Die Zukunft der KI im Coaching: Agenten, MCP und der Coach
Agenten machen die administrative Hälfte des Coachings viel günstiger und lassen das Urteilsvermögen, wo es war. Ein nüchterner Blick auf MCP, seine Grenzen und den Coach.
Vor ein paar Jahren bedeutete „KI-Coaching“ meist einen Chatbot, der einen generischen Zwölf-Wochen-Plan schrieb und dich vergaß, sobald du den Tab geschlossen hattest. Seitdem hat sich nicht geändert, dass Sprachmodelle Training plötzlich besser verstehen. Geändert hat sich, dass sie jetzt handeln können: deinen Kalender öffnen, die Aktivitäten des letzten Monats lesen und Einheiten in den Plan schreiben, den deine Uhr morgen früh herunterlädt. Genau das ist mit Agenten gemeint, und es lohnt sich, in Ruhe durchzudenken, was das für Coaches ändert und was nicht.
Was MCP ist, in Kürze
Das Model Context Protocol ist ein offener Standard, den Anthropic im November 2024 vorgestellt hat. Er erlaubt einem KI-Client wie Claude oder ChatGPT, Tools aufzurufen, die eine andere Anwendung bereitstellt. Eine Trainingsplattform kann Tools anbieten wie „Kalender für diese Wochen lesen“, „Trainingsbelastung abrufen“, „diese Einheiten planen“ oder „diese Einheit auf Donnerstag verschieben“. Das Modell entscheidet, welche Tools es in welcher Reihenfolge aufruft. Die Anwendung entscheidet, worauf das Modell zugreifen darf, und prüft jede Anfrage so, wie sie einen Klick des Nutzers prüfen würde.
Diese Trennung ist wichtig. Das Modell bringt die Sprache und das Denken mit, die Plattform behält die Daten, die Berechtigungen und die Regeln. Ein Modell, das dich missversteht, kann etwas Unsinniges vorschlagen, aber es kommt an nichts heran, was die Plattform nicht freigibt.
Ein realistischer Montag
Nimm einen Coach mit fünfzehn Athleten. Am Montagmorgen schreibt eine von ihnen, neun Wochen vor einem Marathon, dass sie seit Samstag Grippe hat und frühestens am Donnerstag wieder einsteigen kann. Die übliche Arbeit: ihren Kalender öffnen, fünf oder sechs Einheiten löschen oder verschieben, den Rest der Woche umschreiben, den langen Lauf kürzen und prüfen, ob die Woche danach noch Sinn ergibt. Zehn oder fünfzehn Minuten, und es ist die dritte Nachricht dieser Art an diesem Tag.
Mit einem Agenten, der mit der Plattform verbunden ist, kann der Coach schreiben: „Anna ist seit Samstag krank, vermutlich bis Donnerstag. Trag das ein, halte bis Sonntag alles locker, verschieb die 3 × 15 Minuten im Marathontempo vom Samstag auf nächsten Dienstag und mach aus dem langen Lauf am Sonntag 1:15 h locker.“ Der Agent erfasst die Krankheit, liest den Kalender, nimmt die Änderungen vor und meldet sich zurück. Der Coach schaut sich die Woche im Kalender an, korrigiert eine Sache und macht weiter.
Achte darauf, wer die Entscheidungen getroffen hat. Jede Wahl in dieser Anweisung (wie lange es locker bleibt, welche Einheit wichtig genug ist, um sie zu verschieben, wie lang der lange Lauf sein soll) kam vom Coach. Der Agent hat geklickt. Das ist die ehrliche Version dessen, was Agenten dem Coaching heute bieten: Die administrative Hälfte der Arbeit wird viel günstiger, die Hälfte, bei der es um Urteilsvermögen geht, bleibt, wo sie war.
Worin Agenten noch schlecht sind
Zu wissen, was sie nicht wissen. Ein Agent plant einen Block auch dann, wenn die Datenlage dünn ist: keine Herzfrequenz bei der Hälfte der Läufe, keine Anstrengungsbewertungen, eine Woche Reise, die niemand erwähnt hat. Impellizzeri und Kollegen betonen seit Jahren, dass die interne Belastung, also wie hart das Training für genau diesen Athleten war, die Anpassung antreibt, und genau dieser Teil fehlt am häufigsten in den Daten. Ein Coach bemerkt die Lücke. Ein Modell neigt dazu, sie mit Annahmen zu füllen.
