Przyszłość AI w trenowaniu: agenci, MCP i trener
Agenci sprawiają, że administracyjna połowa trenowania jest dużo tańsza, a osąd zostaje tam, gdzie był. Wyważone spojrzenie na MCP, jego ograniczenia i trenera w pętli.
Kilka lat temu „trener AI” oznaczał zwykle chatbota, który pisał ogólny dwunastotygodniowy plan i zapominał o tobie, gdy tylko zamknąłeś kartę. Od tamtej pory nie zmieniło się to, że modele językowe nagle lepiej rozumieją trening. Zmieniło się to, że potrafią teraz działać: otworzyć twój kalendarz, przeczytać aktywności z ostatniego miesiąca i wpisać treningi do planu, który twój zegarek pobierze jutro rano. To właśnie ludzie mają na myśli, mówiąc o agentach, i warto spokojnie przemyśleć, co to zmienia dla trenerów, a czego nie.
Czym jest MCP, w skrócie
Model Context Protocol to otwarty standard, przedstawiony przez Anthropic w listopadzie 2024 roku, który pozwala klientowi AI, takiemu jak Claude czy ChatGPT, wywoływać narzędzia udostępniane przez inną aplikację. Platforma treningowa może udostępnić narzędzia takie jak „odczytaj kalendarz na te tygodnie”, „pobierz obciążenie treningowe”, „zaplanuj te treningi” albo „przesuń ten trening na czwartek”. Model decyduje, które narzędzia wywołać i w jakiej kolejności. Aplikacja decyduje, czego model może dotknąć, i sprawdza każde żądanie tak, jak sprawdziłaby kliknięcie użytkownika.
Ten podział ma znaczenie. Model wnosi język i rozumowanie, platforma zachowuje dane, uprawnienia i reguły. Model, który cię źle zrozumie, może zaproponować coś niemądrego, ale nie dosięgnie niczego, czego platforma nie udostępnia.
Realistyczny poniedziałek
Weźmy trenera z piętnastoma zawodnikami. W poniedziałek rano jedna z nich, dziewięć tygodni przed maratonem, pisze, że od soboty ma grypę i w najlepszym razie wróci w czwartek. Zwykła robota: otworzyć jej kalendarz, usunąć albo przesunąć pięć czy sześć treningów, przepisać resztę tygodnia, skrócić długie wybieganie i sprawdzić, czy następny tydzień nadal ma sens. Dziesięć, piętnaście minut, i to trzecia taka wiadomość tego dnia.
Z agentem połączonym z platformą trener może napisać: „Anna jest chora od soboty, pewnie do czwartku. Zapisz to, do niedzieli wszystko spokojnie, przesuń sobotnie 3 × 15 minut w tempie maratońskim na przyszły wtorek, a niedzielne długie wybieganie zrób jako 1:15 h spokojnie”. Agent zapisuje chorobę, odczytuje kalendarz, wprowadza zmiany i zdaje relację. Trener patrzy na tydzień w kalendarzu, poprawia jedną rzecz i idzie dalej.
Zwróć uwagę, kto podjął decyzje. Każdy wybór w tym poleceniu (jak długo zostać przy spokojnym bieganiu, który trening jest na tyle ważny, żeby go przesunąć, jak długie ma być długie wybieganie) pochodził od trenera. Agent tylko klikał. To uczciwa wersja tego, co agenci oferują dziś trenerom: administracyjna połowa pracy staje się dużo tańsza, a połowa wymagająca osądu zostaje tam, gdzie była.
W czym agenci wciąż są słabi
W wiedzy o tym, czego nie wiedzą. Agent zaplanuje blok nawet przy skąpych danych: brak tętna przy połowie biegów, brak ocen wysiłku, tydzień wyjazdu, o którym nikt nie wspomniał. Impellizzeri i współpracownicy od lat podkreślają, że to obciążenie wewnętrzne, czyli jak ciężki był trening dla tego konkretnego zawodnika, napędza adaptację, i właśnie tej części najczęściej brakuje w danych. Trener zauważa lukę. Model ma skłonność do wypełniania jej założeniami.
