A inteligência artificial consegue compreender a marca de um atleta?

Nunca produzimos tantos dados sobre atletas.

Sabemos quantas pessoas acompanham uma carreira. O que gera atenção. O que é compartilhado. Como um nome aparece na imprensa. Quais assuntos são associados a ele. Que marcas se aproximam. Como outros atletas ocupam espaços semelhantes.

E agora temos máquinas capazes de cruzar uma quantidade de informação que nenhum de nós conseguiria acompanhar sozinho.

Parece natural chegar a uma conclusão:

quanto mais dados tivermos, melhor compreenderemos aquele atleta.

Mas será?

Talvez exista uma diferença importante entre saber mais sobre alguém e compreender melhor quem essa pessoa é.

E essa diferença pode se tornar ainda mais importante com a inteligência artificial.

Porque encontrar padrões deixou de ser a parte mais difícil.

O desafio começa quando queremos entender o que esses padrões significam.

O atleta que os dados enxergam

No esporte, números sempre tiveram um papel importante.

Performance pode ser medida. Rankings podem ser comparados. Resultados podem ser acompanhados ao longo do tempo.

Nos últimos anos, uma segunda camada cresceu rapidamente ao redor do atleta.

Audiência, engajamento, alcance, exposição na mídia, buscas, conteúdo, crescimento de seguidores, interesses do público, associações com marcas.

Tudo isso passou a ser mensurável.

E isso é extremamente valioso.

O problema talvez comece quando deixamos de perguntar o que esses dados mostram e passamos diretamente a perguntar quem esse atleta é.

São perguntas diferentes.

Um atleta pode ter enorme alcance e pouca clareza sobre aquilo que representa.

Outro pode ter uma audiência menor e uma identidade extremamente reconhecível.

Um pode aparecer constantemente associado a determinado assunto sem considerar aquilo importante em sua própria trajetória.

Outro pode carregar valores muito fortes que ainda são pouco percebidos fora de seu círculo mais próximo.

Qual deles tem a marca mais forte?

Talvez os dados ajudem.

Mas dificilmente responderão sozinhos.

Uma pessoa pode ser muitas coisas dependendo de onde olhamos

Existe outra particularidade quando falamos de atletas.

Estamos falando de pessoas.

Um atleta pode ser percebido de uma maneira por quem acompanha sua carreira de longe e de outra por quem divide com ele a rotina de treinamento.

Pode existir uma imagem pública extremamente consistente e, ao mesmo tempo, aspectos importantes daquela pessoa que praticamente não aparecem publicamente.

O mercado pode reconhecer determinadas características.

A imprensa, outras.

As redes sociais podem amplificar apenas uma pequena parte de tudo isso.

E o próprio atleta pode se enxergar de maneira diferente de todas elas.

Qual dessas percepções representa sua marca?

Talvez nenhuma isoladamente.

Talvez todas façam parte dela.

Marcas humanas não são fotografias.

Elas são construídas ao longo do tempo, na relação entre trajetória, comportamento, escolhas e percepção.

E é justamente por isso que aplicar inteligência artificial a esse universo é tão fascinante — e ao mesmo tempo exige cuidado.

A IA encontra relações que nós talvez nunca enxergássemos

Aqui existe uma transformação difícil de ignorar.

Uma pessoa consegue ler algumas dezenas de matérias sobre um atleta.

Uma máquina pode analisar centenas.

Podemos acompanhar alguns concorrentes.

Uma IA pode comparar muitos deles simultaneamente.

Podemos lembrar de determinados momentos de uma carreira.

Uma tecnologia pode organizar anos de informações, identificar recorrências e relacionar acontecimentos que aconteceram em momentos diferentes.

Isso amplia radicalmente nossa capacidade de observação.

E provavelmente estamos apenas no começo.

Imagine acompanhar simultaneamente esporte, mídia, audiência, comportamento digital, movimentos de marcas, temas culturais e contexto competitivo.

E fazer isso continuamente.

Existe um potencial enorme aí.

Mas então aparece uma pergunta que considero mais interessante:

encontrar uma relação significa compreender seu significado?

Não necessariamente.

Uma boa história também pode estar errada

Modelos atuais de inteligência artificial possuem uma capacidade impressionante de organizar informações e transformá-las em linguagem.

E nós, seres humanos, gostamos de histórias que fazem sentido.

Quando uma explicação conecta diferentes pontos de maneira coerente, nossa tendência é acreditar que encontramos alguma coisa.

Só que coerência não é a mesma coisa que verdade.

Imagine que uma tecnologia observe que determinado atleta passou a aparecer com mais frequência associado a temas de sustentabilidade.

Ao mesmo tempo, conteúdos relacionados ao tema tiveram maior repercussão e algumas marcas desse universo começaram a se aproximar.

