Was einen Trainingsplan "echt" macht
Struktur, Fortschritt und Anpassung. Das ist die kurze Antwort. Ein echter Trainingsplan ist keine Liste von Einheiten. Er ist ein System, das darauf reagiert, wo du gerade stehst, dich in die richtige Richtung pusht und weiß, wann du kürzertreten musst. Jahrzehntelang kam so ein Plan nur von einem menschlichen Coach, der dich bei Intervallen leiden sah und deine Erholung Woche für Woche verfolgte. Die Frage ist, ob KI diese Schwelle wirklich überschritten hat oder ob die meisten "KI-Pläne" immer noch aufgewärmte Vorlagen mit einer schicken Benutzeroberfläche sind. Das hängt fast ausschließlich davon ab, mit wie vielen echten Daten das System arbeiten kann und was es im Laufe der Zeit damit macht.
Die meisten KI-Trainingstools fallen in eine von zwei Kategorien. Die erste nimmt deine FTP oder Leistungszonen, steckt dich in eine vorgefertigte Trainingsphase und nennt das personalisiert. Das ist keine echte KI, das ist Automatisierung. Die zweite Art nutzt maschinelles Lernen, um deine individuellen Reaktionen zu modellieren: wie schnell du dich nach harten Belastungen erholst, wie sich deine Leistung bei verschiedenen Dauern verhält und wie deine Schlafwerte mit deiner Bereitschaft an harten Tagen zusammenhängen. Eine KI-Coach-App fürs Radfahren, die sich wirklich anpasst, gehört genau in diese zweite Kategorie. Sie trifft Entscheidungen basierend auf deinen Daten, nicht auf Durchschnittswerten. Der Unterschied zwischen diesen beiden Ansätzen ist nicht nur Kosmetik. Er entscheidet darüber, ob dein Plan wirklich funktioniert.
Was die KI wirklich von dir braucht
Hier unterschätzen die meisten Radfahrer, was das System benötigt. KI lernt nichts Nützliches aus einem FTP-Test und drei Wochen auf dem Rad. Sie braucht Volumen: genug Datenpunkte, um Muster in deiner Ermüdung zu erkennen, wie deine Leistung über eine harte Trainingswoche abfällt und wie deine Erholung aussieht. Dieser typische Verlauf von morgendlicher Herzfrequenz oder HRV sagt einem gut trainierten Modell, ob du dich anpasst oder dich in ein Loch fährst. Forscher der Universität Ljubljana haben einen virtuellen Coach mit Reinforcement Learning entwickelt, der menschliche Coaching-Entscheidungen auf einem statistisch wettbewerbsfähigen Niveau nachahmen konnte. Das funktionierte aber nur, wenn ein ausreichend reicher individueller Datenstrom zum Trainieren vorlag. Ohne diese Tiefe muss selbst der beste Algorithmus raten.
In der Praxis bedeutet das, dass einige Dinge extrem wichtig sind. Kontinuierliche Daten-Uploads sind nicht verhandelbar. Wenn du die Synchronisierung überspringst, entstehen Lücken im Verständnis des Modells für deine Trainingsbelastung. Deine Fahrtdaten brauchen Leistung oder zumindest eine genaue Herzfrequenz. Nur Geschwindigkeit sagt dem Modell fast nichts über deinen physiologischen Stress. Und je länger du das System nutzt, desto besser wird es. Das ist kein Marketing-Sprech, so funktionieren adaptive Modelle. Eine 2024 in PLOS ONE veröffentlichte Studie zeigte, dass maschinelle Lernmodelle, die den täglichen Erholungsstatus von Ausdauersportlern vorhersagen, nach acht Wochen kontinuierlicher Daten deutlich genauer wurden. Der Vorhersagefehler sank zwischen Woche zwei und acht um rund 20%. Für dich heißt das: Geduld in den ersten Wochen ist keine Passivität, sondern ein Investment.
Es lohnt sich, ein paar Minuten zu investieren, um zu verstehen, wie ein modernes System deine Daten wirklich verarbeitet. Das Gesamtbild dessen, was ein KI-Coach fürs Radfahren eigentlich macht, umfasst die zugrundeliegende Logik. Es zeigt, wie aktuelle Einheiten stärker gewichtet werden, wie das System mit Erholungssignalen umgeht und was es tut, wenn deine Daten widersprüchlich sind. Dieser Kontext macht dich zu einem besseren Nutzer des Tools und nicht nur zu einem passiven Empfänger seiner Vorgaben.
Wo die meisten Radfahrer falschliegen
Der häufigste Fehler ist, einen von KI erstellten Plan als festes Trainingsprogramm zu behandeln. Das ist er nicht. Er ist eine Live-Empfehlung, die sich basierend darauf ändert, was du damit machst. Seine Anpassungen zu ignorieren, verfehlt den Zweck völlig. Wenn das System eine niedrige Bereitschaft anzeigt und eine lockere Fahrt vorschreibt, riskierst du nicht nur eine Verletzung, wenn du stattdessen ein vierstündiges Schwellentraining absolvierst. Du verfälschst das Verständnis des Modells für deine Erholungsmuster. Du trainierst den Algorithmus mit falschen Daten. Diese Rückkopplungsschleife verstärkt sich über Wochen. Radfahrer, die das System regelmäßig übersteuern, haben oft ungenauere Pläne als jemand, der sich einfach ein Standard-PDF aus dem Internet geladen hat.
