Negli ultimi anni la discussione su intelligenza artificiale e sport si è intensificata, intrecciando aspettative, marketing e qualche semplificazione di troppo. Si parla spesso di algoritmi che “analizzano ogni gesto”, di sistemi che “prevedono la performance”, di piattaforme che “interpretano la fatica”.
Eppure, una parte significativa di questo entusiasmo non si fonda su un’analisi sistematica della letteratura scientifica, ma su impressioni o casi isolati. Per questo la revisione e meta-analisi di Pietraszewski et al. (2025) rappresenta un punto di svolta: è uno dei primi tentativi rigorosi di capire, al netto delle narrazioni, che cosa l’AI sportiva sia realmente in grado di fare oggi e quali siano invece i suoi limiti attuali.
- La sintesi della principale meta-analisi 2025 sull’uso dell’AI nello sport.
- I risultati reali delle performance dell’AI nei diversi sport.
- Le differenze tra sport con dati ricchi e sport con dati poveri.
- I fattori che influenzano l’accuratezza dei modelli.
- I limiti attuali della ricerca e cosa aspettarsi in futuro.
Che cosa volevano scoprire gli autori
“L’AI nello sport funziona davvero?”
Il punto di partenza della review è sorprendentemente lineare: l’AI nello sport funziona davvero? A questa domanda gli autori rispondono selezionando 16 studi condotti su 13 discipline, raccogliendo risultati che spaziano dal riconoscimento dei colpi nel tennis alla classificazione delle azioni nel basket, dalla segmentazione della corsa all’analisi dei parametri ambientali nel ciclismo. L’obiettivo non è valutare un singolo metodo, ma osservare come diversi tipi di dati e diverse metodologie influenzino la qualità dell’output.
Perché confrontare sport diversi è fondamentale
La forza della review sta proprio nell’aver messo sullo stesso tavolo sport estremamente differenti. Gli autori non si accontentano di dire “l’AI è promettente”, ma cercano di capire perché funzioni meglio in alcuni contesti e molto peggio in altri. È un approccio che permette di distinguere i limiti tecnologici da quelli informativi, offrendo una fotografia molto più chiara dell’intero panorama.
Quando l’AI dispone di dati ricchi, la performance è straordinaria
Tennis e basket: due casi in cui l’AI può “vedere” molto
Negli sport in cui il gesto tecnico è ben strutturato e ripetitivo, e soprattutto in cui sono disponibili video ad alta qualità, i modelli di computer vision raggiungono prestazioni impressionanti.
Nel tennis, l’AI riconosce colpi e fasi preparatorie con un’accuratezza vicina al 99%, grazie alla ricchezza delle informazioni visive. Nel basket, reti neurali ibride analizzano azioni di gioco complesse con precisioni simili, sfruttando la possibilità di “leggere” postura, dinamica dei giocatori e geometria del campo.
Numeri così alti dipendono dai dati e dal contesto: fuori dal laboratorio, valutare un modello AI sui propri dati richiede metriche e test che la sola accuratezza non copre.
Perché qui l’AI eccelle
Il motivo è semplice: i dati video sono ricchi, densi, contestuali.
Il modello non deve inferire ciò che accade; può letteralmente osservarlo.
Questo dimostra che quando l’AI “vede bene”, funziona estremamente bene.
Per questo l’uso della intelligenza artificiale nel ciclismo è naturale: algoritmi capaci di processare migliaia di variabili contemporaneamente possono riconoscere condizioni che anticipano un miglioramento o un calo. Gli studi più recenti mostrano che i modelli AI sono in grado di stimare la probabilità di regressione prestativa con giorni di anticipo, favorendo strategie di carico più intelligenti.
Running e ciclismo: quando i dati si impoveriscono, l’AI perde solidità
Il problema non è il modello, ma ciò che l’AI riceve in input
La parte più interessante della review riguarda gli sport endurance, in cui il contesto è fluido e i sensori disponibili non descrivono a sufficienza il comportamento dell’atleta. Qui l’AI passa da prestazioni vicine al 100% a risultati molto più modesti. Il ciclismo è il caso paradigmatico di questa sfida: lo approfondiamo in cosa possiamo fare oggi (e domani) con l’AI nel ciclismo e, sul fronte dei team professionistici, in ciclismo professionistico e AI generativa.
Running: accuratezza tra il 47% e il 59%
Nel running gli studi utilizzano principalmente IMU, Inertial Measurement Units, piccoli sensori basati su accelerometri, giroscopi e magnetometri. Le IMU registrano accelerazioni e rotazioni di segmenti corporei, offrendo una rappresentazione numerica del movimento. Sono utilissime, leggere, economiche e diffuse in molti contesti sportivi.
Tuttavia, hanno una limitazione intrinseca: non offrono informazioni visive o contestuali, non riconoscono la biomeccanica complessiva e non distinguono tra stili individuali.
