Allenarsi con l’intelligenza artificiale
Il mio esperimento verso una granfondo MTB
Dai dati iniziali al giorno della gara: cosa succede quando usi l’IA per pianificare gli allenamenti… e cosa invece resta ancora di umano.
Negli ultimi mesi ho deciso di fare un piccolo esperimento personale: usare l’intelligenza artificiale come supporto per la preparazione di una gara.
L’idea non era sostituire un preparatore o reinventare il modo di allenarsi, ma capire se uno strumento basato sui dati potesse aiutarmi a organizzare meglio il tempo a disposizione e a interpretare con più attenzione gli allenamenti.
Il test perfetto per questo esperimento è stata la Bardolino Bike, una granfondo MTB di circa 40 km con poco meno di 1000 metri di dislivello. Un percorso abbastanza impegnativo da richiedere ritmo, gestione dello sforzo e capacità di rilancio in salita.
L’obiettivo era semplice: partire dai miei dati reali e costruire un programma di allenamento progressivo utilizzando l’IA come strumento di analisi e pianificazione.
I dati di partenza
Prima di iniziare ho raccolto alcuni numeri di riferimento.
Peso circa 79 kg, una FTP stimata intorno ai 220 watt e una disponibilità di allenamento piuttosto limitata: tre sessioni sui rulli durante la settimana e una uscita più lunga nel weekend, quando gli impegni lavorativi e familiari lo permettono.
Le sessioni indoor non superavano quasi mai un’ora o un’ora e mezza, mentre nel fine settimana cercavo di uscire per circa tre ore, spesso su percorsi mountain bike con single track.
In altre parole, un programma di allenamento molto realistico per chi lavora e deve incastrare la bici tra gli impegni della settimana.
L’obiettivo non era aumentare il volume di allenamento, ma rendere più efficiente il tempo disponibile.
Oltre a questo dovevo ri-adattarmi alla guida della mountain bike che nel 2025 non ho praticamente toccato per tutto l’anno. La tecnica di guida non si perde ma si atrofizza un pochino, così come la capacità di valutare gli ostacoli ed adattare la guida in base al percorso.
Costruire il programma con l’IA
Il ruolo dell’intelligenza artificiale è stato principalmente quello di analizzare i dati e aiutarmi a strutturare le settimane di allenamento.
Il programma è stato organizzato in modo piuttosto semplice:
Tre allenamenti sui rulli durante la settimana, ognuno con un obiettivo specifico.
Una uscita più lunga nel weekend per lavorare sulla resistenza e sul ritmo gara.
Tra i lavori più interessanti introdotti durante il programma ci sono stati gli intervalli di Climbing Efficiency, pensati per migliorare l’efficienza della pedalata in salita.
Dai dati delle gare precedenti era emerso infatti che tendevo a spingere rapporti piuttosto duri, con cadenze relativamente basse. Questo può funzionare per brevi tratti, ma alla lunga aumenta l’affaticamento muscolare.
Gli allenamenti erano quindi costruiti per mantenere la stessa potenza aumentando gradualmente la cadenza, in modo da rendere la pedalata più economica nelle salite lunghe.
Una settimana tipo di allenamento (gennaio)
Durante il periodo di costruzione della forma, a gennaio, la struttura della settimana era piuttosto semplice e pensata per essere sostenibile nel lungo periodo. Non c’erano volumi enormi, ma allenamenti mirati a migliorare l’efficienza e la capacità di tenere potenze costanti.
La settimana prevedeva tre sessioni sui rulli durante i giorni lavorativi e una uscita più lunga nel weekend. Gli allenamenti indoor non superavano quasi mai l’ora o l’ora e un quarto, mentre l’uscita del fine settimana era dedicata alla resistenza e alla pedalata continua.
Una settimana tipica era organizzata in questo modo.
Il primo allenamento della settimana era dedicato al lavoro vicino alla soglia, spesso sotto forma di intervalli Sweet Spot, cioè tra l’88% e il 92% della FTP. Questo tipo di lavoro è molto efficace per migliorare la resistenza alla fatica senza richiedere tempi di recupero troppo lunghi. In pratica, intervalli da 10–12 minuti a potenza sostenuta alternati a brevi recuperi.
Il secondo allenamento era invece più orientato all’efficienza e alla tecnica di pedalata. Qui entravano in gioco esercizi con variazioni di cadenza, pensati per migliorare la fluidità della pedalata e la capacità di mantenere la stessa potenza con cadenze leggermente più alte.
Il terzo allenamento della settimana era dedicato alla potenza aerobica e agli sforzi più intensi, con intervalli brevi di tipo VO2 max, spesso da tre o quattro minuti. Questo tipo di lavoro è particolarmente utile per migliorare la capacità di affrontare gli strappi e i cambi di ritmo tipici delle gare MTB.
