Come l'IA personalizza i tuoi allenamenti

La maggior parte delle persone pensa che la personalizzazione degli allenamenti con IA significhi rispondere a un questionario sugli obiettivi e ricevere un programma preconfezionato. Questo somiglia più a un test della personalità che a vera intelligenza. La versione significativa della personalizzazione con IA coinvolge algoritmi che osservano cosa fai, misurano come rispondi e modificano cosa viene dopo basandosi su dati di prestazione reali, non sul tuo livello di fitness dichiarato durante la registrazione. La distanza tra queste due versioni spiega perché alcune app di fitness producono adattamento genuino e la maggior parte si limita a ruotare esercizi su un timer.

Uno studio crossover randomizzato del 2024 (Doherty et al., PMID 39622712) ha testato questo direttamente. Quando 62 partecipanti si sono allenati con un’app che utilizzava l’apprendimento per rinforzo per selezionare gli esercizi, si sono esercitati con maggiore intensità e hanno riportato maggiore soddisfazione rispetto a quando la stessa app usava un algoritmo standard. Il sistema di apprendimento per rinforzo ha ottenuto una soddisfazione media di 4,0 sulla Scala di Piacere dell’Attività Fisica contro 3,73 nella condizione di controllo. Non è una differenza enorme in isolamento, ma il pattern dietro conta: l’algoritmo ha imparato preferenze e tolleranze individuali nel tempo, producendo sessioni che spingevano senza sopraffare.

La posizione ufficiale dell’American College of Sports Medicine sulla prescrizione di esercizio (Garber et al., PMID 21694556) è esplicita sul perché questo sia importante: la programmazione efficace richiede individualizzazione. Persone con profili di fitness apparentemente simili rispondono in modo diverso allo stesso stimolo. Età, storia di allenamento, capacità di recupero, carico di stress e qualità del sonno influenzano come un allenamento si traduce in adattamento. Un modello fisso progettato per una persona statisticamente media non si adatta a quasi nessuno nella realtà. La domanda, quindi, è se le macchine possano fornire il tipo di regolazione reattiva che l’ACSM raccomanda. Le prove emergenti suggeriscono di sì, entro limiti specifici.

Cosa vede realmente l’algoritmo

Un algoritmo di fitness adattivo non comprende il tuo corpo come farebbe un allenatore. Comprende pattern nei dati. Gli input tipici includono tassi di completamento delle sessioni, valutazioni di difficoltà dell’esercizio (spesso catturate come Tasso di Sforzo Percepito, o RPE), tempo per serie, durate di riposo e frequenza cardiaca quando sono disponibili dati da wearable. Da questi segnali, il sistema costruisce un modello della tua capacità attuale e lo usa per prevedere come dovrebbe essere la sessione successiva.

Il Dr. Carl Foster e colleghi (PMID 11357117) hanno stabilito il metodo dell’RPE di sessione come strumento affidabile per quantificare il carico di allenamento interno attraverso tutti i tipi di esercizio. L’idea centrale è che le valutazioni soggettive dello sforzo, raccolte in modo coerente dopo ogni sessione, forniscono un quadro accurato della fatica accumulata che le metriche esterne da sole non catturano. Un’app che raccoglie dati RPE dopo ogni allenamento fa qualcosa di qualitativamente diverso da una che conta solo le ripetizioni completate. Sta tracciando quanto è sembrato difficile il lavoro per te, che è il segnale che conta di più per evitare sia il sotto-allenamento che il sovrallenamento.

Una revisione sistematica del 2025 di Jubair e Mehenaz (DOI 10.1177/20552076251355365) ha esaminato come i sistemi di apprendimento automatico integrati negli smartwatch forniscono prescrizioni di esercizio personalizzate. La revisione ha riscontrato che questi sistemi raggiungevano una precisione superiore al 98% nel riconoscimento delle attività e potevano regolare intensità, durata e tipo di esercizio in tempo reale sulla base del feedback fisiologico. Il fattore limitante non era la capacità algoritmica ma la qualità dei dati: i sistemi che lavoravano con input coerenti e onesti producevano raccomandazioni significativamente migliori rispetto a quelli che lavoravano con dati sporadici o imprecisi.

Pensaci come a un GPS che ricalcola un percorso. L’algoritmo non ha bisogno di capire l’ingegneria stradale per portarti da qualche parte in modo efficiente. Ha bisogno di dati di posizione precisi e di un ciclo di feedback. Manchi un’uscita, e ricalcola. C’è traffico, e reindirizza. Allo stesso modo, quando salti una sessione, un algoritmo di fitness ben progettato non sposta semplicemente tutto in avanti di un giorno. Ricalcola la tua fatica accumulata, regola il volume della sessione successiva e forse sostituisce un allenamento di recupero a bassa intensità al posto del giorno intenso pianificato.

