KI-Trainingspläne im Expertencheck: Warum sich drei Experten kaum einig waren

Du hast KI schon mal nach einem Trainingsplan gefragt oder zumindest darüber nachgedacht. Die eigentliche Frage ist, woran du erkennst, ob das Ergebnis gut ist. Eine neue Studie hat solche Pläne von drei Experten bewerten lassen. Das Ergebnis: Die drei waren sich kaum einig.

Drei Experten, 45 Pläne, wenig Einigkeit

Kennst du das: Ein Trainer sagt mehr Volumen, der nächste sagt mehr Intensität, und beide sind überzeugt, recht zu haben. Das kenne ich aus 17 Jahren als Trainer. Diese Studie hat es einmal unter gleichen Bedingungen gemessen. Drei promovierte Fachleute aus Sportmedizin und klinischer Trainingswissenschaft bewerteten dieselben 45 KI-Pläne und lagen in der Punktzahl oft weit auseinander. Einige legten den Fokus auf strikte Sicherheitsgrenzen, andere mehr auf realistische Steigerung und Alltagstauglichkeit.

Jeder für sich hat sein Bewertungsraster stimmig angewendet. Einer war allerdings durchgehend strenger als die anderen beiden, und das erklärt laut Studie einen guten Teil der Uneinigkeit. In der Richtung waren sich alle drei einig: Der Prompt mit Leitlinien schnitt besser ab als der Minimal-Prompt. Die Autoren sprechen von der „inherently expert-dependent nature of exercise prescription“, frei übersetzt: Wie Training verordnet wird, hängt stark davon ab, wer es tut. Meine Lesart: In der Trainingsplanung gibt es oft mehr als ein Richtig. Mit nur drei Bewertern ist das aber ein Hinweis, mehr nicht. Die Autoren selbst raten zur Vorsicht.

„KI braucht Expertenkontrolle“: Welchem Experten folgst du?

Die Standardantwort auf KI-Trainingspläne lautet: Lass das von einem Experten prüfen. Das ist vernünftig, hilft dir aber nur halb, wenn drei Experten denselben Plan unterschiedlich bewerten. Dann musst du immer noch entscheiden, wem du folgst.

Ich vergleiche das immer so: Es gibt ein klares Falsch und Gefährlich, da sind sich Experten nach meiner Erfahrung meistens einig. Und es gibt ein Optimum, das eigentlich niemand kennt. Das Ziel ist, so nah wie möglich daran zu kommen, und dafür gibt es oft mehrere gute Wege. Gestritten wird meist über diesen mittleren Bereich. Ehrlich gesagt passt diese Studie da nicht ganz ins Bild: Ich habe nachgeschaut, auch beim Punkt Sicherheit waren sich die drei nur wenig einig.

Das bedeutet nicht, dass Expertenwissen wertlos ist. Es bedeutet, dass es keine neutrale Instanz gibt, die dir sagt, ob dein KI-Plan gut ist. Auch ein erfahrener Trainer bringt seine eigene Schule und seine eigene Gewichtung mit. Den Unterschied merkst du nur, wenn du selbst genug weißt, um die Antwort einzuordnen.

Mehr Prompt-Struktur hilft bis zu einem Punkt

Die Studie testete drei Prompt-Stufen: einen Minimal-Prompt, einen Prompt mit Leitlinien und Gegenanzeigen und ein detailliertes Schema mit festen Ausgabeformaten. Von Stufe 1 auf 2 stiegen die Durchschnittswerte für Sicherheit (3,7 auf 4,1 von 5) und für die Einhaltung der Leitlinien (3,8 auf 4,2). Statistisch getestet haben die Autoren das nicht. Sie lesen es eher so, dass die Pläne besser zum Bewertungsraster passten, und weniger so, dass die KI besser plant. Stufe 3 brachte kein einheitliches Bild: beim Diabetes-Fall der beste Wert, beim Knie-Fall leicht schlechter, bei der Erholung nach Darmkrebs-OP deutlich schlechter. Bei der Sicherheit landete Stufe 3 wieder auf dem Niveau des Minimal-Prompts. Dass mehr Kontext hilft, hat auch eine frühere Studie zu ChatGPT-Plänen gezeigt. Ob es ab einem Punkt nicht mehr besser wird, war dort aber nicht Thema.

Die Autoren vermuten selbst: Ist der Prompt zu eng, folgt das Modell starr dem Schema, und der individuelle Kontext geht verloren. Gemessen haben sie das nicht. Ich würde daraus mitnehmen: Kontext liefern ja, aber das Modell nicht in eine Schablone zwingen. Und meine Vermutung aus der Praxis: Wer nicht weiß, was progressive Belastungssteigerung oder Deload bedeutet, fragt auch nicht danach, und das LLM ergänzt fehlendes Trainingswissen nicht von selbst.

Was bleibt, wenn man die klinische Verpackung weglässt

Die Studie arbeitet mit drei erfundenen Patientenfällen: Typ-2-Diabetes mit Übergewicht, Kniearthrose mit Sturzrisiko und Erholung nach einer Darmkrebs-OP. Bei solchen Gruppen kann ein schlechter Plan gefährlich werden. Die Autoren erwarten gerade in so komplexen Fällen, dass Experten auseinanderliegen. Auf gesunde Sportler lässt sich der Befund deshalb nicht einfach übertragen. Meine Vermutung: Im Mittelfeld, also bei Umfang, Intensität und Steigerung, wären sich Experten auch dort nicht einig. Was ich aus der Studie mitnehme: Guter Kontext im Prompt hilft bis zu einem Punkt, danach zählt dein eigenes Urteil mehr. Wer das systematisch angehen will, mit einem strukturierten Ansatz statt Ausprobieren, findet dazu den Claude Trainingsplan-Skill als Ausgangspunkt.

Was mich an dieser Studie interessiert: Die Frage „Ist dieser KI-Plan gut?“ hat oft keine eindeutige Antwort, auch nicht von Experten. Deshalb lehne ich KI-Tools nicht ab. Ich nutze sie mit eigenem Urteil statt mit blindem Vertrauen. Wer die Grundlagen kennt, erkennt, wann ein Plan Sinn ergibt und wann nicht. Das gilt für KI-Output genauso wie für den Rat eines Trainers.

Die Studie: Choi M, Park J, Lee M, Beom J, Jung SY, Lee K. „AI-Generated Exercise Prescriptions for At-Risk Populations: Safety and Feasibility of a Large Language Model Assessed by Expert Evaluation“, Journal of Clinical Medicine, 2026. Sie ist open access bei MDPI verfügbar.