Langfristiges Urteilsvermögen. Ob eine dritte Qualitätseinheit dazukommt, wann das Tapering beginnt, ob dieser Athlet jetzt eine Entlastungswoche braucht oder noch eine Woche wegsteckt: Das hängt von Jahren an Historie ab, von Job und Familie, davon, wie jemand auf Ermüdung reagiert. Als Düking und Kollegen (2024) Coaching-Experten Laufpläne von ChatGPT bewerten ließen, wurden die Pläne mit mehr Eingabeinformationen deutlich besser, aber trotzdem nicht als optimal eingestuft. Die Autoren empfehlen die Prüfung durch einen erfahrenen Coach.
Selbstsichere Fehler. Eine falsch gelesene Zone macht aus einem Regenerationslauf eine Schwelleneinheit. Ein um einen Tag verrutschtes Datum legt den langen Lauf auf den Tag vor einem Wettkampf. Sprachmodelle machen solche Fehler in flüssigem, vernünftig klingendem Text, und genau deshalb übersieht man sie leicht.
Verantwortung. Wenn ein Plan zu einer Verletzung beiträgt, muss jemand für diese Entscheidung geradestehen und mit dem Athleten darüber sprechen. Ein Modell kann das nicht.
Den Coach in der Schleife halten, ganz praktisch
„Human in the Loop“ ist schnell gesagt. In einem Coaching-Tool läuft es auf ein paar konkrete Designentscheidungen hinaus:
- Der Agent schreibt in denselben Kalender, den Coach und Athlet sehen. Nichts passiert in einer versteckten Ebene, eine schlechte Änderung ist also sofort sichtbar.
- Er ist angewiesen, Einheiten zu verschieben und zu bearbeiten, statt sie zu löschen und neu anzulegen, damit eine Änderung eine Änderung bleibt.
- Absolvierte Einheiten und aufgezeichnete Aktivitäten sind Historie. Der Agent kann sie nicht umschreiben.
- KI läuft nur nach ausdrücklicher Zustimmung, die du widerrufen kannst.
- Die Daten gehen an den Modellanbieter, den du gewählt hast, mit deinem Schlüssel. Auf einer selbst gehosteten Instanz mit lokalem Modell verlassen sie deinen Server nicht.
Eine vorsichtige Prognose für die nächsten Jahre
Der Verwaltungsaufwand im Coaching wird weiter sinken. Ein Coach, der sonntagabends die Wochen von zwanzig Athleten umschreibt, wird dafür viel weniger Zeit brauchen. Das kann in zwei Richtungen gehen: mehr Athleten pro Coach oder mehr Aufmerksamkeit pro Athlet. Die zweite ist die bessere Nutzung, und Athleten werden merken, welche ihr Coach gewählt hat.
Selbst trainierende Athleten mit einem Agenten fahren gut, wenn sie schon wissen, wie gutes Training aussieht, und den Agenten zur Umsetzung nutzen. Riskanter ist es für Einsteiger, die einen schlechten Plan am wenigsten erkennen und am ehesten befolgen. Eine verlässliche Verletzungsvorhersage erwarten wir so bald nicht, die Forschung zu Screening und maschinellem Lernen gibt dafür wenig Anlass. Und der Teil des Coachings, der darin besteht zu merken, dass das „passt schon“ eines Athleten eben nicht passt, verschwindet nicht.
Ausprobieren
OpenAthlete hat einen MCP-Server, der mit Claude, ChatGPT und anderen Clients funktioniert. Er kann den Kontext, den Kalender, die Aktivitäten und die Trainingsbelastung eines Athleten lesen, Krankheit oder Reisen erfassen und bis zu 60 Einheiten auf einmal planen. Die Einheiten erscheinen dann im Kalender und landen auf Uhren von Garmin, Suunto und COROS. Er ist kostenlos, und Coaches können ihn für alle Athleten nutzen, die sie betreuen.
Quellen
- Model Context Protocol, specification and documentation (introduced by Anthropic in November 2024). modelcontextprotocol.io
- Impellizzeri FM, Marcora SM, Coutts AJ (2019). Internal and external training load: 15 years on. International Journal of Sports Physiology and Performance, 14(2), 270–273. doi:10.1123/ijspp.2018-0935
- 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
- 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