Quando abbiamo iniziato NUA quasi due anni fa, l'IA generativa non era ancora adatta alla produzione. Ma anche allora avevamo un'intuizione chiara: non volevamo costruire un'altra app di allenamento — volevamo qualcosa di più vicino a un allenatore. Combinando presenza umana e rigore algoritmico.
Cosa era fondamentalmente rotto
Come atleti, due cose ci sembravano rotte in tutti gli strumenti che usavamo.
Primo, opacità. Le decisioni arrivavano senza spiegazione — "fidati del piano". La fiducia si erode settimana dopo settimana fino a quando abbandoni il piano. Secondo, isolamento. Ricevi un foglio di calcolo, non un compagno. Il piano non sa che sei stanco, stressato o che dubiti di te stesso.
Un allenatore veramente intelligente deve risolvere entrambi: prendere decisioni reali e farti sentire accompagnato.
Il nostro primo approccio — e dove ha fallito
Il nostro MVP si concentrava su ciò che credevamo più importante: un motore di allenamento potente orientato ad atleti seri, un'interfaccia conversazionale via WhatsApp per emulare la vicinanza di un allenatore reale, e la decisione consapevole di non costruire dashboard — strumenti come Strava, Garmin o Intervals.icu lo fanno già bene.
L'idea era semplice: logica di allenamento nel motore, esperienza umana nella chat.
Ha funzionato… finché ha smesso di funzionare.
Quando qualcosa parla come un allenatore, gli atleti si aspettano che ragioni come tale — in qualsiasi situazione. Ma il nostro layer conversazionale spiegava decisioni che non prendeva davvero. Quando la realtà deviava dai percorsi predefiniti, le crepe apparivano.
Non puoi separare l'entità che decide da quella che spiega e aspettarti che la fiducia regga.
Il coaching è un sistema a ciclo chiuso
Ciò che abbiamo finalmente capito è che un allenatore non è un insieme di funzionalità. È un ciclo chiuso: capire le condizioni iniziali, pianificare, osservare l'esecuzione, spiegare il feedback, ripianificare quando la realtà diverge.
E questo ciclo esiste su più livelli simultaneamente — obiettivi stagionali, macrocicli, struttura settimanale, prontezza giornaliera.
Se parti diverse del sistema ragionano indipendentemente su ogni livello, la coerenza si perde. Le tue ripetute del martedì esistono per la tua gara di marzo, la tua fatica dell'uscita di domenica e il fatto che ieri notte hai dormito male.
Dove l'IA generativa ha davvero aiutato
Quando l'IA generativa è diventata sufficientemente affidabile, inizialmente l'abbiamo pensata come un miglioramento UX: più empatia, più flessibilità.
Ma il valore profondo era altrove. Non eliminare regole — astrarle.
Invece di migliaia di branch if/else, ora definiamo quali strategie sono permesse, quali vincoli non devono mai essere violati, e quali dati contano a ogni livello di decisione. Dentro quello spazio controllato, l'IA seleziona e giustifica decisioni — ma non inventa mai capacità che il sistema non ha.
Oggi NUA funziona come un sistema ibrido: la struttura algoritmica garantisce sicurezza e consistenza, mentre l'IA opera come un layer decisionale vincolato con più di 60 agenti specializzati, governati da regole di scienza dello sport. Crucialmente, la stessa entità decide e spiega.
Assorbire complessità, non esportarla
Internamente, tracciamo un gran numero di metriche — esecuzione delle sessioni, dinamiche di carico, trend di recupero, segnali di prestazione.
Ma l'atleta deve sperimentare chiarezza, non carico cognitivo.
Dashboard, grafici TSS, curve CTL — esternalizzano la complessità sull'atleta. Ti trasformano nell'analista delle tue prestazioni. Il nostro lavoro è assorbire quella complessità, non esportarla. Dirti cosa fare oggi, e perché.
Gli atleti non vogliono dedicare energia mentale a micro-decisioni che un sistema può ragionare con più consistenza. Vogliono concentrarsi sull'esecuzione, la sensazione e l'intenzione. Il buon coaching ha sempre fatto questo. L'IA permette semplicemente di scalarlo.
Ancora un lavoro in corso
Non consideriamo NUA finito — neanche lontanamente. Ogni iterazione nasce dal renderci conto di dove il nostro modello mentale precedente di allenatore era incompleto.
Ma se abbiamo imparato qualcosa, è questo: costruire un allenatore IA ha meno a che fare con aggiungere intelligenza, e più con preservare coerenza, fiducia e spiegabilità man mano che la complessità cresce.