Wat maakt een trainingsplan "echt"?
Structuur, progressie en aanpassing, dat is het korte antwoord. Een echt trainingsplan is geen lijst met trainingen. Het is een systeem dat reageert op waar je nu staat, je in de juiste richting duwt en weet wanneer je gas terug moet nemen. Tientallen jaren kwam zo'n plan alleen van een menselijke coach. Een coach die je door intervals heen hielp en week na week je herstel bijhield. De vraag is of AI die grens gepasseerd is. Misschien zijn de meeste "AI-plannen" nog steeds hergebruikte sjablonen in een mooi jasje. Dat hangt bijna volledig af van hoeveel echte data het systeem heeft en wat het daar in de loop van de tijd mee doet.
De meeste AI-tools vallen in twee kampen. De eerste pakt je FTP of zones, stopt je in een vaste trainingsfase en noemt dat persoonlijk. Dat is automatisering. Het tweede type gebruikt machine learning om je individuele reacties te modelleren. Het kijkt hoe snel je herstelt na zware inspanningen, hoe je vermogen zich ontwikkelt over verschillende duren, en hoe je slaap overeenkomt met je trainingsgereedheid op zware dagen. Een AI-fietscoach app die zich echt aanpast, valt in dat tweede kamp. Het neemt beslissingen op basis van jouw data, niet op gemiddeldes. Dat verschil bepaalt of je plan echt werkt.
Wat AI van jou nodig heeft
Veel fietsers onderschatten wat het systeem nodig heeft. AI leert weinig van één FTP-test en drie weken fietsen. Het heeft volume nodig. Denk aan genoeg datapunten om patronen in je opbouw van vermoeidheid te herkennen, de terugloop in je vermogen na een zware week, en je herstelwaarden. Die dip en stijging in je hartslag in de ochtend of je HRV vertelt een model of je aanpast of een gat graaft. Onderzoekers aan de Universiteit van Ljubljana bouwden een virtuele coach met reinforcement-learning die beslissingen van menselijke coaches succesvol nabootste. Dat werkte alleen met een rijke individuele stroom aan data. Zonder die diepte is zelfs het beste algoritme aan het gissen.
In de praktijk doen een paar dingen er enorm toe. Consistente data-upload is onmisbaar. Een sync overslaan creëert gaten in het begrip van je trainingsbelasting. Je ritten hebben vermogen nodig of op z'n minst een nauwkeurige hartslag. Snelheid alleen zegt het model niets over fysiologische stress. Hoe langer je het systeem gebruikt, hoe beter het wordt. Dat is geen marketingtaal, zo werken adaptieve modellen. Een studie in PLOS ONE uit 2024 liet zien dat modellen die het dagelijkse herstel van duursporters voorspellen aanzienlijk nauwkeuriger werden na acht weken. De voorspellingsfout daalde met zo'n 20% tussen week twee en acht. Voor jou betekent dit dat geduld in de eerste weken een investering is.
Begrijpen hoe een modern systeem je data verwerkt is de moeite waard. Het bredere plaatje van wat een AI-fietscoach doet dekt de onderliggende logica. Hoe weegt het recente trainingen zwaarder, hoe gaat het om met herstelsignalen, en wat doet het bij tegenstrijdige data. Die context maakt je een betere gebruiker van de tool in plaats van een passieve ontvanger.
Waar de meeste fietsers de fout in gaan
De meest gemaakte fout is een AI-trainingsplan zien als een vast schema. Het is een live advies dat verandert op basis van wat jij ermee doet. De aanpassingen negeren mist zijn doel volledig. Als het systeem aangeeft dat je niet trainingsgereed bent en een herstelrit voorstelt, riskeer je met een drempeltraining van vier uur niet alleen een blessure. Je verstoort ook het begrip van je herstelpatronen. Je traint het algoritme met verkeerde data. Die feedbackloop stapelt zich op over de weken. Fietsers die het systeem vaak overrulen, eindigen met minder nauwkeurige plannen dan wanneer ze een standaard pdf'je hadden gedownload.
De tweede fout is het verwachten van directe verfijning in je periodisering. AI-plannen bouwen aan langdurige fitheid. De eerste weken lijken vaak teleurstellend gematigd. Minder intensiteit dan je wil en meer zone 2 dan productief voelt. Veel fietsers stoppen in de eerste drie weken met AI-coaching omdat het plan te makkelijk voelt. Ze ervaren in feite een correcte basisfase die een menselijke coach op exact dezelfde manier zou verdedigen. Als je zwaardere intervals gaat doen omdat het plan "niets lijkt te doen", versla je het algoritme niet. Je ondermijnt de structuur die het bouwt richting je doel.
Tot slot zijn er de vragen om feedback die veel renners negeren. Serieuze AI-coachingplatforms vragen je hoe een training voelde, houden je slaapkwaliteit bij of vragen naar je waargenomen inspanning. Deze input is de subjectieve laag die het algoritme nodig heeft om objectieve data te kalibreren. Vermogensmeters en HRV-apparaten missen veel. Of je benen zwaar voelden door stress op je werk of door opgebouwde vermoeidheid maakt enorm veel uit voor je volgende fase. Het systeem leert alleen van wat jij het vertelt.
Wanneer het je training echt verandert
Er is een specifiek profiel wielrenner dat het meeste uit AI-trainingsplannen haalt. Dat is de serieuze amateur die 8–16 uur per week traint. Iemand met genoeg fietshistorie om het model nuttige data te geven. Iemand met genoeg complexiteit in het leven (werk, familie, reizen, stress) waardoor een starre periodisering vaak mislukt. En iemand met genoeg fysiologische eigenheid waardoor standaard schema's telkens suboptimaal zijn. Voor beginners is een goed standaard schema voldoende. Elite-atleten hebben meer aan de intuïtie van een menselijke coach. Val je in die middengroep, dan is het verschil tussen een adaptief AI-plan en een standaard schema meetbaar in watts en wedstrijdresultaten.
Het andere scenario waarin het essentieel is, is de comeback. Terugkeren na een blessure, ziekte of een lang tussenseizoen. Standaard schema's weten niet waar je start. Ze passen een standaard basisfase toe die compleet kan afwijken van je huidige fitheid. Een adaptief systeem dat je data heeft bijgehouden kan de afstand tussen je huidige staat en je historische plafond modelleren. Het past de opbouw daarop aan. Dat is een flink voordeel wanneer het verkeerd inschatten van de belasting leidt tot een nieuwe blessure of een terugval van zes weken. Wil je begrijpen hoe een goed AI-systeem die adaptieve logica in de praktijk aanpakt, bekijk dan deze uitleg over hoe een AI-fietscoach werkt.
Kortom: ja, AI kan een echt trainingsplan maken. De technologie is veel verder dan sjablonen genereren. "Echt" betekent wel datahongerig, afhankelijk van aanpassingen en het meest nauwkeurig na verloop van tijd. Het opbouwen van het plan is pas het begin. Het managen ervan over de weken heen is lastiger. Het naar boven halen van signalen die ertoe doen en het plan met rust laten als dat niet zo is. Dat doorlopende beheer is waar de Plancheck-score voor is gebouwd. Behandel het als een systeem dat jij net zo goed traint als dat het jou traint, en de kwaliteit van je plan groeit met elke rit die je opslaat.
Bronnen
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/
Gerelateerde artikelen