W długoterminowym osądzie. Czy dodać trzeci mocny trening, kiedy zacząć tapering, czy ten zawodnik potrzebuje teraz tygodnia roztrenowania, czy zniesie jeszcze jeden: to zależy od lat historii, od pracy i rodziny, od tego, jak ktoś reaguje na zmęczenie. Gdy Düking i współpracownicy (2024) poprosili ekspertów od trenowania o ocenę planów biegowych z ChatGPT, plany znacznie się poprawiały przy większej ilości informacji wejściowych, ale nadal nie zostały ocenione jako optymalne, a autorzy zalecają ich weryfikację przez doświadczonego trenera.
W pewnych siebie błędach. Źle odczytana strefa zamienia bieg regeneracyjny w trening progowy. Data przesunięta o jeden dzień stawia długie wybieganie dzień przed zawodami. Modele językowe popełniają takie błędy płynnym, rozsądnie brzmiącym tekstem i właśnie dlatego łatwo je przeoczyć.
W odpowiedzialności. Gdy plan przyczyni się do kontuzji, ktoś musi wziąć tę decyzję na siebie i porozmawiać o tym z zawodnikiem. Model tego nie potrafi.
Trener w pętli, w praktyce
„Człowiek w pętli” łatwo powiedzieć. W narzędziu trenerskim sprowadza się to do kilku konkretnych decyzji projektowych:
- Agent pisze do tego samego kalendarza, który widzą trener i zawodnik. Nic nie dzieje się w ukrytej warstwie, więc zła zmiana jest od razu widoczna.
- Ma polecenie przesuwać i edytować treningi zamiast je usuwać i tworzyć od nowa, żeby zmiana pozostała zmianą.
- Wykonane treningi i zarejestrowane aktywności to historia. Agent nie może ich przepisać.
- AI działa tylko po wyraźnej zgodzie, którą możesz wycofać.
- Dane trafiają do wybranego przez ciebie dostawcy modelu, z twoim kluczem. Na samodzielnie hostowanej instancji z lokalnym modelem nie opuszczają twojego serwera.
Ostrożna prognoza na najbliższe lata
Koszt administracyjny trenowania będzie dalej spadał. Trener, który w niedzielny wieczór przepisuje tygodnie dwudziestu zawodników, będzie poświęcał na to dużo mniej czasu. To może pójść w dwie strony: więcej zawodników na trenera albo więcej uwagi na zawodnika. Ta druga to lepszy użytek, a zawodnicy zauważą, którą wybrał ich trener.
Zawodnicy trenujący sami z agentem poradzą sobie dobrze, jeśli już wiedzą, jak wygląda dobry trening, i używają agenta do jego realizacji. Bardziej ryzykowne jest to dla początkujących, którzy najsłabiej rozpoznają zły plan i najchętniej go wykonują. Nie spodziewamy się rychło wiarygodnego przewidywania kontuzji, badania nad testami przesiewowymi i uczeniem maszynowym dają do tego mało podstaw. A ta część trenowania, która polega na zauważeniu, że „w porządku” zawodnika wcale nie znaczy, że jest w porządku, nigdzie się nie wybiera.
Wypróbuj
OpenAthlete ma serwer MCP, który działa z Claude, ChatGPT i innymi klientami. Potrafi odczytać kontekst, kalendarz, aktywności i obciążenie treningowe zawodnika, zapisać chorobę lub wyjazd i zaplanować do 60 treningów naraz. Treningi pojawiają się potem w kalendarzu i trafiają na zegarki Garmin, Suunto i COROS. Jest darmowy, a trenerzy mogą z niego korzystać dla wszystkich zawodników, których prowadzą.
Źródła
- 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