Nel weekend arrivava infine l’uscita più lunga, di solito tra le due ore e mezza e le tre ore. Qui l’obiettivo non era solo accumulare chilometri, ma inserire anche blocchi a ritmo sostenuto, simulando in parte lo sforzo di gara.
Questa struttura relativamente semplice – tre allenamenti di qualità durante la settimana e una uscita lunga nel fine settimana – si è rivelata molto efficace. Con un volume complessivo di circa sei ore settimanali è stato possibile costruire una buona base aerobica e arrivare alla gara con sensazioni solide.
Il ruolo dei dati
Una delle cose più interessanti dell’esperimento è stata proprio la possibilità di interpretare i dati con maggiore continuità.
Ogni settimana venivano osservati alcuni parametri chiave:
la potenza sviluppata durante gli intervalli
il carico di allenamento complessivo
le sensazioni durante le sessioni
Quando un allenamento risultava particolarmente impegnativo o le gambe non rispondevano bene, il carico veniva adattato nella settimana successiva.
Questo è probabilmente uno degli aspetti più utili dell’intelligenza artificiale applicata allo sport: la capacità di leggere rapidamente i dati e trasformarli in indicazioni pratiche.
Il momento del test FTP
Dopo alcune settimane di allenamento strutturato è arrivato anche il momento di verificare se il lavoro stava realmente producendo dei risultati.
Uno dei riferimenti più utilizzati nel ciclismo è la FTP (Functional Threshold Power), cioè la potenza massima che un atleta riesce a sostenere per circa un’ora. Non è un numero perfetto, ma è comunque uno strumento molto utile per misurare i progressi nel tempo.
Il test è stato eseguito sui rulli, utilizzando un protocollo strutturato con una fase di riscaldamento progressivo e un blocco finale ad alta intensità per stimare il valore di soglia.
Il risultato è stato interessante: la nuova FTP stimata risultava più alta di circa 6 watt rispetto al test effettuato un anno prima.
A prima vista potrebbe sembrare un miglioramento marginale, ma nel contesto di un atleta amatore non è affatto trascurabile. Migliorare anche solo di pochi watt significa aumentare la potenza sostenibile e, di conseguenza, la velocità media nei tratti più impegnativi del percorso.
Soprattutto considerando che il volume di allenamento non era particolarmente elevato, ma costruito con sessioni relativamente brevi e molto mirate.
Questo è stato uno dei momenti in cui l’esperimento con l’intelligenza artificiale ha iniziato a prendere forma in modo concreto: i dati confermavano che il lavoro fatto nelle settimane precedenti stava producendo un adattamento reale.
Naturalmente un singolo test non racconta tutta la storia, ma rappresenta comunque un riferimento importante per capire se la direzione intrapresa è quella giusta.
L’IA non sostituisce un preparatore
È importante dirlo chiaramente: l’intelligenza artificiale non sostituisce un preparatore.
Un coach esperto ha qualcosa che nessun algoritmo può replicare completamente: esperienza, sensibilità e capacità di leggere l’atleta anche dal punto di vista umano.
Quello che l’IA può fare, però, è diventare uno strumento di supporto molto interessante, soprattutto per chi si allena da amatore e vuole capire meglio cosa sta succedendo nei propri allenamenti.
In questo senso l’esperimento è stato estremamente positivo.
Il test finale: la gara
Il momento della verità è arrivato con la partecipazione alla Bardolino Bike.
La strategia era semplice: evitare partenze troppo aggressive, mantenere un ritmo sostenibile per circa due ore e sfruttare i tratti scorrevoli, dove di solito riesco a esprimere le potenze migliori.
In gara ho cercato di applicare proprio questo approccio, spingendo in modo costante e cercando di non esplodere nei primi chilometri.
Le sensazioni sono state buone. Nei tratti pianeggianti e scorrevoli sono riuscito a mantenere velocità elevate, mentre in salita ho percepito ancora margini di miglioramento, soprattutto nelle pendenze più ripide.
Cosa mi ha insegnato questo esperimento
Dopo questa prima esperienza posso dire che allenarsi con il supporto dell’intelligenza artificiale è stato interessante e utile.
Non è una scorciatoia, e non è una soluzione magica. Ma può diventare uno strumento efficace per analizzare i dati, organizzare gli allenamenti e capire meglio come reagisce il proprio corpo agli stimoli.
Soprattutto per chi, come molti di noi, deve conciliare lavoro, famiglia e bici.
Il prossimo capitolo
L’esperimento non finisce qui.
Il prossimo obiettivo è una gara marathon MTB all’inizio di giugno, che diventerà il vero banco di prova di questo approccio basato su dati, allenamenti mirati e analisi delle prestazioni. La 100 Km dei FORTI! Ovviamente nel percorso lungo.
Nel frattempo la domanda resta aperta:
l’intelligenza artificiale può davvero diventare un nuovo alleato per chi si allena in bici?
Probabilmente sì.
A patto di ricordarsi che, alla fine, quelli che devono pedalare siamo sempre noi.
Continuate a seguirci! Keep pushing!