Fino a qualche anno fa, per costruire un programma di allenamento servivano un allenatore, un cronometro, un diario e tanta esperienza. Oggi basta avere uno smartphone, uno sportwatch e una piattaforma capace di raccogliere i dati delle proprie uscite. Il passo successivo è già arrivato: affidare a un’intelligenza artificiale il compito di interpretarli, riconoscere gli schemi ricorrenti e suggerire come modificare la preparazione.
Il running è uno degli sport nei quali questa trasformazione potrebbe avere un impatto particolarmente significativo. La corsa produce infatti una quantità enorme di informazioni: chilometri percorsi, velocità, frequenza cardiaca, dislivello, ritmo, cadenza, tempi di recupero, carico di allenamento e percezione dello sforzo. A questi elementi si aggiungono i dati relativi al sonno, alla composizione corporea, alla forza muscolare e alla storia degli infortuni.
Il problema non è più soltanto raccogliere queste informazioni, ma riuscire a interpretarle correttamente. Ed è proprio qui che entra in gioco l’intelligenza artificiale. Il cambiamento più interessante non riguarda semplicemente la possibilità di generare una tabella di allenamento in pochi secondi. La vera evoluzione consiste nel tentativo di costruire sistemi capaci di comprendere come risponde il singolo atleta, individuare segnali di affaticamento e riconoscere condizioni che potrebbero precedere un problema fisico.
Una ricerca pubblicata nel 2026 su npj Digital Medicine ha affrontato proprio quest’ultima possibilità, sviluppando modelli di apprendimento automatico per stimare il rischio di infortuni nella corsa. Un lavoro che apre prospettive interessanti, ma che invita anche a distinguere con attenzione ciò che la tecnologia è già in grado di fare da quello che potrebbe diventare possibile nei prossimi anni.
Prevedere gli infortuni prima che si manifestino
Uno degli obiettivi più ambiziosi della medicina sportiva è riuscire a individuare i segnali che precedono un infortunio. Nel running è una sfida particolarmente complessa, perché le problematiche muscoloscheletriche raramente dipendono da un unico fattore. Un dolore al ginocchio, una tendinopatia achillea o un problema al piede possono essere il risultato di una combinazione di elementi: incremento troppo rapido dei chilometri, recupero insufficiente, precedenti infortuni, debolezza muscolare, alterazioni biomeccaniche e disponibilità energetica inadeguata.
Anche la distribuzione degli allenamenti durante la settimana può avere un ruolo. Due runner che percorrono lo stesso numero di chilometri possono avere risposte completamente differenti in funzione dell’intensità delle sedute, della storia personale e della capacità di recuperare.
È difficile individuare una relazione semplice tra una singola variabile e la comparsa di un problema fisico. L’intelligenza artificiale prova a superare questa difficoltà analizzando contemporaneamente molte informazioni.
La ricerca di Han Wu e collaboratori ha sviluppato un modello multidisciplinare per la previsione settimanale degli infortuni nella corsa. Gli autori hanno coinvolto 142 atleti competitivi, monitorandoli per dodici mesi e raccogliendo complessivamente 6.181 osservazioni settimanali valide. Il modello ha preso in considerazione fattori molto diversi tra loro, dalla storia degli infortuni alla forza muscolare, passando per biomeccanica, composizione corporea, nutrizione, allenamento e informazioni genetiche.
Non si tratta quindi di un semplice algoritmo che osserva quanti chilometri abbiamo corso nell’ultima settimana. L’obiettivo è costruire una rappresentazione più completa dell’atleta, cercando di comprendere come le diverse variabili interagiscano tra loro. Il risultato migliore ottenuto nella ricerca ha raggiunto un valore di AUC (un valore numerico, compreso tra 0 e 1, che riassume la capacità di un modello di classificazione binaria di distinguere tra due classi) pari a 0,784, con una prestazione considerata moderata dagli stessi autori. È un risultato promettente, ma ancora lontano da una previsione infallibile.
