|

Buenos Aires

Gohan

Gohan

Personal trainer inteligente en las apps de tu gimnasio: MCP & Ai Chat As a Service
🗼 Vertical AI
ver códigover aplicación
Dante Arola
Dante Arola
Tomas Calligaris
Tomas Calligaris
Juan Pablo Mantegazza
Juan Pablo Mantegazza
Alejandro Nieto
Alejandro Nieto

Gohan AI

Módulos de personal trainer IA para apps de gimnasios existentes.

Track: 🗼 Vertical AI · Buenos Aires · team-16

El problema

Hicimos research con socios de gimnasios — Megatlon, SmartFit, SportClub. Todos repiten el mismo patrón: los miembros abren la app del gym para ver su rutina, y cuando algo cambia (un dolor, un viaje, un día sin tiempo) abren ChatGPT para pedirle que les arme una rutina nueva.

El problema no es que falte AI en fitness — el problema es que ninguna app de gym tiene un chat AI integrado, conectado a la rutina del usuario, capaz de modificarla en tiempo real.

La solución

Gohan AI no es otra app de fitness. Es la capa de inteligencia que se integra a la app que tu gym ya tiene:

  • Módulo de chat que conoce al usuario, su rutina, su equipamiento y sus lesiones.
  • Servidor MCP que cualquier app o agente puede consumir.
  • Multi-tenant desde el día cero: misma intelligence, la marca de cada gym, sus datos.

Megatlon, SmartFit, cualquier cadena: misma intelligence, su marca, sus datos.

Demo en vivo

En el landing, scrolleá hasta "Try it" — el iPhone embebido carga la app real con el usuario demo ya logueado. Hablale al coach, pedile que ajuste la rutina, mirá cómo se actualiza en tiempo real. Camera + voice prompts funcionan nativamente.

Cuenta demo (auto-login en el iframe): [email protected]

Arquitectura

Tres caminos de integración para los gyms partners:

  1. Módulo embed — React component que el gym dropea en su app. Auth via Gohan session JWT (intercambiado por la edge function api-session).
  2. MCP server — HTTP transport en POST /mcp, autenticado con Authorization: Bearer gk_live_*. Ideal para agentes backend del gym.
  3. Claude Desktop (dev) — modo --stdio, sin auth, para prototipado.

Los 3 caminos comparten la misma API de 9 tools: get_user_routine, list_exercises_for_day, update_exercise, add_exercise, remove_exercise, replace_exercise, get_user_profile, get_tenant_info, list_tenant_users.

Tenant scoping automático: cada API key resuelve a un tenant_id que se aplica a toda query de Postgres. Imposible que un gym lea datos de otro.

Stack

  • Frontend app: React Native + Expo Router + NativeWind v4 (web + iOS + Android del mismo código)
  • Landing: Next.js 15 + Tailwind v4
  • Backend: Supabase (Postgres + Auth + Realtime + Edge Functions en Deno)
  • AI: Claude Sonnet 4 con tool_use streaming
  • MCP: Custom Node server con @modelcontextprotocol/sdk, transporte HTTP

Patterns clave

  • Realtime via Supabase: Claude llama a las tools, escribe en Postgres, las pantallas del usuario se actualizan al instante sin refresh manual.
  • JSONL UI rendering: el AI puede emitir operaciones RFC-6902 inline para construir cards/lists/badges en la respuesta del chat, no solo texto.
  • Coach personalities: el usuario elige entre amable, picante, intenso — el system prompt del modelo cambia el tono del coach.
  • Multi-tenant branding: colores y logos del gym se cargan desde la tabla tenants y se aplican a la app vía theme provider.

Equipo

  • Dante Arola (@DanteDia) — backend (Supabase, edge functions, MCP infra, landing)
  • Tomás Calligaris (@thblu) — rutinas (UI + lógica)
  • Juan Pablo Mantegazza (@Juampiman) — AI (system prompts, tool use, MCP server)
  • Alejandro Nieto (@alexndr-n) — chat module + UI shell + theme

Repo

https://github.com/platanus-hack/platanus-hack-26-ar-team-16

Make your gym think.

Buenos Aires