O arremesso não entrou. A IA sabe por quê?
Quando se põem lado a lado um arremesso que entrou e outro que saiu, as pequenas diferenças saltam aos olhos. Numa época em que a IA aponta os movimentos do corpo, até onde podemos confiar nessas diferenças? Comparando dois vídeos de basquete, olhamos o espaço entre análise e treino.
AI & SPORTS / 04
Coloquemos dois vídeos de arremesso lado a lado. Num deles a bola entrou; no outro, não. No segundo vídeo, o cotovelo parece um pouco mais baixo. Daí nasce uma explicação bastante plausível: será que a bola não entrou porque o cotovelo caiu?
Se a isso somarmos os pontos e as linhas que a IA desenha, a explicação parecerá ainda mais exata. Aquilo que o olho apenas intuía passa a ter coordenadas. Mas até onde esses números conseguem falar? Ter encontrado a diferença entre dois arremessos não é a mesma coisa que ter encontrado a causa do erro.
A técnica de marcar pontos no corpo
Uma das tecnologias que sustentam esse tipo de análise é a estimativa de pose. O MediaPipe Pose Landmarker, do Google, estima onde estão, numa foto ou num vídeo, 33 pontos do corpo, entre eles ombros, cotovelos e pulsos. O nome soa estranho, mas basta imaginar alguém que assiste ao vídeo e vai colando marcas nas principais posições do corpo.
Sobrepostas ao vídeo, essas coordenadas dão à pessoa material para comparar movimentos. É possível, por exemplo, rever a posição do braço no momento da preparação e depois da soltura da bola. A utilidade está em poder apontar para a mesma cena, em vez de dizer “aquela parte de agora”, quando se fala de um gesto que passou num instante.
Só que o que essa ferramenta devolve são posições do corpo. Não é um aplicativo de treino pronto que ensina o arremesso correto no basquete. Que sentido dar às coordenadas, como avaliar o gesto no basquete — isso fica para depois.
Dá para dizer que os dois vídeos mostram a mesma cena?
Voltemos aos dois arremessos do começo. Antes de corrigir o cotovelo que parece baixo, há algo a verificar. E se o primeiro vídeo estiver no instante anterior à soltura da bola e o segundo no meio da elevação do braço? Nesse caso, estaríamos congelando momentos diferentes para dizer que a postura mudou.
A posição da câmera também merece atenção. Foi filmado do mesmo ângulo? O braço não ficou encoberto pelo tronco ou por outra pessoa? Não se pode afirmar que se viu com clareza um cotovelo que saiu do quadro. É por isso que, mesmo quando a IA apresenta coordenadas, é preciso ver a que parte do vídeo original elas correspondem.
E igualar as condições de filmagem não encerra a conversa. O primeiro pode ter sido um arremesso livre e o segundo um arremesso feito para escapar da marcação. A distância pode ter sido outra. Um pode ser um gesto já familiar e o outro um teste de algo recém-aprendido. Se deixarmos essas diferenças de lado e compararmos apenas o cotovelo, a explicação termina rápido demais.
O que o vídeo não explica, a pessoa explica
Por isso, ao rever um vídeo de treino em conjunto, além dos números marcados é preciso ouvir o atleta. Uma pergunta como “o que você tentou mudar na segunda vez?” pode revelar que dois arremessos aparentemente iguais eram, na verdade, duas tentativas diferentes.
Nada disso quer dizer que a análise por IA seja inútil. A ideia é usá-la para descobrir o que vale rever, sem transformar de imediato a diferença encontrada num problema a corrigir. Se a decisão for mesmo mudar a postura, o caminho é examinar juntos as condições de filmagem, o objetivo do treino e a observação de quem orienta.
Na próxima vez que assistir a um vídeo de arremesso, quero primeiro conferir no original as posições que a IA apontou. E quero perguntar a quem arremessou o que estava tentando fazer naquele momento. Até ouvir essa resposta, é melhor deixar o cotovelo que parece baixo como “algo a rever”, e não como “um problema a corrigir”.
Fonte: Google AI Edge · Pose landmark detection guide · consultado em 22/09/2026
Os dois arremessos são um exemplo fictício, criado para a explicação.