Perché il chilometraggio non basta
Per un runner amatore il primo indicatore di rischio è spesso il numero di chilometri percorsi. Se la settimana passa da 40 a 60 chilometri, si tende a pensare che il problema sia semplicemente l’aumento del volume. In realtà, la situazione può essere molto più articolata. Un atleta può tollerare un incremento della distanza se ha costruito progressivamente una buona base aerobica, recupera correttamente e distribuisce gli allenamenti in modo equilibrato. Un altro, pur correndo meno, può trovarsi in difficoltà perché accumula sedute intense, dorme poco o presenta una storia di infortuni ricorrenti.
La ricerca sull’intelligenza artificiale applicata alla prevenzione degli infortuni prova proprio a superare questa visione semplificata. Inserendo nello stesso modello informazioni relative a forza, biomeccanica, alimentazione e carico di allenamento, diventa possibile osservare combinazioni di fattori che un’analisi tradizionale potrebbe non riconoscere facilmente. Tra gli elementi considerati nello studio figurano la distanza percorsa nel mese precedente, il volume medio settimanale, la frequenza degli allenamenti intervallati, la storia degli infortuni e alcuni parametri di forza muscolare.
Il modello considera anche il rapporto tra carico recente e carico abituale, oltre a informazioni relative alla nutrizione e alla composizione corporea. L’idea è che il rischio non possa essere letto attraverso un singolo numero, ma debba essere interpretato all’interno di un quadro complessivo.
È una prospettiva particolarmente interessante per gli atleti che preparano una maratona. Nelle settimane di carico, infatti, la combinazione tra lunghi, ripetute, medi e recupero può produrre situazioni molto diverse anche a parità di chilometraggio complessivo. Un sistema capace di leggere l’evoluzione di questi parametri potrebbe aiutare a individuare situazioni che meritano maggiore attenzione, prima che il runner sia costretto a interrompere la preparazione.
Dal laboratorio allo sportwatch: l’allenamento diventa personalizzato
La seconda grande trasformazione riguarda la possibilità di utilizzare l’intelligenza artificiale come assistente per la programmazione degli allenamenti.
Le piattaforme digitali stanno progressivamente superando il modello delle tabelle predefinite. In passato, un programma veniva costruito sulla base di un obiettivo, di un tempo di riferimento e di un numero di settimane disponibili. Una volta iniziato il percorso, le modifiche dipendevano principalmente dall’intervento dell’allenatore o dalle decisioni dell’atleta.
Oggi la disponibilità di dati continui consente di immaginare sistemi più dinamici. Un algoritmo può confrontare gli allenamenti programmati con quelli effettivamente svolti, valutare le variazioni della frequenza cardiaca e osservare come cambia la velocità a parità di sforzo. La differenza è importante. Non si tratta soltanto di sapere se un runner ha corso dieci chilometri in cinque minuti al chilometro, ma di capire come quella prestazione si inserisca nella sua storia recente. Un ritmo che qualche settimana prima richiedeva una frequenza cardiaca elevata potrebbe diventare più economico. Al contrario, un allenamento normalmente gestibile potrebbe risultare insolitamente impegnativo. Queste informazioni, considerate insieme, possono offrire indicazioni utili sullo stato di forma e sul carico accumulato.
La tecnologia sta quindi cercando di passare da una logica prescrittiva a una logica adattiva: non soltanto stabilire cosa fare, ma comprendere quando e perché potrebbe essere opportuno modificare il programma.
Strava e Gemini: l’intelligenza artificiale entra nello storico degli allenamenti
Uno degli sviluppi più recenti arriva da Strava. Nelle scorse settimane, la piattaforma ha annunciato una nuova integrazione con Google Gemini, che consente agli utenti abbonati di collegare il proprio account e ottenere risposte personalizzate basate sulla cronologia delle attività. L‘obiettivo è rendere più semplice l’interpretazione dei dati accumulati nel tempo. Un runner può, per esempio, chiedere se sta diventando più veloce mantenendo la stessa frequenza cardiaca, confrontare le prestazioni nelle gare, analizzare l’effetto degli allenamenti di forza sulla corsa o valutare quanto le condizioni meteorologiche abbiano influenzato un lungo.
La differenza rispetto a una normale ricerca online è evidente. Un motore di ricerca può spiegare come funziona la soglia aerobica, ma non conosce la storia degli allenamenti di una persona. Un assistente collegato ai dati individuali può invece costruire un’analisi contestualizzata, utilizzando le informazioni effettivamente registrate.
