L'intelligenza artificiale nello studio tattico della pallavolo

L'avvento dell'intelligenza artificiale ha un impatto su gran parte delle persone coinvolte nello studio e nell'analisi della pallavolo, in particolare per tutto quello che riguarda i modelli prestativi e gli studi tattici. Il cambiamento è tanto più profondo quanto più si è curiosi e disposti a investire tempo nell'apprendimento delle pratiche di utilizzo più efficaci. Non è una tecnologia che restituisce valore per il solo fatto di essere accesa: restituisce quello che le si porta.

Imparare a usare l'AI

Date per assunte le competenze specifiche di un allenatore o di un assistente chiamato ad analizzare una o più partite, le prime skill da aggiungere alla propria cassetta degli attrezzi sono due: saper scrivere richieste efficaci e, soprattutto, cambiare il modo di porsi le domande.

Usare l'AI come motore di ricerca evoluto è legittimo, ma è l'impiego meno interessante: è il livello a cui si rimane se non si cambia nulla del proprio flusso di lavoro. Il potenziale vero sta nelle attività che senza AI non faremmo affatto, o che faremmo con tempi incompatibili con un calendario di campionato.

La combinazione di richieste efficaci e di flussi di lavoro ripensati è alla base di un approccio che non significa "non dover fare più niente", ma due cose ben diverse: fare prima e meglio quello che già facevamo, e fare cose che prima non potevano essere fatte.

L'AI non impara la pallavolo: gliela insegniamo noi

Qui va sfatato un equivoco diffuso, tanto più insidioso perché l'esperienza quotidiana sembra confermarlo. È vero che nel giro di pochi mesi si è passati dal dover spiegare (talvolta inutilmente) il significato dei codici di una rilevazione scout a ottenere analisi complete su quegli stessi codici senza dover premettere nulla. Ma questo non accade perché il modello "impari" dalle nostre conversazioni: un modello non si aggiorna mentre lo usiamo. Il miglioramento arriva da tre direzioni diverse:

• le nuove generazioni di modelli, che ragionano meglio e reggono contesti molto più ampi;

• il contesto che accumuliamo noi - glossari, regole di lettura, istruzioni di progetto, veri e propri manuali che alleghiamo alla richiesta;

• gli strumenti che costruiamo attorno al modello: skill, memorie, file di progetto che rendono permanente ciò che altrimenti andrebbe ripetuto ogni volta.

La distinzione è tutt'altro che accademica. Se pensiamo che l'AI impari da sola, aspettiamo. Se sappiamo che il contesto va costruito, lo costruiamo: ed è esattamente l'investimento che separa chi ottiene analisi profonde da chi ottiene totali e percentuali.

Vale lo stesso per un'osservazione che fa spesso impressione: l'AI segnala errori sfuggiti al rilevatore. Succede davvero, ma il meccanismo è l'individuazione di incoerenze interne al dato - una sequenza impossibile, un codice fuori posto, un'anomalia rispetto al resto del file - non una verifica contro quello che è realmente accaduto in campo. È un ottimo controllo di qualità, non un arbitro.

Prima di analizzare: preparare il dato

La parte meno raccontata del lavoro è anche quella che ne occupa la quota maggiore: mettere i dati in condizione di essere analizzati. Nomi scritti in modo diverso a seconda della fonte, codifiche non omogenee tra rilevatori, file di partita da riconciliare con le anagrafiche, roster che cambiano in corso di stagione, dati e video che non si parlano.

È probabilmente l'ambito in cui l'AI restituisce il rapporto più alto tra tempo investito e tempo risparmiato, ed è insieme il meno appariscente: normalizzare, uniformare, riconoscere che due grafie diverse indicano lo stesso giocatore, individuare i buchi e le incongruenze. Nessuna analisi sofisticata sopravvive a un dato sporco, e quello che si guadagna qui si ritrova moltiplicato in tutti i passaggi successivi.

Analizzare: la macchina conta, l'umano decide

L'analisi di grandi quantità di dati senza ulteriori strumenti nel mezzo è già di per sé utile, veloce e immediata: si fa prima, si fa meglio, e in parte si fa quello che prima non si poteva fare. Non elimina ovviamente il layer umano, perché rimane sempre una persona a dover prendere decisioni anche sulla base di quelle risultanze.

Anzi, proprio la facilità con cui oggi si maneggiano i dati va arginata. Non tutto ciò che può essere analizzato ha senso, non tutto ciò che può essere dedotto è utile, e non tutto ciò che appare correlato è causale. Con dataset piccoli come quelli di una stagione di pallavolo - poche decine di partite, pochi eventi realmente decisivi per set - la probabilità di imbattersi in regolarità che non esistono è alta, e un modello linguistico è perfettamente in grado di raccontarcele in modo convincente. La domanda "questo numero cambierebbe qualcosa nella mia settimana di allenamento?" resta il filtro più economico che abbiamo.

Visualizzare

Scegliere i dati, esporli e presentarli in maniera chiara è una competenza a sé stante. La data visualization è un mondo a parte, e anche qui l'AI ci viene incontro cambiando il metodo più del risultato. Prima si spendeva tempo per produrre un tipo di grafico, e quel grafico ce lo si teneva. Oggi possiamo spiegare che dati abbiamo, quali informazioni sono le più importanti, a chi servono e in quale momento, chiedere diverse alternative e sceglierne una o due da cui partire per arrivare al prodotto finale.

