O futuro da IA no treinamento: agentes, MCP e o treinador

Há uns dois anos, "treino com IA" queria dizer quase sempre um chatbot que escrevia uma planilha genérica de doze semanas e esquecia você assim que a aba era fechada. O que mudou desde então não é que os modelos de linguagem de repente entendam mais de treino. É que agora eles podem agir: abrir o seu calendário, ler as atividades do mês passado e escrever treinos na planilha que o seu relógio vai baixar amanhã cedo. É isso que se chama de agente, e vale pensar com calma no que isso muda para os treinadores e no que não muda.

O que é MCP, em poucas palavras

O Model Context Protocol é um padrão aberto, apresentado pela Anthropic em novembro de 2024, que permite a um cliente de IA como o Claude ou o ChatGPT chamar ferramentas expostas por outro aplicativo. Uma plataforma de treino pode expor ferramentas como "ler o calendário destas semanas", "obter a carga de treino", "planejar estes treinos" ou "mover este treino para quinta". O modelo decide quais ferramentas chamar e em que ordem. O aplicativo decide o que o modelo pode mexer e confere cada pedido como conferiria um clique do usuário.

Essa separação importa. O modelo entra com a linguagem e o raciocínio; a plataforma fica com os dados, as permissões e as regras. Um modelo que entende você errado pode sugerir uma bobagem, mas não alcança nada que a plataforma não exponha.

Uma segunda-feira realista

Pense num treinador com quinze atletas. Na segunda de manhã, uma delas, a nove semanas de uma maratona, escreve que está gripada desde sábado e que, na melhor das hipóteses, volta na quinta. O trabalho de sempre: abrir o calendário dela, apagar ou mover cinco ou seis treinos, reescrever o resto da semana, encurtar o longão e conferir se a semana seguinte ainda faz sentido. Dez ou quinze minutos, e é a terceira mensagem desse tipo no dia.

Com um agente conectado à plataforma, o treinador pode escrever: "A Anna está doente desde sábado, provavelmente até quinta. Registre isso, deixe tudo leve até domingo, passe o 3 × 15 minutos no ritmo de maratona de sábado para a próxima terça e deixe o longão de domingo em 1h15 leve". O agente registra a doença, lê o calendário, faz as mudanças e responde. O treinador olha a semana no calendário, ajusta uma coisa e segue em frente.

Repare em quem tomou as decisões. Cada escolha naquela instrução (quanto tempo ficar no leve, qual treino merece ser mudado de dia, quanto deve durar o longão) veio do treinador. O agente fez os cliques. Essa é a versão honesta do que os agentes oferecem hoje à assessoria esportiva: a metade administrativa do trabalho fica muito mais barata, e a metade que depende de julgamento continua onde estava.

No que os agentes ainda são ruins

Saber o que não sabem. Um agente monta um bloco mesmo quando os dados são escassos: sem frequência cardíaca em metade dos treinos, sem RPE, com uma semana de viagem que ninguém mencionou. Impellizzeri e colegas defendem há anos que é a carga interna, o quanto o treino custou para aquele atleta, que move a adaptação, e é justamente a parte que mais falta nos dados. Um treinador percebe o buraco. Um modelo tende a preenchê-lo com suposições.

Julgamento de longo prazo. Se vale incluir um terceiro treino de qualidade, quando começar o polimento, se esse atleta precisa agora de uma semana regenerativa ou aguenta mais uma: tudo isso depende de anos de histórico, do trabalho e da família, de como ele reage à fadiga. Quando Düking e colegas (2024) colocaram treinadores experientes para avaliar planilhas de corrida escritas pelo ChatGPT, as planilhas melhoraram bastante com mais informação, mas ainda não foram consideradas ótimas, e os autores recomendam a revisão de um treinador.

Erros cometidos com confiança. Uma zona lida errado transforma um regenerativo num treino de limiar. Uma data deslocada em um dia coloca o longão na véspera de uma prova. Os modelos de linguagem cometem esses erros num texto fluido e razoável, e é isso que faz com que passem despercebidos.

Responsabilidade. Quando uma planilha contribui para uma lesão, alguém precisa assumir essa decisão e conversar com o atleta sobre ela. Um modelo não consegue.

Manter o treinador no circuito, na prática

"Manter uma pessoa no circuito" é fácil de dizer. Numa ferramenta de treino, isso vira algumas escolhas de projeto bem concretas:

• O agente escreve no mesmo calendário que o treinador e o atleta veem. Nada acontece numa camada escondida, então uma mudança errada aparece na hora.
• Ele é instruído a mover e editar treinos em vez de apagar e criar de novo: uma mudança continua sendo uma mudança.
• Treinos concluídos e atividades registradas são histórico. O agente não pode reescrevê-los.
• A IA só funciona depois de um consentimento explícito, que pode ser retirado.
• Os dados vão para o provedor de modelo que você escolheu, com a sua chave. Numa instância auto-hospedada com um modelo local, eles não saem do seu servidor.

Um palpite cauteloso para os próximos anos

O custo administrativo de treinar pessoas vai continuar caindo. Um treinador que passa o domingo à noite reescrevendo as semanas de vinte atletas vai gastar bem menos tempo com isso. Isso pode ir para dois lados: mais atletas por treinador ou mais atenção por atleta. O segundo é o melhor uso, e os atletas vão perceber qual deles o treinador escolheu.

Atletas que treinam sozinhos com um agente vão se dar bem se já sabem como é um bom treino e usam o agente para executá-lo. É mais arriscado para iniciantes, que são os que menos conseguem identificar uma planilha ruim e os que mais tendem a segui-la. Não esperamos previsão confiável de lesões tão cedo: a pesquisa sobre triagem e aprendizado de máquina dá poucos motivos para isso. E a parte do trabalho que consiste em perceber que o "tudo certo" de um atleta não quer dizer tudo certo não vai sumir.

Para experimentar

O OpenAthlete tem um servidor MCP que funciona com o Claude, o ChatGPT e outros clientes. Ele lê o contexto de um atleta, o calendário, as atividades e a carga de treino, registra uma doença ou uma viagem e planeja até 60 treinos de uma vez; depois os treinos aparecem no calendário e vão para os relógios Garmin, Suunto e COROS. É gratuito, e um treinador pode usá-lo com todos os atletas que acompanha.

Fontes

• Model Context Protocol, specification and documentation (introduced by Anthropic in November 2024). modelcontextprotocol.io
• Impellizzeri FM, Marcora SM, Coutts AJ (2019). Internal and external training load: 15 years on. International Journal of Sports Physiology and Performance, 14(2), 270–273. doi:10.1123/ijspp.2018-0935
• 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
• Bahr R (2016). Why screening tests to predict injury do not work—and probably never will…: a critical review. British Journal of Sports Medicine, 50(13), 776–780. doi:10.1136/bjsports-2016-096256