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 echt staat, je in de juiste richting duwt en weet wanneer je gas moet terugnemen. Tientallen jaren kon zo'n plan alleen van een menselijke coach komen die je door je intervallen heen zag lijden en bijhield hoe je week na week herstelde. De vraag is of AI die grens echt is gepasseerd, of dat de meeste AI-plannen gewoon hergebruikte templates in een mooi jasje zijn. Dat hangt bijna volledig af van hoeveel echte data het systeem heeft om mee te werken en wat het in de loop van de tijd met die data doet.
De meeste AI-trainingstools vallen in een van de twee kampen. De eerste pakt je FTP of vermogenszones, stopt je in een vaste trainingsfase en noemt het gepersonaliseerd. Dat is niet echt AI, dat is automatisering. Het tweede type gebruikt machine learning om jouw individuele reacties te modelleren: hoe snel je herstelt na zware inspanningen, hoe je vermogen zich ontwikkelt bij verschillende duren, en hoe je slaap overeenkomt met je trainingsgereedheid op zware dagen. Een AI-coach-app die zich echt aanpast, zit stevig in dat tweede kamp en neemt beslissingen op basis van jouw data en niet op basis van gemiddeldes. Het verschil tussen die twee benaderingen is niet alleen een detail. Het bepaalt of je trainingsplan echt werkt.
Wat AI daadwerkelijk van je nodig heeft
Hier onderschatten de meeste wielrenners wat het systeem nodig heeft. AI leert niets nuttigs van één FTP-test en drie weken fietsen. Het heeft volume nodig. Genoeg datapunten om patronen te herkennen in de opbouw van je vermoeidheid, je vermogensverval in een zware trainingsweek en je herstelkenmerken, oftewel die typische dip en stijging in je ochtendhartslag of HRV die een goed getraind model vertelt of je je aanpast of jezelf de vernieling in fietst. Onderzoekers van de Universiteit van Ljubljana bouwden een virtuele coach op basis van reinforcement learning die beslissingen van een menselijke coach statistisch gezien net zo goed kon nabootsen, maar alleen als het genoeg rijke, individuele data had om van te leren. Zonder die diepgang is zelfs het beste algoritme aan het gokken.
In de praktijk betekent dit dat een paar dingen heel belangrijk zijn. Het consistent uploaden van data is een vereiste. Het overslaan van synchronisaties zorgt voor gaten in hoe het model je opbouw van trainingsbelasting begrijpt. Je ritdata moet vermogen bevatten, of op zijn minst een accurate hartslag. Alleen snelheidsdata vertelt het model vrijwel niets over de fysiologische stress. En hoe langer je het systeem gebruikt, hoe beter het wordt. Dat is geen marketingpraat, dat is hoe adaptieve modellen werken. Een studie uit 2024 in PLOS ONE liet zien dat machine learning-modellen die het dagelijkse herstel van duursporters voorspelden aanzienlijk nauwkeuriger werden na acht weken aan continue data, waarbij de voorspellingsfout met zo'n 20% daalde tussen week twee en acht. De conclusie voor jou: geduld in de eerste weken is geen tijdverspilling, maar een investering.
Het is het waard om even stil te staan bij hoe een modern systeem je data precies verwerkt. Het bredere plaatje van wat een AI-coach eigenlijk doet gaat in op de onderliggende logica: hoe het recente trainingen zwaarder weegt, hoe het omgaat met signalen over je herstel en wat het doet als je data tegenstrijdig is. Die context maakt je een betere gebruiker van de tool en niet slechts een passieve ontvanger van wat eruit komt.
Waar de meeste wielrenners de mist in gaan
De meest gemaakte fout is dat een door AI gemaakt plan wordt gezien als een vast trainingsprogramma. Dat is het niet. Het is een actueel advies dat verandert op basis van wat jij ermee doet, en het negeren van die aanpassingen mist het doel volledig. Als het systeem een lage trainingsgereedheid meldt en een rustige rit voorschrijft, loop je met een drempeltraining van vier uur niet alleen risico op een blessure. Je verstoort ook het inzicht van het model in je herstelpatronen. Je traint het algoritme met verkeerde data. Dat effect stapelt zich in de loop der weken op, en wielrenners die het systeem regelmatig negeren eindigen vaak met minder accurate plannen dan degenen die gewoon een standaard PDF'je van het internet hebben geplukt.
