Zum Inhalt springen
OpenAthlete

KI im Ausdauertraining: was sie kann und was nicht

Vieles, was als KI verkauft wird, ist Arithmetik, Verletzungsprognosen sind schwach und Sprachmodelle glänzen vor allem bei Textarbeit. Ein Überblick mit Quellen.

OpenAthlete Team5 Min. Lesezeit

„KI“ steht in Trainingssoftware für zwei sehr unterschiedliche Dinge, und das Marketing wirft sie gern in einen Topf. Das eine sind statistische Modelle, die mit Zahlen arbeiten: Herzfrequenz, Pace, Leistung, Herzfrequenzvariabilität, Schlaf. Sie schätzen etwas ab oder versuchen, etwas vorherzusagen. Das andere sind Sprachmodelle aus der Familie von ChatGPT, Claude und Mistral, die Text lesen und schreiben. Die Studienlage ist für beide ganz verschieden, deshalb lohnt es sich, sie getrennt zu betrachten.

Vieles, was als KI verkauft wird, ist Arithmetik

Die Kurven für Fitness, Ermüdung und Form (CTL, ATL, TSB) sind exponentiell gewichtete Mittelwerte der täglichen Belastung und gehen auf Banisters Impulse-Response-Modell aus den 1970er-Jahren zurück. TRIMP macht aus Dauer und Herzfrequenz einen Belastungswert. Session-RPE ist noch einfacher: Bei der Methode nach Foster wird das Anstrengungsempfinden des Athleten auf einer Skala von 0–10 mit der Dauer in Minuten multipliziert, ein 60-minütiger Lauf mit RPE 6 ergibt also 360 Einheiten. Nichts davon ist maschinelles Lernen, und das ist gut so. Du kannst die Formel nachprüfen, du weißt, was sie ausblendet, und wenn eine Zahl seltsam aussieht, kannst du nachvollziehen, warum.

Das 2017 von Bourdon und Kollegen veröffentlichte Konsenspapier zum Belastungsmonitoring empfiehlt genau diese Art von Werkzeugen: Erfasse, was gemacht wurde (äußere Belastung, etwa Distanz und Pace), und wie anstrengend es für den Athleten war (innere Belastung, etwa Herzfrequenz und RPE), und betrachte beides gemeinsam im Zeitverlauf. Das ist nach wie vor das Rückgrat guter Trainingspraxis, und es braucht kein neuronales Netz.

Vorhersagen sind schwächer, als die Werbung verspricht

Bei der Verletzungsprognose klaffen Versprechen und Datenlage am weitesten auseinander. Roald Bahrs Übersichtsarbeit von 2016 im British Journal of Sports Medicine erklärt, warum Screening-Tests Verletzungen für den Einzelnen nicht vorhersagen können: Selbst ein starker Risikofaktor auf Gruppenebene lässt eine riesige Überschneidung zwischen den Athleten, die sich verletzen, und denen, die gesund bleiben. Maschinelles Lernen hat daran bisher wenig geändert. Ein systematisches Review von Van Eetvelde und Kollegen aus dem Jahr 2021 fand elf Studien zu maschinellem Lernen für die Vorhersage von Sportverletzungen. Die Güte reichte von kaum besser als ein Münzwurf (AUC von 0,52) bis gut (0,87), und die Autoren forderten mehr Arbeit an der Interpretierbarkeit der Modelle.

Die Acute:Chronic Workload Ratio ist ein lehrreiches Beispiel. Einige Jahre lang verbreitete sich in Apps und Trainerlehrgängen die Idee, ein Verhältnis zwischen 0,8 und 1,3 sei ein sicherer „Sweet Spot“. Impellizzeri und Kollegen zeigten 2020, dass diese Kennzahl grundlegende statistische Probleme hat und die Belege für den Sweet Spot nicht halten. Große Belastungssprünge von Woche zu Woche sind trotzdem keine gute Idee. Eine präzise Risikozahl auf Basis dieses Verhältnisses dagegen hat kaum Aussagekraft.

Wenn dir eine App also „Verletzungsrisiko: 23 %“ anzeigt, frag nach: Wie wurde diese Zahl validiert, an wem, und wie oft lag sie daneben? Gibt es keine Antwort, betrachte sie als Dekoration.