Anche in Italia cresce la cultura dell’allenamento digitale
La trasformazione non riguarda soltanto il mercato internazionale. Anche in Italia esistono le condizioni per una diffusione crescente degli strumenti digitali applicati allo sport. Secondo l’indagine Istat sulla pratica sportiva 2024, il 18,7% degli sportivi utilizza applicazioni Internet dedicate al fitness, social network o siti specializzati per supportare la propria attività. La percentuale sale al 29,1% tra le persone di età compresa tra 25 e 44 anni.
Un altro dato interessante riguarda il rapporto con gli allenatori. Il 45,6% degli sportivi dichiara di essere seguito da un allenatore o istruttore, in presenza oppure da remoto. La quota è particolarmente elevata tra le donne, con il 55,2%, rispetto al 38,2% degli uomini.
Sono dati riferiti alla pratica sportiva complessiva, non soltanto al running, ma indicano quanto gli strumenti digitali e il supporto tecnico siano ormai parte della vita sportiva di una quota significativa della popolazione.
Per il runner italiano l’intelligenza artificiale potrebbe rappresentare un ulteriore passaggio di questa evoluzione. Non necessariamente un’alternativa all’allenatore, ma uno strumento capace di rendere più accessibili informazioni che fino a oggi richiedevano competenze specifiche o l’intervento di un professionista.
Il rischio di affidarsi troppo agli algoritmi
C’è però un aspetto che merita particolare attenzione. La disponibilità di una grande quantità di dati non garantisce automaticamente una migliore interpretazione della condizione fisica. Uno sportwatch può registrare una frequenza cardiaca anomala, ma non conosce necessariamente il motivo per cui si è verificata. Un algoritmo può individuare un aumento del carico, ma non sapere se il runner ha affrontato una giornata lavorativa particolarmente stressante, ha dormito male oppure sta attraversando un periodo di difficoltà personale.
Anche la ricerca sulla previsione degli infortuni presenta limiti importanti. Il campione di 142 atleti è relativamente piccolo e composto da runner competitivi. Il modello ha ottenuto risultati moderati e gli stessi autori sottolineano la necessità di ampliare la raccolta dei dati e di procedere con una validazione esterna prima di arrivare a un’applicazione commerciale generalizzata.
Questo significa che non siamo ancora nella condizione di chiedere a un’applicazione se possiamo correre una maratona senza rischiare un infortunio e considerare la risposta una garanzia. La prevenzione resta un processo multidisciplinare. Il confronto con un medico, un fisioterapista o un allenatore qualificato non può essere sostituito da una previsione statistica.
C’è anche una questione relativa alla privacy. Le informazioni sugli allenamenti, sul sonno, sulla frequenza cardiaca e sulla salute sono dati personali che devono essere gestiti con attenzione. Prima di collegare più piattaforme è importante conoscere quali informazioni vengono condivise, con quali finalità e per quanto tempo vengono conservate.
Il futuro è un allenatore umano supportato dall’intelligenza artificiale
La prospettiva più interessante non è quella di un running nel quale ogni decisione viene affidata a una macchina. È piuttosto un modello in cui l’intelligenza artificiale aiuta a interpretare le informazioni e permette all’allenatore di concentrarsi maggiormente sulle decisioni che richiedono esperienza, sensibilità e conoscenza dell’atleta.
Un algoritmo può confrontare migliaia di allenamenti, individuare variazioni statistiche e riconoscere correlazioni difficili da osservare a occhio. Ma un allenatore può comprendere il contesto, ascoltare il runner, riconoscere quando una difficoltà è temporanea e decidere se una seduta debba essere modificata.
La stessa cosa vale per il runner amatore. L’intelligenza artificiale può aiutare a comprendere perché una prestazione sia migliorata, come si distribuiscono i carichi e quali segnali meritino attenzione. Non può però eliminare la necessità di imparare ad ascoltare il proprio corpo.
Il futuro del running sarà probabilmente caratterizzato da una maggiore integrazione tra dati, scienza e competenza umana. La tecnologia potrà rendere più preciso l’allenamento e, forse, contribuire a ridurre il numero degli infortuni. Ma la qualità di una preparazione continuerà a dipendere dalla capacità di trasformare le informazioni in decisioni sensate.