Apprendimento per rinforzo: il sistema che impara dalle tue scelte

L’approccio più promettente nel fitness adattivo è l’apprendimento per rinforzo, un ramo dell’apprendimento automatico dove il sistema impara per tentativi ed errori, adattando la propria strategia in base ai risultati. Nelle applicazioni fitness, il segnale di «ricompensa» è tipicamente una combinazione di aderenza (hai completato la sessione?) e soddisfazione (l’hai valutata positivamente?).

Fang e Lee (2024, PMID 38384365) hanno sviluppato un sistema di apprendimento per rinforzo profondo che aggiorna dinamicamente gli obiettivi di esercizio usando dati retrospettivi e traiettorie comportamentali realistiche. Invece di fissare un obiettivo e sperare che gli utenti lo raggiungano, il sistema adatta i target in base a ciò che ogni persona ha effettivamente fatto nelle sessioni recenti, tenendo conto della relazione fitness-fatica che gli scienziati dello sport usano per periodizzare l’allenamento. Se le tue sessioni recenti suggeriscono che accumuli fatica più velocemente di quanto recuperi, il sistema riduce. Se i tuoi tassi di completamento e i punteggi RPE indicano che sei nella zona di comfort, spinge di più.

Questo differisce dal semplice sovraccarico progressivo, dove la difficoltà aumenta secondo un calendario fisso. Un sistema di apprendimento per rinforzo distingue tra un utente che ha mancato martedì perché era esausto e uno che ha mancato martedì perché era in viaggio. Il primo potrebbe aver bisogno di una settimana di scarico; il secondo potrebbe essere pronto per l’allenamento originariamente pianificato. L’algoritmo fa questa distinzione non leggendo la mente ma attraverso il riconoscimento di pattern: una serie di punteggi RPE calanti seguita da una sessione mancata appare diversa da una singola sessione mancata seguita da RPE normale.

Lo studio DIAMANTE (Aguilera et al., 2024, PMID 39378080) offre la prova clinica più solida di questo approccio. In uno studio randomizzato di 24 settimane con 168 partecipanti, il gruppo che ha ricevuto messaggi di testo ottimizzati tramite apprendimento per rinforzo sull’attività fisica ha raggiunto un aumento del 19% nei passi giornalieri (606 passi aggiuntivi su una base di 3.197). Il gruppo con messaggi casuali ha raggiunto solo il 3,9%, e il gruppo di controllo l’1,6%. Il sistema adattivo ha imparato quali tipi di messaggio, orari e inquadramenti funzionavano per ogni individuo, fornendo di più di ciò che funzionava e meno di ciò che non funzionava.

Dove la personalizzazione con IA resta insufficiente

L’onestà sui limiti separa la tecnologia utile dal marketing. La personalizzazione degli allenamenti con IA ha tre punti ciechi significativi che nessuna sofisticazione algoritmica affronta attualmente.

Il primo è la qualità del movimento. Un algoritmo può rilevare che hai completato 15 flessioni in 38 secondi. Non può rilevare che la parte bassa della schiena cedeva, i gomiti si aprivano e compensavi con slancio nelle ultime cinque ripetizioni. Una tecnica scorretta mantenuta per mesi porta a infortuni, e i dati sugli infortuni sono l’unica cosa che nessun modello di apprendimento automatico vuole nel proprio set di addestramento. Questo è l’argomento più forte per combinare la programmazione con IA con almeno alcune sessioni di coaching umano per stabilire schemi motori sicuri prima di delegare all’algoritmo.

Il secondo punto cieco è il contesto psicologico. Potresti valutare una sessione 7 su 10 sulla scala RPE dopo una giornata terribile al lavoro, quando la stessa sessione in una buona giornata sarebbe stata un 5. L’algoritmo vede un 7 e conclude che la sessione era adeguatamente impegnativa. Non ha accesso al contesto emotivo che ha gonfiato il numero. Nel tempo, il reporting coerente dell’RPE attenua queste fluttuazioni, ma le sessioni singole possono essere lette male, e le letture errate si accumulano se l’utente non è consapevole dell’effetto.

La terza limitazione è il contesto nutrizionale e di recupero. Carenza di sonno, assunzione inadeguata di proteine, alto stress e disidratazione influenzano le prestazioni in allenamento e il recupero in modi che un algoritmo di allenamento non misura direttamente. Alcune piattaforme wearable stanno iniziando a integrare dati sul sonno, ma l’integrazione rimane rudimentale. (Se hai mai ricevuto un «punteggio di recupero» da uno smartwatch che ti consigliava riposo in un giorno in cui ti sentivi benissimo, hai sperimentato questo divario in prima persona.)

