De meeste trainingsplannen zijn geschreven voor een fictieve fietser: de gemiddelde fietser. Degene die in precies 48 uur herstelt, elke nacht acht uur onafgebroken slaapt en nooit een stressvolle dinsdag op het werk heeft. Maar die fietser bestaat niet. Als je wilt snappen hoe een AI-wielercoach werkt, moet je eigenlijk snappen wat een coachsysteem doet als het de realiteit niet langer negeert.
Het kernmechanisme: input, output en de feedbackloop
In de basis pakt een AI-wielercoach gestructureerde data over je training en fysiologie, toetst dit aan modellen over hoe sporters zich aanpassen, en levert een aangepast plan af. Dat is het skelet. De invulling maakt het interessant. Een goed gebouwd AI-systeem vergelijkt continu wat het verwachtte met wat er daadwerkelijk is gebeurd. Je moest 20 minuten 280 watt trappen, maar je haalde 263 en je hartslag was 8 slagen hoger dan voorspeld. Dat verschil telt. Een statisch plan haalt zijn schouders op. Een goed AI-systeem ziet het als een signaal: je vermoeidheid is hoger dan het model voorspelde, dus er moet iets veranderen in de volgende fase.
De motor hierachter is meestal een combinatie van prestatiemodellering en machine learning. Prestatiemodellen simuleren hoe trainingsbelasting zich opbouwt tot fitheid en vermoeidheid (fitness en fatigue). Machine learning zit daar bovenop en leert jouw individuele reacties uit historische data, in plaats van algemene gemiddeldes te gebruiken. Een onderzoek uit 2020 in Applied Sciences (MDPI) toonde aan dat een virtuele coach op basis van reinforcement learning een trainingsplan kon maken dat vergelijkbaar was met dat van menselijke coaches, door te leren van de actuele trainingshistorie van een fietser. De impact is groot: de schattingen van de AI worden steeds nauwkeuriger naarmate het meer specifieke data van jou heeft.
Wearables hebben deze feedbackloop veel rijker gemaakt. HRV, rusthartslag en slaapdata van deze apparaten geven het systeem dagelijks signalen over je trainingsgereedheid die veel verder gaan dan wat vermogensdata alleen kunnen laten zien. Onderzoek gepubliceerd in Scientific Reports (2025) ontdekte dat het combineren van HRV met welzijnsscores leidde tot betere trainingsresultaten dan alleen sturen op HRV. Dit is precies het soort complexe interpretatie dat een AI-systeem op grote schaal aankan, en waar een menselijke coach voor tientallen sporters structureel moeite mee zou hebben.
Hoe dit er in de praktijk uitziet
Eerlijk is eerlijk: de meeste renners zien AI-coaching als een of andere exotische black box die uit het niets een perfect plan uitspuugt. De praktijk is nuchterder en nuttiger. Je koppelt je trainingsdata (Garmin, Wahoo, Strava of wat je ook gebruikt) en het systeem bouwt een basismodel van je fitheid. Het schat je FTP in, je optimale bandbreedte voor trainingsbelasting en je verhouding tussen acute en chronische belasting. Daarna begint het vooruit te plannen met trainingen. Zodra je een training afrondt, evalueert het opnieuw. Mis je een training? De week wordt herschikt. Knal je door een interval met een hoger vermogen dan verwacht? Het model stelt de schatting van je huidige vorm naar boven bij en plant misschien eerder dan verwacht iets uitdagenders.
Het concept van AI-coaching werkt het best voor renners met weinig tijd bij wie elke training moet tellen. Generieke periodiseringsplannen zijn gebouwd met een buffer. Ze gaan ervan uit dat je trainingen mist en gemiddeld herstelt. Als je vier uur per week hebt in plaats van twaalf, kun je je geen gemiddelde aannames veroorloven. Een AI-systeem dat jou specifiek kent (jouw reactie op vermoeidheid, je favoriete trainingsdagen, je historische prestaties in verschillende omstandigheden) haalt meer progressie uit beperkte trainingsuren dan welk standaard trainingsplan dan ook.
Een veelgemaakte fout van renners die starten met een AI-coach: de data van de eerste twee weken als betrouwbaar zien. Dat zijn ze niet. Het model kalibreert. Als je in week één vol gas gaat om de AI te laten zien wat je kunt, leg je de basis te hoog. Grote kans dat je trainingen voorgeschreven krijgt die leiden tot overbelasting. De beste aanpak is om de eerste paar cycli normaal en eerlijk te trainen. Voer het echte data, geen piekmomenten.
Wanneer het telt, en wanneer niet
Een AI-coach is zijn geld waard als je training structuur en regelmaat heeft. Als je 3 tot 5 keer per week fietst met minimaal iets van vermogens- of hartslagdata, werkt de feedbackloop. Het systeem heeft iets om van te leren. Als je twee keer per week ontspannen fietst zonder data, krijg je een plan, maar heeft de adaptatie-engine heel weinig om mee te werken. Je kunt dan net zo goed een generiek plan gebruiken.
Het is vooral nuttig in je basisfase en opbouwfase, waar het slim opbouwen van trainingsbelasting centraal staat. In een piekfase of taperfase is de marge voor fouten kleiner en zijn de winsten marginaal. Een goede menselijke coach die je goed kent heeft in die laatste weken voor een wedstrijd nog steeds een streepje voor. Die kan namelijk niet-kwantificeerbare signalen interpreteren: stress, motivatie of hoe je klinkt in een gesprek. De vraag of AI een echt goed fietsschema kan maken hangt hiermee samen: ja, dat kan het, voor het grootste deel van je trainingsjaar met indrukwekkende consistentie. Maar het is een tool, geen vervanging voor nadenken over je eigen training.
Het grote voordeel voor de serieuze amateur is toegang tot gepersonaliseerde coachlogica waarvoor je vijf jaar geleden een coach moest inhuren. De AI vervangt niet de relatie, de ervaring of het inschattingsvermogen. Wel maakt het adaptieve, datagedreven training beschikbaar op een schaal en tegen een prijs die totaal verandert wat er mogelijk is voor renners die alleen trainen.
Verder lezen
Ontdek LeCoach: jouw AI-wielercoach app
Kan AI een echt trainingsplan voor fietsen maken?
Bronnen
Reche-Soto et al. (2021). Towards an AI-Based Tailored Training Planning for Road Cyclists: A Case Study. Applied Sciences, 11(1), 313. mdpi.com
López-Valenciano et al. (2025). Individual training prescribed by heart rate variability, heart rate and well-being scores in experienced cyclists. Scientific Reports. nature.com