De tweede fout is dat men direct een ingewikkelde periodisering verwacht. AI-plannen werken toe naar fitheid op de lange termijn. De eerste weken zien er vaak teleurstellend gematigd uit met minder intensiteit dan je zou willen en meer Z2 dan productief voelt. Laten we eerlijk zijn, de meeste renners die stoppen met een AI-coach doen dat in de eerste drie weken omdat het plan te makkelijk voelt. Wat ze eigenlijk ervaren is een juiste basisfase die een menselijke coach op exact dezelfde manier zou verdedigen. Als je overstapt naar zwaardere intervallen omdat het plan voelt alsof het niets doet, versla je het algoritme niet. Je ondermijnt de structuur die het bouwt richting jouw doel.
Ten slotte zijn er de feedbackvragen die de meeste renners negeren. Serieuze AI-coachingplatforms vragen je om te beoordelen hoe een training voelde, je slaapkwaliteit bij te houden of je ervaren inspanning te bevestigen. Deze input is geen optionele extra. Het 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 het werk of doordat je vermoeidheid opbouwt, maakt enorm uit voor hoe je volgende fase eruit moet zien. Het systeem kan alleen leren van wat jij het vertelt.
Wanneer het echt je training verandert
Er is een specifiek profiel van de renner die het meeste haalt uit AI-gegenereerde plannen, en het is waarschijnlijk niet wie je zou verwachten. Het zijn geen beginners, die hebben het opbouwen van een basis nodig wat een goed ontworpen standaardplan prima aankan. Het zijn ook geen topatleten, die het meeste hebben aan de intuïtie en observatie van een menselijke coach. Het is de serieuze amateur die 8–16 uur per week traint. Iemand met genoeg fietshistorie om het model betekenisvolle data te geven, genoeg complexiteit in het leven (werk, gezin, reizen, stress) waardoor een strakke periodisering vaak in het water valt, en genoeg fysiologische eigenheid waardoor standaardplannen altijd suboptimale resultaten geven. Als je in die groep valt, is het verschil tussen wat een adaptief AI-trainingsplan oplevert en wat een standaardplan oplevert meetbaar in wattages en in wedstrijdresultaten.
Het andere scenario waarin het echt het verschil maakt, is als je terugkeert na een blessure, ziekte of een lang tussenseizoen. Standaardplannen weten niet waar je begint. Ze passen een standaard basisfase toe die totaal niet bij je huidige fitheid past. Een adaptief systeem dat je data heeft bijgehouden in die periode, kan de afstand modelleren tussen je huidige staat en je historische prestatieplafond en de opbouw van je training daarop afstemmen. Dat is een serieus voordeel wanneer het verkeerd inschatten van de trainingsbelasting tijdens een comeback leidt tot een nieuwe blessure of een flinke terugval. Als je wilt begrijpen hoe een goed AI-systeem die adaptieve logica in de praktijk toepast, bekijkt deze analyse van hoe een AI-coach werkt de werking zonder de verkooppraatjes.
Kortom, ja, AI kan een echt trainingsplan maken. De technologie is veel verder dan het genereren van templates. Maar "echt" betekent hongerig naar data, afhankelijk van aanpassingen en het meest accuraat over een langere tijd, geen magische kant-en-klare oplossing. Het bouwen van het trainingsplan is pas het begin. Het moeilijkste deel is het beheren ervan naarmate de weken verstrijken, door de signalen te laten zien die er echt toe doen en het plan met rust te laten als ze dat niet doen. Dat voortdurende beheer is waar de Plancheck-score voor is gebouwd. Behandel het als een systeem dat jij net zo goed traint als 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
