IA generativa per runner: a cosa serve e a cosa no

Per un atleta di endurance l'IA generativa non è né un gadget né una rivoluzione. È uno strumento per il testo. È bravissima a trasformare un linguaggio approssimativo in una struttura e una struttura in testo leggibile, ed è poco affidabile ogni volta che deve avere ragione sul tuo corpo o su numeri che nessuno le ha dato. Vista così, è chiaro dove fa risparmiare tempo e dove può fare danni.

Le riesce bene: scrivere una seduta

Inserire un allenamento strutturato nell'app dell'orologio è noioso. Descriverlo no. "20 minuti facili, poi 6 × 3 minuti forte con 2 minuti di corsetta, 10 minuti di defaticamento" è proprio il tipo di frase che un modello linguistico gestisce bene: la divide in passi, calcola le ripetizioni e, se conosce le tue zone, dà un obiettivo a ogni passo. Il "forte" da 3 minuti diventa il tuo intervallo di ritmo da VO2max, la "corsetta" il ritmo di recupero.

Prima di mandare la seduta all'orologio conviene controllare due cose: la durata totale (a volte il modello salta o raddoppia un blocco) e l'intensità scelta per le parole vaghe. "Forte" può voler dire soglia per qualcuno e ritmo dei 5 km per qualcun altro. Se ha sbagliato, diglielo, o la prossima volta scrivi "alla soglia".

Le riesce bene: trasformare le sensazioni in dati

Dopo un lungo, quasi nessuno compila un modulo con cinque cursori. Si dice piuttosto: "la prima ora bene, poi il caldo mi ha steso, gli ultimi 5 km sono stati una fatica e il polpaccio destro si è indurito". Un modello linguistico può ricavarne un punteggio di fatica intorno a 8 e una nota: polpaccio destro, contrattura, nella parte finale. Nel giro di qualche settimana, quelle note diventano qualcosa che un allenatore può davvero filtrare.

Conta più di quanto sembri. Una revisione sistematica di Saw e colleghi (2016) ha trovato che le misure soggettive, riferite dall'atleta, seguono il carico di allenamento meglio della maggior parte dei marcatori oggettivi. Il collo di bottiglia è sempre stato convincere gli atleti a registrarle. Ridurre lo sforzo a una frase o a un messaggio vocale aiuta.

Le riesce bene: riassumere e riscrivere

Incolla quattro settimane di note sugli allenamenti e chiedi un riassunto prima di sentire il tuo allenatore: farà emergere i temi ricorrenti (l'Achille che protesta dopo le salite, le sedute del giovedì che saltano sempre) più in fretta di te. Può riscrivere una settimana attorno a un vincolo, per esempio una trasferta di lavoro da martedì a giovedì con solo il tapis roulant dell'hotel, e darti una bozza ragionevole. Può tradurre un piano che il tuo allenatore ha scritto in un'altra lingua. In ogni caso ottieni una bozza da controllare, non un ordine da eseguire.

Utilizzabile con cautela: spiegare

Chiedi cosa distingue il lavoro alla soglia dalle ripetute da VO2max, o perché il ritmo del lungo deve sembrare facile, e di solito avrai una spiegazione decente. Il rischio è che aggiunga con sicurezza un dettaglio sbagliato o citi uno studio che non esiste. I modelli linguistici producono testo scorrevole, non fatti verificati, un problema che i ricercatori chiamano allucinazione (Ji e colleghi, 2023). Se una risposta cita una fonte, cercala prima di ripeterla.

Le riesce male: fare diagnosi

Scrivi "mi fa male l'esterno del ginocchio dopo 20 km" e riceverai una risposta ordinata sulla bandelletta ileotibiale, con esercizi di allungamento e un piano di ritorno alla corsa. Forse ha ragione. Potrebbe anche essere tutt'altro, e il modello non ha modo di saperlo: non può visitarti, guardarti correre o premere sul punto che fa male. Una risposta plausibile a una domanda medica è peggio di nessuna risposta, perché rimanda la visita che avrebbe chiarito tutto. Un dolore che persiste, che ti fa zoppicare, che peggiora mentre corri o che c'è anche a riposo è roba da fisioterapista o da medico.

Le riesce male: piani completi dal nulla

Düking e colleghi (2024) hanno chiesto a ChatGPT piani di corsa di sei settimane e li hanno fatti valutare da allenatori esperti secondo 22 criteri. Con poche informazioni, il piano stava sotto la media in 19 di essi. Con informazioni dettagliate andava molto meglio, ma gli autori sconsigliano comunque di seguire questi piani senza un allenatore esperto. L'errore tipico è facile da immaginare: corri 30 km a settimana, chiedi un piano per la maratona e la prima settimana ne prevede 50, perché il modello ha riempito il tuo storico con quello di un runner medio.

Le riesce male: numeri che non le hai dato

Chiedi "quanto ho corso a settembre?" senza darle i tuoi dati e un modello di chat può semplicemente inventare una cifra plausibile. Anche con i dati incollati, sommare trenta righe non è il suo forte. Totali, medie e calcoli di carico devono venire da un software che li calcola, e il modello linguistico dovrebbe solo commentare il risultato.

Come ottenere risposte più utili

Dalle contesto: le tue zone o i tuoi tempi recenti, il volume settimanale delle ultime quattro-sei settimane, la gara e la data, i giorni in cui puoi allenarti e qualsiasi fastidio in corso. Chiedile di dichiarare le sue ipotesi prima di scrivere qualsiasi cosa. Poi confronta il risultato con poche regole semplici: niente grandi salti di volume settimanale, non più sedute dure di quelle a cui sei abituato (due a settimana bastano e avanzano alla maggior parte dei runner amatori) e giorni facili che siano davvero facili.

In OpenAthlete

Le funzioni di IA di OpenAthlete restano dal lato del testo di quella linea. L'IA scrive una seduta strutturata partendo da una frase e usando le tue zone, modifica una seduta con una breve istruzione, fa tre o quattro domande dopo un'attività e trasforma le risposte in un punteggio di fatica e una nota sul dolore per il tuo allenatore, e dà una breve lettura di ogni attività. Vedi ogni seduta prima che arrivi all'orologio. Non fa diagnosi e funziona solo con il tuo consenso, con la tua chiave API o con la quota del piano Supporter. La pagina sull'IA ha i dettagli.

Fonti

• Saw AE, Main LC, Gastin PB (2016). Monitoring the athlete training response: subjective self-reported measures trump commonly used objective measures: a systematic review. British Journal of Sports Medicine, 50(5), 281–291. doi:10.1136/bjsports-2015-094758
• Ji Z et al. (2023). Survey of hallucination in natural language generation. ACM Computing Surveys, 55(12). doi:10.1145/3571730
• Düking P et al. (2024). ChatGPT generated training plans for runners are not rated optimal by coaching experts, but increase in quality with additional input information. Journal of Sports Science and Medicine, 23(1), 56–72. doi:10.52082/jssm.2024.56