Der zweite Fehler ist, sofortige Perfektion in der Periodisierung zu erwarten. KI-Pläne sind auf langfristige Fitness ausgelegt. Die ersten Wochen sehen oft enttäuschend moderat aus, mit weniger Intensität, als du vielleicht möchtest, und mehr Z2, als sich produktiv anfühlt. Seien wir ehrlich: Die meisten Fahrer, die das KI-Coaching aufgeben, tun das in den ersten drei Wochen, weil sich der Plan zu leicht anfühlt. Was sie in Wirklichkeit erleben, ist ein angemessener Aufbau in der Grundlagenphase, den ein menschlicher Coach ganz genauso verteidigen würde. Wenn du zu härteren Intervallen springst, weil du das Gefühl hast, der Plan bewirkt nichts, überlistest du nicht den Algorithmus. Du untergräbst die Struktur, die er für dein Ziel aufbaut.
Schließlich gibt es noch die Feedback-Fragen, die die meisten Fahrer ignorieren. Ernsthafte KI-Coaching-Plattformen bitten dich zu bewerten, wie sich eine Einheit angefühlt hat, deine Schlafqualität zu protokollieren oder die gefühlte Anstrengung zu bestätigen. Diese Eingaben sind keine optionalen Extras. Sie sind die subjektive Ebene, die der Algorithmus braucht, um objektive Daten zu kalibrieren. Leistungsmesser und HRV-Geräte übersehen einiges. Ob sich deine Beine wegen Stress in der Arbeit schwer anfühlten oder weil du Ermüdung ansammelst, ist extrem wichtig dafür, wie deine nächste Phase gestaltet werden sollte. Das System kann nur aus dem lernen, was du ihm sagst.
Wann es dein Training wirklich verändert
Es gibt ein bestimmtes Profil von Fahrern, das am meisten von KI-erstellten Plänen profitiert, und es ist wahrscheinlich nicht das, das du erwartest. Es sind keine Anfänger, die einen Grundlagenaufbau brauchen, den ein gut gemachter Standardplan ausreichend abdeckt. Es sind keine Elite-Athleten, die am meisten von der Intuition und der Echtzeitbeobachtung eines menschlichen Coaches profitieren. Es ist der ernsthafte Amateur, der 8 bis 16 Stunden pro Woche trainiert. Jemand mit genug Historie auf dem Rad, um dem Modell aussagekräftige Daten zu liefern, und genug Komplexität im Leben (Arbeit, Familie, Reisen, Stress), sodass eine starre Periodisierung regelmäßig in sich zusammenfällt. Und jemand mit so viel physiologischer Individualität, dass Standardpläne durchweg suboptimale Ergebnisse liefern. Wenn du in diesen Bereich fällst, ist der Unterschied zwischen dem, was ein adaptiver KI-Plan und ein Standardplan liefern, in Watt und in Rennergebnissen messbar.
Das andere Szenario, in dem es am wichtigsten ist, ist das Comeback nach einer Verletzung, Krankheit oder einer langen Pause. Standardpläne wissen nicht, wo du anfängst. Sie wenden eine normale Grundlagenphase an, die vielleicht überhaupt nicht zu deiner aktuellen Fitness passt. Ein adaptives System, das deine Daten während dieser Pause verfolgt hat, kann die Distanz zwischen deinem aktuellen Zustand und deinem historischen Leistungsmaximum modellieren und die Steigerungsrate entsprechend anpassen. Das ist ein echter Vorteil, wenn die Folgen einer falsch eingeschätzten Trainingsbelastung beim Comeback eine erneute Verletzung oder ein sechswöchiger Rückschlag sind. Wenn du verstehen willst, wie ein gutes KI-System diese adaptive Logik in der Praxis anwendet, erklärt diese Analyse, wie ein KI-Coach fürs Radfahren funktioniert, die Mechanismen ganz ohne Hype.
Fazit: Ja, KI kann einen echten Trainingsplan erstellen. Die Technologie ist weit über das Erzeugen von Vorlagen hinaus. Aber "echt" bedeutet datenhungrig, anpassungsabhängig und mit der Zeit immer genauer. Es ist keine Magie, die sofort perfekt funktioniert. Den Plan zu erstellen, ist nur der Anfang. Der schwierigere Teil ist das Verwalten im Laufe der Wochen, die wirklich wichtigen Signale zu erkennen und den Plan in Ruhe zu lassen, wenn sie es nicht sind. Genau für dieses fortlaufende Management ist der Plan-Check-Score gedacht. Behandle das System als etwas, das du genauso trainierst, wie es dich trainiert, und die Qualität des Plans steigt mit jeder Fahrt, die du aufzeichnest.
Quellen
Novak, D., et al. (2021). Towards an AI-Based Tailored Training Planning for Road Cyclists: A Case Study. Applied Sciences, 11(1), 313. https://www.mdpi.com/2076-3417/11/1/313
Javaloyes, A., et al. (2024). Predicting daily recovery during long-term endurance training using machine learning analysis. PLOS ONE. https://pmc.ncbi.nlm.nih.gov/articles/PMC11519101/
Ähnliche Artikel