Wo Zahlenmodelle wirklich helfen: HRV mit persönlichem Ausgangswert

Die Herzfrequenzvariabilität ist das nützlichste tägliche Signal, das die meisten Athleten zu Hause messen können. In einer kleinen vierwöchigen Studie ließen Kiviniemi und Kollegen (2007) die morgendliche HRV über die Einheit des Tages entscheiden: hart, wenn die HRV stabil blieb oder stieg, locker oder Ruhetag, wenn sie unter den persönlichen Bereich der letzten Tage fiel. Diese Gruppe steigerte ihre maximale Laufgeschwindigkeit stärker als eine Gruppe mit festem Plan. Plews und Kollegen (2013) ergänzten einen wichtigen praktischen Punkt: Ein einzelner Morgenwert ist verrauscht, gleitende Mittelwerte über etwa eine Woche, verglichen mit dem eigenen Ausgangswert, sind deutlich aussagekräftiger.

Achte darauf, was das eigentlich ist: ein persönlicher Ausgangswert und eine einfache Regel. Es funktioniert, weil es individuell ist, nicht weil das Modell besonders schlau wäre. Und es erfordert disziplinierte Messung, jeden Morgen unter denselben Bedingungen, und genau daran scheitern die meisten.

Subjektive Daten schlagen noch immer die meisten Sensoren

Das systematische Review von Saw, Main und Gastin (2016) verglich subjektive Messgrößen (Stimmung, empfundener Stress, Ermüdung) mit objektiven (Blutwerte, Ruhepuls, Herzfrequenzreaktion auf Belastung). Die subjektiven Messgrößen bildeten Veränderungen der Trainingsbelastung empfindlicher und zuverlässiger ab. Einfach gesagt: Den Athleten zu fragen, wie er sich fühlt, und das jedes Mal festzuhalten, ist eines der besten Monitoring-Werkzeuge überhaupt.

Genau hier erweisen sich Sprachmodelle als wirklich nützlich, auf eine unspektakuläre Art. Ein Athlet tippt oder sagt gern „Beine ab km 8 schwer, linke Achillessehne danach auf der Treppe etwas empfindlich“, füllt aber selten fünf Schieberegler aus. Ein Sprachmodell kann aus diesem Satz einen Anstrengungswert und einen Schmerzeintrag machen (linke Achillessehne, leicht, nach dem Lauf), den ein Coach filtern und grafisch auswerten kann. Das ist strukturierte Dateneingabe, erledigt von etwas, das lockere Formulierungen versteht.

Sprachmodelle schreiben Trainingspläne

Düking und Kollegen (2024) ließen ChatGPT sechswöchige Laufpläne mit drei unterschiedlich detaillierten Prompts erstellen und von Trainingsexperten anhand von 22 Qualitätskriterien bewerten. Mit minimalen Angaben lag der Plan bei 19 der 22 Kriterien unter dem Skalenmittelpunkt. Mit detaillierten Angaben (Trainingshistorie, Ziele, Rahmenbedingungen) war es nur noch eines. Die Autoren raten trotzdem davon ab, solche Pläne ohne Rückmeldung eines erfahrenen Coaches zu nutzen. Eine Studie von Washif und Kollegen (2024) zu Krafttrainingsprogrammen kam zu einem ähnlichen Schluss: plausible Entwürfe, die jemand mit Fachwissen nachschärfen muss.

Sprachmodelle behaupten außerdem flüssig Falsches, ein Fehler, der als Halluzination bekannt ist (Ji und Kollegen geben 2023 einen Überblick über das Problem). Im Training sieht das so aus: ein Wochenumfang, der nicht aufgeht, eine „Studie“, die es nicht gibt, oder ein Regenerationslauf, der stillschweigend im Schwellentempo landet. Diese Fehler übersieht man leicht, gerade weil sich der Rest des Textes gut liest.