Il ciclo dei dati: perché la costanza conta più dell’intensità

Il fattore più importante nella personalizzazione degli allenamenti con IA non è la sofisticazione dell’algoritmo. È la costanza dei dati che gli fornisci. Un algoritmo mediocre che lavora con 60 giorni di valutazioni RPE oneste e costanti, dati di completamento e tempi di sessione produrrà un programma più individualizzato di un algoritmo sofisticato che lavora con due settimane di dati sporadici.

Lally et al. (2010, PMID 19586449) hanno scoperto che formare un nuovo comportamento in abitudine automatica richiede una mediana di 66 giorni. Questo si allinea direttamente con le esigenze di dati di un sistema di fitness adattivo. Le prime due settimane sono essenzialmente calibrazione: l’algoritmo sta ancora imparando la tua capacità di base, le tue preferenze e i tuoi schemi di recupero. Le settimane dalla terza all’ottava sono dove inizia la personalizzazione genuina, poiché il sistema ha dati sufficienti per distinguere i tuoi pattern dal rumore. Oltre i due mesi, le raccomandazioni iniziano a riflettere un modello genuino della tua risposta individuale all’allenamento piuttosto che ipotesi a livello di popolazione.

Questo significa che le persone che beneficiano di più della personalizzazione con IA sono quelle che meno hanno bisogno di essere convinte: praticanti costanti che si presentano regolarmente e forniscono feedback onesto. La sfida è che le persone che più hanno bisogno di aiuto con l’aderenza all’esercizio sono spesso quelle il cui impegno incostante priva l’algoritmo dei dati necessari per aiutarle. Un onboarding ben progettato, sessioni di breve durata e meccaniche di gamification esistono per risolvere questo problema dell’uovo e della gallina, rendendo le prime settimane abbastanza coinvolgenti da generare la base dati che permette la personalizzazione reale in seguito.

Come i sistemi adattivi regolano le tre variabili dell’allenamento

Quando un sistema di IA ha dati sufficienti con cui lavorare, modifica tre variabili primarie dell’allenamento: volume, intensità e selezione degli esercizi. Capire come funzionano queste regolazioni ti aiuta a valutare se un’app fa personalizzazione genuina o semplicemente mescola un mazzo di esercizi.

La regolazione del volume significa cambiare quanto lavoro totale fai in una sessione o nel corso di una settimana. Se i tuoi punteggi RPE sono saliti per tre sessioni consecutive, un sistema ben progettato riduce le serie totali o accorcia la durata della sessione del 10-15%, poi monitora se il tuo RPE si normalizza. Questo è l’equivalente digitale di ciò che gli allenatori chiamano «scarico autoregolato», e previene l’accumulo di fatica che porta a plateau e sovrallenamento. Lo studio di Doherty et al. del 2024 (PMID 39622712) ha mostrato che la condizione di apprendimento per rinforzo produceva maggiore intensità di esercizio insieme a maggiore soddisfazione, precisamente perché il sistema gestiva il volume in modo da prevenire la spirale negativa della fatica eccessiva.

La regolazione dell’intensità opera sulle valutazioni di difficoltà. Se stai completando sessioni a un RPE di 4 su 10, il sistema dovrebbe spingerti verso varianti più difficili. Se valuti costantemente le sessioni a 8 o più, dovrebbe moderare la difficoltà. La zona target per un allenamento produttivo (ciò che gli scienziati dell’esercizio chiamano «stimolante ma recuperabile») si colloca tipicamente tra RPE 6 e 8 per la maggior parte delle sessioni, con giorni periodici di intensità più alta e sessioni deliberate di recupero a intensità ridotta.

La selezione degli esercizi è dove l’apprendimento automatico diventa genuinamente utile. Invece di scorrere una libreria fissa di esercizi in un ordine predeterminato, un sistema adattivo può identificare quali esercizi completi in modo affidabile, quali salti o valuti negativamente, e quali producono il miglior rapporto aderenza-sforzo per il tuo profilo. Se abbandoni costantemente le sessioni che iniziano con burpees ma completi quelle che iniziano con squat, il sistema impara a mettere per primi i movimenti che tolleri e a riservare gli esercizi più impegnativi per dopo nella sessione, quando il tuo impegno è già consolidato. Questa è ingegneria comportamentale, e funziona.

Cosa cercare in un’app fitness adattiva

Non tutte le app che dichiarano personalizzazione con IA la mantengono. Tre caratteristiche distinguono i sistemi adattivi genuini dai randomizzatori di esercizi vestiti di marketing.

La prima è la raccolta dati oltre il completamento. Le app che sanno solo se hai finito un allenamento operano alla cieca. Cerca sistemi che chiedano come ti è sembrata la sessione (RPE o valutazione simile), traccino i periodi di riposo e integrino opzionalmente dati da wearable per la frequenza cardiaca. Più canali di input significano un modello più ricco del tuo stato di allenamento.

