Christopher Klenk6 Min. LesezeitWenn eine App dir einen „personalisierten Trainingsplan“ verspricht, passiert im Hintergrund mehr als du denkst. Oder weniger – je nachdem, welche Technologie zum Einsatz kommt.
Hinter dem gleichen Label stecken grundverschiedene Ansätze: Fitness-Apps, die wochenlang deine Daten sammeln. Und LLMs wie ChatGPT, die noch nie ein Gewicht angefasst haben, aber Millionen Texte über Training gelesen. Beides heißt „KI-Trainingsplan“. Beides funktioniert anders.
Auf einen Blick
Fitness-Apps personalisieren über Sensordaten, Feedback und aggregierte Nutzerprofile – automatisch, aber intransparent. LLMs generieren Pläne aus trainiertem Textwissen und deinem Prompt – flexibel, aber nur so gut wie dein Input. Garbage In, Garbage Out gilt für beide. Der entscheidende Unterschied: Wer behält die Kontrolle über die Daten?
Immer auf dem Laufenden zu KI-Training & Analyse? Ein Klick – und du bekommst meine Artikel bei Google bevorzugt angezeigt.
Bei Google als bevorzugte Quelle hinzufügenAdaptive Fitness-Apps wie Freeletics, Garmin Coach oder Whoop sammeln deine persönlichen Daten über Wochen und Monate. Sie wissen, wie du trainierst, wie du regenerierst, wann du einbrichst. Daraus leiten ihre Algorithmen Empfehlungen ab – automatisch und ohne dass du verstehst, warum.
Large Language Models wie ChatGPT oder Claude haben keine Ahnung, wer du bist. Sie wurden auf Milliarden von Texten trainiert – darunter sportwissenschaftliche Lehrbücher, Forschungspapiere und Fitness-Blogs. Wenn du nach einem Plan fragst, generieren sie Text basierend auf statistischen Wahrscheinlichkeiten. Das klingt nach einem klaren Nachteil. Ist es aber nicht immer. Beide Ansätze fallen unter den Sammelbegriff KI im Fitness – obwohl die Technik dahinter grundverschieden ist.
Adaptive Apps bauen dein Profil aus fünf Quellen auf.
Direkte Eingaben bilden die Basis: Alter, Gewicht, Ziel, Erfahrungslevel. Du gibst sie bei der Anmeldung ein. Das ist noch keine Personalisierung – das ist ein Fragebogen.
Sensordaten liefern die objektive Schicht. Über Wearables oder Smartphone-Sensoren fließen Herzfrequenz, Schritte, Schlaf und GPS-Daten ein. Je mehr Sensoren, desto dichter das Bild – aber auch desto mehr gibst du preis.
Trainings-Feedback trainiert den Algorithmus direkt. Zu leicht, zu schwer, genau richtig? Deine Bewertung nach jeder Einheit ist der wertvollste Datenpunkt – weil er subjektives Empfinden erfasst, das kein Sensor messen kann.
Verhaltensanalyse liest zwischen den Zeilen. Wann trainierst du? Wie oft brichst du ab? Welche Übungen überspringst du? Die App lernt aus deinem Verhalten – besonders aus dem, was du nicht sagst.
Aggregierte Nutzerdaten sind der eigentliche Hebel. Apps nutzen nicht nur deine Daten, sondern die von Millionen Nutzern. Sie erkennen Muster: Menschen mit ähnlichem Profil reagieren auf bestimmte Trainingsreize besser als auf andere. Dein individueller Plan basiert also teilweise auf statistischen Durchschnittswerten – nicht auf dir.
ChatGPT und Co. arbeiten völlig anders. Keine Sensoren, kein Tracking, keine Historie.
Die Wissensbasis besteht aus riesigen Textmengen: sportwissenschaftliche Lehrbücher, Fitness-Ratgeber, Reddit-Diskussionen, Forschungsartikel. Das Modell hat „gelesen“, wie Periodisierung funktioniert, was Progressive Overload (also die systematische Steigerung der Trainingsbelastung) bedeutet und welche Übungen für welche Ziele empfohlen werden. Es hat das Wissen – aber nicht die Erfahrung.
Der Generierungsprozess ist im Kern statistisch. Das LLM produziert Text Wort für Wort, basierend auf Wahrscheinlichkeiten. Es „denkt“ nicht über Training nach. Es generiert Text, der zu deiner Anfrage passt. Das Ergebnis kann trotzdem gut sein – wenn die Trainingsliteratur, auf der es trainiert wurde, gut war.
Dein Prompt ist alles. Weil das LLM nichts über dich weiß, bestimmt deine Anfrage die Qualität. „Mach mir einen Trainingsplan“ liefert einen generischen Plan für einen erfundenen Durchschnittsmenschen. Ein detaillierter Prompt mit Alter, Erfahrung, Equipment, Zeitbudget und Einschränkungen liefert etwas deutlich Brauchbareres. Das LLM erfindet keine Personalisierung – es reagiert auf die Informationen, die du lieferst. Wie du einen solchen Prompt aufbaust, zeigt die Schritt-für-Schritt-Anleitung zur KI-Trainingsplanung.
