Uno dei modi meno intelligenti di parlare di intelligenza artificiale nello sport è chiederle di diventare un allenatore. Il punto non è costruire una macchina capace di distribuire consigli con l’autorevolezza sintetica di chi non ha mai visto un atleta allenarsi. Il punto serio è un altro: usare la capacità di calcolo per osservare più dati, riconoscere configurazioni difficili da cogliere a occhio nudo e restituire al professionista informazioni comprensibili, verificabili e utili alla decisione. Un recente studio di Chen e colleghi, pubblicato su Electronic Research Archive, offre un esempio concreto nel badminton. Il sistema parte dal video, individua il momento di contatto tra racchetta e volano, isola il singolo colpo, ricostruisce le traiettorie articolari e classifica undici tipologie di gesto. Non si limita però a dichiarare se il colpo sia corretto o scorretto: calcola sei indicatori leggibili — velocità dello swing, fluidità della traiettoria del polso, postura di polso e gomito, efficienza degli spostamenti e controllo della racchetta — e li combina attraverso un sistema di inferenza trasparente. Solo alla fine entra in scena un Large Language Model, incaricato di trasformare quella valutazione strutturata in un feedback espresso in linguaggio naturale. La sequenza è decisiva: il modello linguistico non guarda un filmato e improvvisa una lezione; riceve misure, categorie e relazioni già organizzate. Nello studio, il riconoscimento dei colpi ha raggiunto un’accuratezza del 94,34%, il rilevamento del contatto un F1-score del 99,74% e la valutazione human-in-the-loop di tecnici e giocatori ha ottenuto una media di 8,594 su 10. Sono risultati promettenti, ma la parte più interessante non è la gara dei decimali. È il tentativo di rendere visibile il percorso che conduce dal movimento al giudizio.
Questo modello può essere esteso, sul piano concettuale, ben oltre la biomeccanica del badminton. Nella high performance il problema raramente consiste nella mancanza assoluta di dati. Più spesso consiste nella loro frammentazione. Profili attentivi, autovalutazioni, carico percepito, qualità del recupero, sonno, indicatori fisiologici, errori decisionali, osservazioni del tecnico e andamento della prestazione vengono raccolti con strumenti e tempi differenti. Presi separatamente, descrivono segmenti. Integrati longitudinalmente, possono rivelare configurazioni. Un sistema di supporto potrebbe segnalare, per esempio, che gli errori decisionali aumentano quando cresce il carico cognitivo, mentre la precisione tecnica rimane stabile; oppure che una flessione dichiarata dall’atleta non trova conferma negli indicatori osservativi e prestativi; o ancora che una deviazione dalla sua linea di base compare sistematicamente in determinate condizioni di pressione, recupero incompleto o sovraccarico informativo. A quel punto l’LLM avrebbe una funzione utile e circoscritta: tradurre una rete di dati in una sintesi leggibile, formulare ipotesi, evidenziare incongruenze e indicare quali informazioni meritano un approfondimento. Non dovrebbe diagnosticare, né prescrivere automaticamente, né attribuire significati psicologici a una correlazione. Nel badminton studiato da Chen e colleghi, l’AI lavora su indicatori tecnici definiti e su un compito delimitato. Trasferire lo stesso principio alla prestazione complessiva è possibile, ma non equivale ad avere già dimostrato che il sistema funzioni allo stesso modo su attenzione, stress, motivazione o processi decisionali. Questa distinzione è fondamentale, soprattutto in un settore nel quale una dashboard colorata viene talvolta scambiata per conoscenza.
La centralità del professionista, quindi, non si riduce: aumenta. Qualcuno deve decidere quali variabili abbiano senso, come siano state misurate, quanto siano affidabili e quale peso possano assumere in quel momento della stagione e nella storia specifica di quell’atleta. Qualcuno deve distinguere un’associazione statisticamente interessante da un rapporto causalmente plausibile. Qualcuno deve osservare ciò che non entra nel database: un’esitazione, un cambiamento nel tono della voce, una risposta insolita al feedback, la qualità della relazione con il tecnico, il significato che una gara assume per quella persona. L’algoritmo può individuare una deviazione; non sa necessariamente se quella deviazione sia un problema, un adattamento o un rumore. Può confrontare migliaia di dati; non possiede, almeno per ora, l’esperienza situata di chi conosce l’atleta, il contesto e le conseguenze di una decisione. Esiste inoltre un rischio che va preso sul serio: più il sistema appare preciso, più può indurre lo staff a delegargli il giudizio. È l’automation bias, la tendenza a considerare corretta la conclusione della macchina anche quando l’osservazione diretta suggerisce altro. Per evitarlo servono sistemi interpretabili, indicatori tracciabili e professionisti abbastanza competenti da contraddire il risultato quando il risultato non convince. L’AI migliore, nello sport, non è quella che occupa la sedia dell’esperto. È quella che gli consente di vedere prima, mettere in relazione meglio e fare domande più precise. La decisione resta umana non per nostalgia, ma perché la prestazione non è soltanto un insieme di variabili: è un comportamento prodotto da una persona, dentro una situazione, con una storia e uno scopo. La tecnologia può allargare lo sguardo. Per capire ciò che vede, continua a servire qualcuno che sappia guardare.
Almeno per il momento!!