Il guadagno vero non è estetico: è che il costo di scartare un'ipotesi visiva è crollato. Resta però il vincolo di sempre: un grafico che non risponde a una domanda è decorazione.

Costruire strumenti: il vibe coding

Ancora più vantaggioso è dotarsi di strumenti, anche complessi, che prima non ci si sarebbe nemmeno sognati di implementare: tanto meno da soli, tanto meno senza essere abili programmatori. Ed è qui che entra in campo il vibe coding.

Avere a disposizione qualcosa che assomiglia a un team di sviluppo instancabile, capace di produrre tool, script, siti web, piattaforme e programmi, cambia la scala di ciò che un singolo analista può permettersi. Con due avvertenze.

La prima: il risultato è tanto migliore quanto più si investe nella capacità di formulare richieste, impostare un progetto, valutarne le alternative possibili, riconoscerne i punti di forza e quelli di debolezza. La barriera che è caduta è quella d'ingresso, non quella della qualità.

La seconda: quel team non ha memoria del progetto se non gliela diamo noi, e non ha alcuna responsabilità sul risultato. Documentare le scelte, tenere traccia delle versioni, sapere perché una cosa è stata fatta in un certo modo: tutto questo resta lavoro nostro, e diventa più importante, non meno.

Simulare

L'AI ci permette inoltre di simulare scenari in maniera rapida e massiccia, per avere un'idea - seppure puramente teorica - delle potenziali conseguenze di scelte diverse: rotazioni alternative, convenienza di una battuta più rischiosa, valore di un cambio.

Una precisazione tecnica che in pratica cambia molto: le simulazioni serie non le fa il modello "a mente". Il modello scrive il simulatore, cioè il codice che ripete migliaia di volte una sequenza secondo regole esplicite, e quel codice lo eseguiamo. È una differenza sostanziale, perché rende il metodo ispezionabile: possiamo farci spiegare in dettaglio quali assunzioni sono state adottate, correggere eventuali svarioni e tarare le dinamiche sovra o sottostimate. Un numero prodotto senza un modello visibile dietro non è una simulazione: è un'opinione con i decimali.

E vale sempre il limite della disciplina. In pallavolo la varianza è alta e gli episodi che decidono un set sono pochi: i risultati vanno letti come distribuzioni di possibilità, non come previsioni.

La frontiera: computer vision e rilevazione automatica

L'ambito dal potenziale più alto in termini di tempo e lavoro risparmiati è quello dell'AI abbinata alla computer vision. Ottenere uno scout automatizzato a partire da una ripresa video alleggerirebbe l'operatore umano del grosso del lavoro di quantità, permettendogli di dedicarsi alla qualità - la correzione delle sole valutazioni dubbie - e di investire parte del tempo risparmiato in attività più redditizie, come la costruzione del contesto per analisi sempre più precise, o più creative, come la data visualization.

Vale però la pena distinguere ciò che oggi funziona da ciò che è ancora promessa. Sul dove - traiettorie, posizioni in campo, individuazione degli scambi - i risultati sono ormai solidi. Sul cosa e soprattutto sul perché - la valutazione della qualità di un gesto, l'intenzione dietro una scelta, la lettura di una combinazione - la strada è più lunga, e le condizioni reali pesano molto più di quanto lascino intendere le dimostrazioni: riprese non standardizzate, angoli parziali, occlusioni, palestre diverse ogni settimana.

C'è poi una distinzione che spesso si perde. Chi lavora già con una rilevazione sincronizzata al video ha un problema diverso da chi parte da zero: nel primo caso la computer vision aggiunge informazione a un dato che esiste già, nel secondo dovrebbe sostituire integralmente il lavoro di una persona. Sono due traguardi molto distanti tra loro, e vengono raggiunti in tempi diversi.

Conclusione

Se c'è una cosa che l'esperienza di questi mesi suggerisce, è che i vantaggi dell'AI non dipendono granché dal dominio in cui la si applica: dipendono dalle pratiche con cui la si usa. Partire da un problema reale e non dallo strumento. Curare il dato prima di interrogarlo. Pretendere che il metodo sia sempre ispezionabile. Verificare invece di fidarsi. Rendere permanente il contesto invece di ricostruirlo ogni volta. Tenere la decisione finale in mano a chi ne risponde. Sono principi che valgono per un ufficio studi, per un laboratorio, per una redazione - e valgono esattamente allo stesso modo per chi analizza pallavolo.

È anche il motivo per cui vale la pena investirci tempo: le competenze che si costruiscono così non sono spendibili solo sul prossimo avversario. Chi impara a lavorare in questo modo ottiene un guadagno che si accumula - analisi più profonde, strumenti propri, tempo restituito alle attività che contano davvero - e lo ottiene a prescindere dal fatto che la materia in esame sia una rilevazione scout o qualunque altra cosa.

La tecnologia, da sola, non ha mai vinto una partita. Ma la distanza tra chi la usa con metodo e chi la ignora, o la usa come un motore di ricerca un po' più loquace, nell'arco di una stagione si vede. Il vantaggio competitivo, oggi come prima, sta nella qualità della domanda che un allenatore sa porsi: l'AI, semplicemente, ha reso molto meno costoso cercare la risposta.