De toekomst van AI in coaching: agents, MCP en de coach
Agents maken de administratieve helft van coaching veel goedkoper en laten het oordeel waar het was. Een nuchtere blik op MCP, de grenzen ervan en de coach in de loop.
Een paar jaar geleden betekende „AI-coaching” meestal een chatbot die een algemeen schema van twaalf weken schreef en je vergat zodra je het tabblad sloot. Wat sindsdien veranderd is, is niet dat taalmodellen training ineens beter begrijpen. Het is dat ze nu kunnen handelen: je kalender openen, de activiteiten van vorige maand lezen en trainingen in het plan zetten dat je horloge morgenochtend downloadt. Dat is wat mensen bedoelen met agents, en het is de moeite waard om rustig te bekijken wat dat voor coaches verandert en wat niet.
Wat MCP is, in het kort
Het Model Context Protocol is een open standaard, in november 2024 geïntroduceerd door Anthropic, waarmee een AI-client zoals Claude of ChatGPT tools kan aanroepen die een andere applicatie aanbiedt. Een trainingsplatform kan tools aanbieden als „lees de kalender voor deze weken”, „haal de trainingsbelasting op”, „plan deze trainingen” of „verplaats deze training naar donderdag”. Het model beslist welke tools het aanroept en in welke volgorde. De applicatie beslist waar het model aan mag komen, en controleert elk verzoek zoals ze een klik van de gebruiker zou controleren.
Die scheiding is belangrijk. Het model levert de taal en het redeneren; het platform houdt de data, de rechten en de regels. Een model dat je verkeerd begrijpt, kan iets doms voorstellen, maar kan niet bij iets komen wat het platform niet openstelt.
Een realistische maandag
Neem een coach met vijftien atleten. Op maandagochtend schrijft een van hen, negen weken voor een marathon, dat ze sinds zaterdag griep heeft en op zijn vroegst donderdag terug verwacht te zijn. Het gebruikelijke werk: haar kalender openen, vijf of zes trainingen verwijderen of verplaatsen, de rest van de week herschrijven, de duurloop inkorten en checken of de week erna nog klopt. Tien of vijftien minuten, en het is het derde zo'n bericht van de dag.
Met een agent die aan het platform gekoppeld is, kan de coach schrijven: „Anna is sinds zaterdag ziek, waarschijnlijk tot donderdag. Leg het vast, houd alles rustig tot zondag, verplaats de 3 × 15 minuten op marathontempo van zaterdag naar volgende dinsdag en maak van de duurloop op zondag 1u15 rustig.” De agent legt de ziekte vast, leest de kalender, voert de wijzigingen door en meldt terug. De coach bekijkt de week in de kalender, past één ding aan en gaat verder.
Let op wie de beslissingen nam. Elke keuze in die instructie (hoe lang het rustig blijft, welke training belangrijk genoeg is om te verplaatsen, hoe lang de duurloop moet zijn) kwam van de coach. De agent deed het klikwerk. Dat is de eerlijke versie van wat agents coaching vandaag bieden: de administratieve helft van het werk wordt veel goedkoper, en de helft waar het om oordeelsvermogen gaat, blijft waar ze was.
Waar agents nog slecht in zijn
Weten wat ze niet weten. Een agent plant een blok, ook als de data mager is: geen hartslag bij de helft van de lopen, geen inspanningsscores, een week reizen die niemand noemde. Impellizzeri en collega's betogen al jaren dat interne belasting, hoe zwaar de training voor deze atleet was, de aanpassing aandrijft, en juist dat deel ontbreekt het vaakst in de data. Een coach ziet het gat. Een model is geneigd het met aannames te vullen.
Oordeel op lange termijn. Of er een derde kwaliteitstraining bij moet, wanneer de taper begint, of deze atleet nu een herstelweek nodig heeft of er nog een aankan: dat hangt af van jaren geschiedenis, van werk en gezin, van hoe iemand op vermoeidheid reageert. Toen Düking en collega's (2024) coachingexperts loopschema's van ChatGPT lieten beoordelen, werden de schema's veel beter met meer invoerinformatie, maar werden ze nog steeds niet als optimaal beoordeeld. De auteurs raden een controle door een ervaren coach aan.
Zelfverzekerde fouten. Een verkeerd gelezen zone maakt van een herstelloop een drempeltraining. Een datum die één dag verschuift, zet de duurloop op de dag voor een wedstrijd. Taalmodellen maken deze fouten in vlotte, redelijk klinkende tekst, en daardoor zie je ze makkelijk over het hoofd.
Verantwoordelijkheid. Als een plan bijdraagt aan een blessure, moet iemand die beslissing dragen en er met de atleet over praten. Een model kan dat niet.
De coach in de loop houden, in de praktijk
„Human in the loop” is makkelijk gezegd. In een coachingtool komt het neer op een paar concrete ontwerpkeuzes:
- De agent schrijft in dezelfde kalender die de coach en de atleet zien. Niets gebeurt in een verborgen laag, dus een slechte wijziging is meteen zichtbaar.
- Hij is geïnstrueerd om trainingen te verplaatsen en te bewerken in plaats van ze te verwijderen en opnieuw aan te maken, zodat een wijziging een wijziging blijft.
- Afgeronde trainingen en opgenomen activiteiten zijn geschiedenis. De agent kan ze niet herschrijven.
- AI draait alleen na uitdrukkelijke toestemming, die je kunt intrekken.
- De data gaat naar de modelaanbieder die jij hebt gekozen, met jouw sleutel. Op een zelfgehoste instantie met een lokaal model verlaat ze je server niet.
Een voorzichtige gok voor de komende jaren
De administratieve kosten van coaching blijven dalen. Een coach die op zondagavond de weken van twintig atleten herschrijft, zal daar veel minder tijd aan kwijt zijn. Dat kan twee kanten op: meer atleten per coach, of meer aandacht per atleet. Het tweede is het betere gebruik, en atleten zullen merken welke keuze hun coach maakte.
Atleten die zichzelf coachen met een agent doen het goed als ze al weten hoe goede training eruitziet en de agent gebruiken om die uit te voeren. Riskanter is het voor beginners, die een slecht plan het minst goed herkennen en het eerst volgen. We verwachten niet snel een betrouwbare voorspelling van blessures; het onderzoek naar screening en machine learning geeft daar weinig reden toe. En het deel van coaching dat draait om merken dat het „gaat prima” van een atleet niet prima betekent, verdwijnt niet.
Uitproberen
OpenAthlete heeft een MCP-server die werkt met Claude, ChatGPT en andere clients. Hij kan de context, kalender, activiteiten en trainingsbelasting van een atleet lezen, ziekte of reizen vastleggen en tot 60 trainingen in één keer plannen. De trainingen verschijnen dan in de kalender en komen op horloges van Garmin, Suunto en COROS. Hij is gratis, en coaches kunnen hem gebruiken voor alle atleten die ze begeleiden.
Bronnen
- 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