IA generativa para corredores: para que serve e para que não

Para um atleta de endurance, a IA generativa não é nem um brinquedo nem uma revolução. É uma ferramenta de texto. Ela é muito boa em transformar linguagem solta em estrutura e estrutura em texto legível, e pouco confiável sempre que precisa acertar sobre o seu corpo ou sobre números que ninguém passou para ela. Vista assim, fica claro onde ela economiza tempo e onde pode atrapalhar.

Ela faz bem: escrever um treino

Digitar um treino estruturado no app do relógio é chato. Descrever, não. "20 minutos leves, depois 6 tiros de 3 minutos forte com 2 minutos de trote, 10 minutos de desaquecimento" é exatamente o tipo de frase que um modelo de linguagem resolve bem: ele divide em etapas, monta as repetições e, se conhece as suas zonas, coloca um alvo em cada etapa. O "forte" de 3 minutos vira a sua faixa de pace de VO2máx, e o "trote" vira pace de recuperação.

Antes de mandar o treino para o relógio, vale conferir duas coisas: a duração total (às vezes o modelo pula ou duplica um bloco) e a intensidade que ele escolheu para as palavras vagas. "Forte" pode ser limiar para uma pessoa e pace de 5 km para outra. Se ele errou, avise, ou escreva "no limiar" da próxima vez.

Ela faz bem: transformar percepção em dados

Depois de um longão, quase ninguém preenche um formulário com cinco controles deslizantes. O que a gente diz é algo como "primeira hora tranquila, depois o calor pegou, os últimos 5 km foram sofridos e a panturrilha direita travou". Um modelo de linguagem consegue transformar isso numa nota de esforço por volta de 8 e numa anotação: panturrilha direita, contratura, no fim do treino. Com as semanas, essas anotações viram algo que um treinador consegue filtrar de verdade.

Isso importa mais do que parece. Uma revisão sistemática de Saw e colegas (2016) mostrou que medidas subjetivas, relatadas pelo próprio atleta, acompanham a carga de treino melhor do que a maioria dos marcadores objetivos. O gargalo sempre foi fazer os atletas registrarem. Reduzir o esforço a uma frase ou a um áudio ajuda.

Ela faz bem: resumir e reescrever

Cole quatro semanas de anotações de treino e peça um resumo antes de conversar com o seu treinador: ela vai destacar os temas que se repetem (o Aquiles que reclama depois das subidas, os treinos de quinta que sempre caem) mais rápido do que você. Ela pode reescrever uma semana em torno de uma limitação, por exemplo uma viagem de trabalho de terça a quinta só com a esteira do hotel, e entregar um rascunho razoável. Pode traduzir uma planilha que o seu treinador escreveu em outra língua. Em todos os casos, você recebe um rascunho para conferir, não uma ordem para seguir.

Usável com cuidado: explicar

Pergunte o que diferencia o treino de limiar dos tiros de VO2máx, ou por que o pace do longão deve parecer fácil, e normalmente você recebe uma explicação decente. O risco é ela acrescentar com segurança um detalhe errado ou citar um estudo que não existe. Modelos de linguagem produzem texto fluente, não fatos conferidos, um problema que os pesquisadores chamam de alucinação (Ji e colegas, 2023). Se uma resposta citar uma fonte, procure a fonte antes de repetir.

Ela faz mal: dar diagnóstico

Digite "dor na parte de fora do joelho depois de 20 km" e você vai receber uma resposta bem arrumada sobre a banda iliotibial, com alongamentos e um plano de volta à corrida. Pode ser que esteja certa. Também pode ser outra coisa completamente diferente, e o modelo não tem como saber: ele não pode examinar você, ver você correr nem apertar o ponto dolorido. Uma resposta plausível para uma pergunta médica é pior do que nenhuma resposta, porque adia a consulta que teria resolvido. Dor que persiste, que faz você mancar, que piora durante a corrida ou que aparece em repouso é assunto para fisioterapeuta ou médico.

Ela faz mal: planilha completa do zero

Düking e colegas (2024) pediram ao ChatGPT planilhas de corrida de seis semanas e colocaram treinadores experientes para avaliá-las segundo 22 critérios. Com pouca informação, a planilha ficou abaixo da nota média em 19 deles. Com informação detalhada ela melhorou bastante, mas os autores continuam desaconselhando seguir essas planilhas sem um treinador. A falha típica é fácil de imaginar: você corre 30 km por semana, pede uma planilha de maratona e a primeira semana vem com 50 km, porque o modelo preencheu o seu histórico com o de um corredor médio.

Ela faz mal: números que você não passou

Pergunte "quanto eu corri em setembro?" sem passar os seus dados e um modelo de chat pode simplesmente inventar um número plausível. Mesmo com os dados colados, somar trinta linhas não é o forte dele. Totais, médias e cálculos de carga devem vir de um software que calcula, e o modelo de linguagem só deveria comentar o resultado.

Como conseguir respostas mais úteis

Dê contexto: suas zonas ou seus tempos recentes, seu volume semanal nas últimas quatro a seis semanas, a prova e a data, os dias em que você pode treinar e qualquer incômodo atual. Peça que ela diga quais suposições está fazendo antes de escrever qualquer coisa. Depois confira o resultado com algumas regras simples: nada de grandes saltos de volume semanal, não mais treinos fortes do que você está acostumado (dois por semana bastam para a maioria dos corredores amadores) e dias leves que sejam leves de verdade.

No OpenAthlete

Os recursos de IA do OpenAthlete ficam do lado do texto dessa linha. A IA escreve um treino estruturado a partir de uma frase usando as suas zonas, altera um treino com uma instrução curta, faz três ou quatro perguntas depois de uma atividade e transforma as respostas numa nota de esforço e num registro de dor para o seu treinador, e dá uma leitura curta de cada atividade. Você vê cada treino antes de ele ir para o relógio. Ela não dá diagnóstico e só funciona com o seu consentimento, com a sua própria chave de API ou com a cota do plano Supporter. A página sobre IA tem os detalhes.

Fontes

• 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