Perché l’AI fatica in alcuni sport nonostante modelli potenti
Gli studi analizzati utilizzavano architetture sofisticate, comprese LSTM per serie temporali complesse. Eppure, i modelli non superano il 59% di accuratezza nel riconoscere le fasi della corsa.
Il motivo è chiaro: i dati sono rumorosi e altamente variabili, influenzati da scarpe, postura, terreno, stanchezza, posizione del sensore, oscillazione naturale del bacino. L’AI non è in difficoltà perché è “debole”, ma perché ha pochissime informazioni per comprendere un gesto biomeccanico complesso.
Ciclismo: errori medi di oltre 4 km/h
Nel ciclismo l’AI non classifica movimenti ma prevede la velocità, e la qualità del modello si valuta con la MAE, Mean Absolute Error, che indica l’errore medio tra valore reale e valore predetto. Nei modelli migliori inclusi nella review la MAE è di 4,24 km/h, un margine troppo ampio per un uso pratico.
Se un ciclista procede a 40 km/h, il modello può stimare 36 oppure 44 km/h.
Perché il ciclismo è così difficile da modellare
Qui il problema è ancora più evidente: mancano del tutto informazioni fondamentali come vento, pendenza, scie, microvariazioni di potenza, condizioni del fondo stradale. I sensori standard, come GPS o cardio, non restituiscono un’immagine completa dello sforzo. L’AI, con questi dati, può soltanto approssimare.
Cosa suggerisce la review: l’AI funziona quando ha dati ricchi, fatica quando ne ha pochi
Gli autori insistono su un concetto chiave: la complessità del modello spiega molto meno della qualità dei dati. Non è l’algoritmo, è la qualità e la varietà del dato
Dove i dati sono ricchi, strutturati, contestuali, l’AI raggiunge livelli altissimi.
Dove i dati sono poveri, rumorosi o frammentati, anche i modelli più avanzati falliscono.
Il futuro dipende dall’integrazione dei dati
La review suggerisce implicitamente che la vera innovazione non sarà costruire reti neurali più grandi, ma piattaforme capaci di:
- integrare sensori diversi,
- combinare video con dati fisiologici,
- considerare contesto ambientale,
- analizzare serie temporali longitudinali,
- restituire non solo predizioni, ma interpretazioni trasparenti.
Che cosa significa tutto questo per l’evoluzione dell’AI nello sport
L’AI non sostituirà l’allenatore, ma gli fornirà un quadro più completo. Negli sport tecnici, l’AI aiuterà a leggere la biomeccanica; negli sport endurance diventerà uno strumento di interpretazione della storia atletica, più che un generatore di numeri. Tutto dipenderà dalla capacità di raccogliere, pulire e integrare dati in modo intelligente.
Una direzione progettuale possibile
In questa prospettiva, l’ultima parte della review può essere letta come un invito verso piattaforme in grado di connettere basi di conoscenza, sensori, dati longitudinali e capacità interpretative. È lo stesso tipo di architettura che sta emergendo in progetti conversazionali avanzati.
Soluzioni come MIMÌR AI AGENT, pur non essendo oggi orientate specificamente allo sport, incarnano questa logica: non generare “predizioni miracolose”, ma fornire una struttura che integri dati eterogenei e li trasformi in conoscenza utilizzabile, colmando esattamente il divario messo in luce dagli autori della review.
La conclusioni della meta-analisi su Sport e Intelligenza Articiale
La meta-analisi di Pietraszewski et al. (2025) descrive con lucidità limiti e possibilità di modelli di intelligenza artificiale basati su tecniche come il deep learning e il machine learning. Come queste due discipline possano arricchirsi grazie alla intelligenza artificiale generativa è tutto nel prossimo futuro.
In particolare, negli sport endurance, dove i segnali sono molti, variabili, e in parte senza un contesto che li contenga, l’AI generativa potrebbe colmare quel gap e rendere queste soluzioni altamente competitive per il running e il ciclismo.
Dalla lettura di questa review una lezione generale arriva: l’AI sportiva potrà diventare veramente utile solo quando avrà accesso a dati più ricchi, più integrati, più “vicini” alla complessità reale dell’atleta. E sarà in quel momento che tecnologie conversazionali, motori di integrazione dati e sistemi di interpretazione, come quelli su cui si stanno sviluppando nuovi modelli, potranno davvero contribuire a cambiare il modo in cui leggiamo, interpretiamo e miglioriamo la performance
Fonti:
The Role of Artificial Intelligence in Sports Analytics: A Systematic Review and Meta-Analysis of Performance Trends. Applied Sciences, Pietraszewski, P., Goliwas-Słonina, J., Walowski, S., Ucińska-Durlik, M., Kuska, M., Durlik, A., Uciński, K., Teul, I., Kowalczyk-Niwińska, N., Płomiński, A., & Kokoszka-Paszkot, J. (2025).