É possível construir rapidamente uma interpretação:

sustentabilidade está se tornando um território natural da marca desse atleta.

Pode ser.

Mas também pode ser consequência de um único projeto recente.

Pode ter sido provocado por uma campanha.

Pode refletir mais o interesse da audiência do que o próprio atleta.

Pode ser simplesmente circunstancial.

Ou pode, de fato, revelar algo profundamente coerente com sua história.

Os mesmos dados permitem histórias diferentes.

A diferença está na evidência disponível para sustentar cada uma delas.

E aqui talvez esteja um dos maiores desafios da inteligência artificial aplicada a pessoas:

quanto melhor a tecnologia se torna em construir explicações convincentes, mais importante se torna perguntar de onde aquela explicação veio.

Mais dados não eliminam contexto

Existe uma ideia sedutora de que quantidade de informação resolve incerteza.

Se ainda não compreendemos alguma coisa, coletamos mais dados.

Depois mais.

Até que a resposta apareça.

Mas pessoas não funcionam exatamente assim.

Contexto importa.

Momento importa.

Experiência importa.

Uma escolha feita por um atleta aos 17 anos pode ter um significado completamente diferente da mesma escolha aos 30.

Uma derrota pode ser apenas um resultado esportivo para quem observa de fora e um acontecimento transformador para quem a viveu.

Uma parceria comercial pode parecer perfeitamente coerente pelos dados e ainda assim não fazer nenhum sentido para aquela pessoa.

Existe uma parte da trajetória que pode ser observada.

E existe uma parte que precisa ser compreendida.

A inteligência artificial pode diminuir enormemente a distância entre essas duas coisas.

Não tenho certeza de que consiga eliminá-la.

Talvez nem deva.

E se a inteligência também estiver em não concluir?

Estamos acostumados a pensar em inteligência artificial pela quantidade de respostas que ela consegue produzir.

Perguntamos.

Ela responde.

Quanto melhor a resposta, mais inteligente a tecnologia parece.

Mas quando entramos em estratégia, talvez exista outra capacidade igualmente importante:

saber quando as evidências ainda não permitem uma conclusão.

A segunda resposta parece menos espetacular.

Mas pode ser muito mais valiosa.

Porque abre espaço para investigação.

Para contexto.

Para outras perspectivas.

E, principalmente, para a possibilidade de estarmos errados.

Talvez uma IA realmente útil para trabalhar com marcas humanas precise ser capaz de diferenciar aquilo que observou, aquilo que inferiu e aquilo que ainda não sabe.

Pode parecer uma limitação.

Eu vejo como inteligência.

O esporte continuará sendo profundamente humano

Existe algo curioso acontecendo.

Quanto mais tecnologia colocamos ao redor do esporte, mais conseguimos medir.

E a tendência é que consigamos medir muito mais.

Mas talvez isso também torne mais evidente aquilo que os números não conseguem explicar sozinhos.

Por que aquele atleta continuou quando seria mais fácil parar?

Por que determinada causa importa para ele?

Por que uma escolha aparentemente pequena mudou sua trajetória?

Por que algumas marcas parecem naturalmente conectadas a determinadas pessoas e outras parecem apenas contratos?

Por que algumas histórias atravessam gerações enquanto outras desaparecem junto com os resultados?

Podemos encontrar sinais dessas respostas nos dados.

Mas compreender uma trajetória continua exigindo algo além deles.

O que isso significa para a YUZA

Essa discussão está presente também na tecnologia que estamos desenvolvendo na YUZA.

Não porque acreditamos que a inteligência artificial será capaz de definir quem é um atleta.

Talvez justamente pelo contrário.

Quanto mais estudamos suas possibilidades, mais importante parece estabelecer a diferença entre informação, evidência e interpretação.

A IA pode ampliar nossa capacidade de observar.

Pode relacionar informações que estavam dispersas.

Pode encontrar padrões difíceis de perceber.

Pode questionar certezas.

Pode nos ajudar a enxergar onde vale prestar mais atenção.

Mas a tecnologia não precisa substituir o contexto para ser extremamente poderosa.

Nem precisa substituir julgamento para gerar inteligência.

Talvez o futuro da IA aplicada ao branding esportivo não esteja em automatizar a resposta para uma pergunta como:

“Quem é esse atleta?”

Talvez esteja em nos dar condições muito melhores para compreender tudo aquilo que precisamos considerar antes de respondê-la.

Porque existe uma diferença entre encontrar padrões em uma carreira e compreender uma trajetória.

E talvez seja justamente nessa distância que as marcas mais humanas começam a ser construídas.

Se fizer sentido, veja como essa visão aparece na prática em Método YUZA, ou leia também como conseguir patrocínio no esporte.