Was das in der Praxis bedeutet

Nutze Sprachmodelle für Textarbeit: eine strukturierte Einheit aus einer Beschreibung erstellen, einen Monat voller Notizen zusammenfassen, Feedback nach einer Einheit erfassen, ein Konzept erklären. Entscheidungen über Umfang und Intensität triffst du besser anhand von Zahlen, die du nachprüfen kannst, idealerweise mit einem Coach oder deiner eigenen Erfahrung als letztem Filter. Sei skeptisch bei jedem Risikowert, dessen Validierung du nicht einsehen kannst. Und wenn du dir eine Gewohnheit zulegen willst, die die Forschung klar stützt: Halte fest, wie sich jede Einheit angefühlt hat.

Wie OpenAthlete KI einsetzt

Die Trainingsbelastung in OpenAthlete ist TRIMP aus der Herzfrequenz, ergänzt um Session-RPE: Formeln, keine Blackbox. KI ist optional und übernimmt die oben beschriebene Textarbeit: eine strukturierte Einheit aus einem Satz, drei oder vier Fragen nach einer Aktivität, aus denen ein Anstrengungswert und ein Schmerzprotokoll für den Coach werden, und eine kurze Einordnung jeder Aktivität. Eine Verletzungsprognose gibt es nicht. Auf der KI-Seite steht, was sie kann und welche Anbieter du nutzen kannst.

Quellen

  • Banister EW et al. (1975). A systems model of training for athletic performance. Australian Journal of Sports Medicine, 7, 57–61.
  • Foster C et al. (2001). A new approach to monitoring exercise training. Journal of Strength and Conditioning Research, 15(1), 109–115. PubMed
  • Bourdon PC et al. (2017). Monitoring athlete training loads: consensus statement. International Journal of Sports Physiology and Performance, 12(Suppl 2), S2161–S2170. doi:10.1123/IJSPP.2017-0208
  • Bahr R (2016). Why screening tests to predict injury do not work—and probably never will…: a critical review. British Journal of Sports Medicine, 50(13), 776–780. doi:10.1136/bjsports-2016-096256
  • Van Eetvelde H et al. (2021). Machine learning methods in sport injury prediction and prevention: a systematic review. Journal of Experimental Orthopaedics, 8, 27. doi:10.1186/s40634-021-00346-x
  • Impellizzeri FM et al. (2020). Acute:chronic workload ratio: conceptual issues and fundamental pitfalls. International Journal of Sports Physiology and Performance, 15(6), 907–913. doi:10.1123/ijspp.2019-0864
  • Kiviniemi AM et al. (2007). Endurance training guided individually by daily heart rate variability measurements. European Journal of Applied Physiology, 101(6), 743–751. doi:10.1007/s00421-007-0552-2
  • Plews DJ et al. (2013). Training adaptation and heart rate variability in elite endurance athletes: opening the door to effective monitoring. Sports Medicine, 43(9), 773–781. doi:10.1007/s40279-013-0071-8
  • Saw AE, Main LC, Gastin PB (2016). Monitoring the athlete training response: subjective self-reported measures trump commonly used objective measures: a systematic review. British Journal of Sports Medicine, 50(5), 281–291. doi:10.1136/bjsports-2015-094758
  • Düking P et al. (2024). ChatGPT generated training plans for runners are not rated optimal by coaching experts, but increase in quality with additional input information. Journal of Sports Science and Medicine, 23(1), 56–72. doi:10.52082/jssm.2024.56
  • Washif JA et al. (2024). Artificial intelligence in sport: exploring the potential of using ChatGPT in resistance training prescription. Biology of Sport, 41(2), 209–220. doi:10.5114/biolsport.2024.132987
  • Ji Z et al. (2023). Survey of hallucination in natural language generation. ACM Computing Surveys, 55(12). doi:10.1145/3571730

Geschrieben von

OpenAthlete Team

OpenAthlete ist eine Open-Source-Trainingsplattform, entwickelt in Grenoble von einem unabhängigen Entwickler und Ultraläufer, mit Feedback der Coaches und Athleten, die sie nutzen. Keine Investoren, keine Werbung.

Weiterlesen

Trainiere mit Zahlen, die du nachprüfen kannst.

Jede Formel, die OpenAthlete verwendet, steht im Quellcode, und jede Funktion ist kostenlos – auf unseren Servern oder deinen.

Für immer kostenlos. Keine Kreditkarte.