La seconda caratteristica sono i cambiamenti visibili nel programma. Se la tua app serve la stessa struttura settimana dopo settimana indipendentemente dalle tue prestazioni, non si sta adattando. La personalizzazione genuina produce sessioni che variano in risposta a ciò che hai fatto. Dovresti notare settimane in cui il volume scende leggermente dopo un periodo intenso e settimane in cui l’intensità sale dopo una fase di recupero.

Il terzo indicatore è che il sistema gestisca le sessioni mancate in modo intelligente. Perdere un giorno non dovrebbe semplicemente spostare tutto in avanti. Dovrebbe attivare un ricalcolo. Hai mancato perché eri affaticato (suggerendo uno scarico) o per un conflitto di agenda (suggerendo che la sessione pianificata è ancora appropriata)? Alcune app chiedono perché hai mancato; altre lo deducono dai pattern. Entrambi gli approcci sono meglio che avanzare ciecamente il calendario.

RazFit applica questi principi attraverso i suoi allenatori IA, Orion per la programmazione focalizzata sulla forza e Lyssa per il cardio, con sessioni da 1 a 10 minuti che si adattano in base ai tuoi dati di completamento e alle valutazioni di difficoltà. Il formato di sessioni brevi risolve il problema della costanza dei dati abbassando la barriera alla partecipazione regolare, e il livello di gamification fornisce l’impalcatura comportamentale che mantiene gli utenti presenti durante i primi 60 giorni critici mentre l’algoritmo si calibra.

Il prossimo allenamento è quello che conta

La personalizzazione degli allenamenti con IA non è una soluzione magica. È un ciclo di feedback. L’algoritmo migliora man mano che gli fornisci più dati, e i dati si accumulano solo se continui a presentarti. La ricerca è chiara sul fatto che i sistemi adattivi superano i programmi statici sia in aderenza che in soddisfazione, ma il vantaggio si moltiplica nel tempo.

Inizia con valutazioni di sforzo oneste. Completa le sessioni a un ritmo genuinamente impegnativo ma sostenibile. Dai al sistema dalle 8 alle 10 settimane prima di giudicare se la personalizzazione ti sembra accurata. Osserva se le tue sessioni cambiano in risposta alle tue prestazioni, perché questo è il segnale più chiaro che stai lavorando con un sistema che impara invece di uno che indovina.

Lo studio DIAMANTE ha visto i suoi effetti più forti dopo 24 settimane di impegno costante. Lo studio crossover di Doherty et al. ha avuto bisogno di 12 settimane per dimostrare differenze significative. Lo schema è coerente: la personalizzazione con IA è un gioco a lungo termine. Le persone che la trattano come tale, che investono nel ciclo dei dati e si fidano del processo, sono quelle che scoprono che il loro programma inizia a sembrare scritto da qualcuno che le conosce. Perché, in un senso reale, è così.

Articoli correlati

• Personal Trainer AI: Funzionano Davvero?
• Come la Gamification Trasforma il Fitness

Riferimenti

1. Garber CE et al. (2011). “Quantity and quality of exercise for developing and maintaining cardiorespiratory, musculoskeletal, and neuromotor fitness in apparently healthy adults: guidance for prescribing exercise.” Medicine & Science in Sports & Exercise, 43(7), 1334-1359. PMID 21694556. https://pubmed.ncbi.nlm.nih.gov/21694556/

2. Doherty C et al. (2024). “An evaluation of the effect of app-based exercise prescription using reinforcement learning on satisfaction and exercise intensity: randomized crossover trial.” JMIR mHealth and uHealth. PMID 39622712. https://pubmed.ncbi.nlm.nih.gov/39622712/

3. Aguilera A et al. (2024). “Effectiveness of a digital health intervention leveraging reinforcement learning: results from the DIAMANTE randomized clinical trial.” Journal of Medical Internet Research. PMID 39378080. https://pubmed.ncbi.nlm.nih.gov/39378080/

4. Fang J, Lee VCS et al. (2024). “Enhancing digital health services: a machine learning approach to personalized exercise goal setting.” Digital Health. PMID 38384365. https://pubmed.ncbi.nlm.nih.gov/38384365/

5. Jubair H, Mehenaz M (2025). “Utilizing machine learning algorithms for personalized workout recommendations and monitoring: a systematic review on smartwatch-assisted exercise prescription.” Digital Health. DOI 10.1177/20552076251355365. https://doi.org/10.1177/20552076251355365

6. Foster C et al. (2001). “A new approach to monitoring exercise training.” Journal of Strength and Conditioning Research, 15(1), 109-115. PMID 11357117. https://pubmed.ncbi.nlm.nih.gov/11357117/

7. Lally P et al. (2010). “How are habits formed: modelling habit formation in the real world.” European Journal of Social Psychology, 40(6), 998-1009. PMID 19586449. https://pubmed.ncbi.nlm.nih.gov/19586449/