traction établie, il était temps de solidifier le produit. J'ai affiné les designs et commencé à standardiser l'interface, ce qui a évolué en kit de composants, puis en design system à part entière. J'ai codé l'intégralité du design system en React.js, ce qui a mené à ma prise en charge de toute l'implémentation front-end chez Atlas, libérant l'équipe technique pour se concentrer sur l'amélioration de l'IA.

Une fin malheureuse

La fin de ce projet est venue de l'extérieur. Les restrictions COVID ont forcé la fermeture de la plupart des salles. Nous avons brièvement pivoté vers l'entraînement à domicile, mais cela ressemblait à un retour au point de départ : une nouveauté IA sans vrai problème à résoudre. Le risque de blessure à domicile est minimal. Les utilisateurs en confinement cherchaient à maintenir leur forme, pas à dépasser des plateaux. Le problème fondamental que nous cherchions à résoudre était en pause, et notre conviction avec. Nous avons décidé de fermer.

Une fin difficile, mais honnête. Nous avons prouvé que nous pouvions identifier de vrais problèmes, construire un produit que les gens utilisaient, et le faire grandir à une échelle significative. Certaines circonstances dépassent simplement l'équipe.