Aspekt | Fitness-Apps | LLMs (ChatGPT etc.) |
|---|---|---|
Datenquelle | Deine Tracking-Daten + Millionen Nutzerprofile | Trainiertes Textwissen + dein Prompt |
Personalisierung | Automatisch, basierend auf Verhalten | Nur so gut wie dein Input |
Anpassung über Zeit | Kontinuierlich durch Feedback-Loops | Nur bei neuem Prompt oder Chat |
Transparenz | Blackbox – du weißt nicht, warum | Erklärt die Logik auf Nachfrage |
Datenhoheit | Daten liegen beim Anbieter | Daten bleiben bei dir (mit Opt-Out) |
Die Tabelle zeigt das Dilemma: Fitness-Apps bieten mehr Automatisierung, aber weniger Kontrolle. LLMs bieten mehr Flexibilität, aber verlangen mehr von dir. Keiner der beiden Ansätze ist pauschal besser – es kommt darauf an, was du priorisierst. Besonders beim Thema Datenhoheit lohnt sich ein genauerer Blick darauf, was mit deinen Daten bei Fitness-Apps wirklich passiert.
Der größte Vorteil adaptiver Apps: Sie lernen automatisch aus deinem Verhalten. Du trainierst, die App beobachtet, der Algorithmus passt an – ohne dass du jedes Mal einen neuen Prompt formulieren musst. Dazu kommen objektive Sensordaten statt Selbsteinschätzung und der Zugriff auf Millionen aggregierte Nutzerprofile.
Die Kehrseite: Du bist abhängig von der Logik des Anbieters. Warum empfiehlt Freeletics heute genau dieses Workout? Keine Ahnung – Blackbox. Deine Daten liegen nicht bei dir, sondern auf fremden Servern. Und wenn du einen individuellen Wunsch hast, der nicht ins Schema passt, stößt du an Grenzen.
LLMs punkten bei Flexibilität. Du kannst jede erdenkliche Frage stellen, beliebige Rahmenbedingungen definieren und dir die Logik hinter dem Plan erklären lassen. Das Wissen über verschiedene Trainingsmethoden ist breiter als bei jeder einzelnen App. Und die Kosten? Kostenlos bis deutlich günstiger als ein App-Abo.
Die Schwächen sind fundamental: Das LLM weiß nichts über dich außer dem, was du sagst. Keine automatische Anpassung über Zeit. Und – das ist der kritische Punkt – es kann plausibel klingende Fehler produzieren. Ein Trainingsplan, der sportwissenschaftlich korrekt aussieht, aber für dein Niveau völlig ungeeignet ist. Das Prompt-Paradoxon in Aktion: Wer wenig über Training weiß, kann keine guten Fragen stellen – bekommt aber trotzdem eine selbstbewusste Antwort.
Der entscheidende Faktor ist bei beiden Ansätzen derselbe: Datenqualität.
Bei Fitness-Apps entstehen gute Daten durch regelmäßiges Training mit Wearable, ehrliches Feedback und konsistente Nutzung. Die App hat dann ein genaues Bild von dir. Schlechte Daten entstehen durch sporadisches Tracking, vergessene Feedback-Eingaben oder Training ohne Wearable. Der Algorithmus arbeitet mit Lücken – und füllt sie mit Durchschnittswerten. Dein „personalisierter“ Plan basiert dann auf Annahmen, nicht auf Fakten.
Bei LLMs heißt guter Input: Du lieferst relevante Informationen. Trainingserfahrung, aktuelle Leistungsdaten, verfügbare Zeit, Equipment, Einschränkungen. Das LLM kann damit arbeiten. Schlechter Input heißt: „Mach mir einen Trainingsplan.“ Das Modell erfindet einen Durchschnittsmenschen und plant für den. Das Ergebnis ist generisch – und im schlimmsten Fall kontraproduktiv.
Die Grenzen verschwimmen bereits – und die spannendsten Entwicklungen liegen genau in der Schnittmenge.
LLMs mit Datenanbindung: ChatGPT und Claude können Dateien lesen. Du exportierst deine Garmin- oder Polar-Daten und lässt sie vom LLM analysieren. Das Modell bekommt Kontext, den es sonst nicht hätte – deine tatsächlichen Trainingsverläufe statt generischem Textwissen.
Apps mit LLM-Integration: Erste Fitness-Apps integrieren ChatGPT für natürlichsprachige Interaktion. Du fragst „Warum war mein Training heute so hart?“ und bekommst eine Erklärung statt nur Zahlen auf einem Dashboard.
Selbstgebaute Lösungen: Mit etwas technischem Wissen exportierst du deine Trainingsdaten, analysierst sie mit Python und gibst sie einem LLM zur Interpretation. Das kombiniert objektive Sensordaten mit der Erklärungsfähigkeit eines Sprachmodells – und die Daten bleiben bei dir.
KI-Trainingsplanung ist keine Magie. Es sind Algorithmen, die auf Daten reagieren. Bei Fitness-Apps sind das deine Tracking-Daten und das Verhalten von Millionen anderen. Bei LLMs ist es trainiertes Wissen aus Texten plus das, was du der KI erzählst.
Beide Ansätze funktionieren – wenn die Datengrundlage stimmt. Die Frage ist nicht, welcher Ansatz „besser“ ist. Sondern: Willst du Komfort gegen Kontrolle tauschen? Oder investierst du etwas mehr Aufwand und behältst die Datenhoheit? Einen Überblick über das gesamte Feld – von regelbasierten Systemen bis Machine Learning – findest du im KI im Fitness Guide.
