KI im Lauftraining: Sinn und Unsinn im Praxistest

Fünf Monate lang habe ich mein persönliches Lauftraining mit Gemini, ChatGPT und Copilot geplant, diskutiert und analysiert. In diesem Artikel zeige ich, warum KI im Lauftraining ohne fundierte Kenntnisse der Trainingsstruktur schnell in die Irre führt – und weshalb ich heute wieder bewusst manuell plane – die KI als Datenanalysetool nutze.

Anfang November 2025 begann ich damit. Noch am Flughafen von Göteborg, direkt nach einem Rennen der UTMB‑World Series, schrieb ich die erste Version eines endlosen Prompts. Ich wollte wissen, wie gut eine KI einen Trainingsplan strukturieren, vor allem aber verfolgen und permanent anpassen kann. Nach Tests mit verschiedenen Modellen entschied ich mich für Gemini und arbeitete dort hauptsächlich mit dem kostenpflichtigen Modell – inklusive Deep‑Research‑Modus und ausreichend Zeit für jede Antwort.

Heute, exakt fünf Monate später, plane ich mein Training wieder manuell. Die KI nutze ich nur noch für schnelle Analysen oder um neue Trainingsmodelle computergestützt zu bewerten.

1. Die KI will es dir recht machen

Egal, was du planst, formulierst oder als Idee in den Raum wirfst: Du bekommst Zustimmung. Das gefällt uns natürlich – wir alle suchen nach Bestätigung. Genau das liefert eine KI: Sie versucht, dich zu bestätigen und Lösungen zu finden, die dir gefallen sollen. Eine KI widerspricht nicht und zeigt auch keine Alternativen auf, solange man sie nicht ausdrücklich per Direktive oder Prompt dazu zwingt. Das ist systembedingt – nicht bösartig, aber gefährlich. Umso wichtiger ist es, Schlussfolgerungen zu hinterfragen, Belege einzufordern und die „Gedankengänge“ der KI offenzulegen.

2. Der rote Faden geht verloren

Eine KI kann einen Trainingsplan bis zum ersten Event erstaunlich gut strukturieren. Solange der Makrozyklus – also der übergeordnete Trainingszeitraum von mehreren Monaten bis hin zu einer ganzen Saison, unterteilt in Meso‑ und Mikrozyklen – nicht durch etwas unterbrochen wird, was im echten Leben völlig normal ist (Krankheit, Verletzung, Termine), funktioniert das halbwegs.

Sobald jedoch eine ungeplante Änderung nötig wird, gerät die KI ins Wanken. Sie versucht, das akute Problem zu lösen, ohne die langfristigen Risiken zu berücksichtigen. Dass kurzfristige Anpassungen Übertraining, eine zu hohe Intensitätsdichte oder fehlende Regeneration auslösen können, blendet sie oft aus. Die holistische Sicht muss man ihr ständig neu einprügeln.

In solchen Situationen wird der Kosmos der KI bedrohlich klein: Die Antworten wirken sauber formuliert und scheinen das Problem perfekt zu adressieren – tun es aber nicht. Der Seitenblick auf alternative Lösungen, neue Informationen oder strategisch sinnvollere Anpassungen fehlt komplett. Erst wenn man diesen Kreislauf bewusst durchbricht und neue Perspektiven einbringt, öffnet sich das System wieder.

3. Veraltete oder halluzinierte Daten werden zu Fakten

Ich habe die KI bewusst darauf begrenzt, nur evidenzbasierte Trainingseinheiten zu nutzen. Trotzdem stieß ich immer wieder auf Links, die nicht mehr existierten oder nie existiert haben. Häufig bekam ich die Aussage: „Diese Information scheint nicht mehr verfügbar zu sein, aber hier ist die perfekte Alternative.“ Nur um dann eine Stunde im Kreis zu laufen – ohne Fortschritt.

Das ist ein bekanntes KI‑Problem: Halluzinationen. Und sie klingen oft überzeugend.

4. Das Wording macht die KI zu glaubwürdig

Wer sich geschliffen ausdrückt und mit Überzeugung schreibt, wirkt glaubwürdig. Genau das ist das Problem. Man glaubt der KI, weil sie rhetorisch sauber klingt – nicht, weil sie recht hat. Woher die Aussagen stammen, ob sie belegt sind oder hoffnungslos veraltet, bleibt im Dunkeln. Und je häufiger Falschaussagen im Netz kursieren, desto „wahrer“ werden sie für ein Sprachmodell.

5. Verirrt im Datendschungel

Screenshots hochladen und analysieren lassen – klingt praktisch, funktioniert auch oft gut. Bis der Chat zu groß wird. Wenn über Wochen täglich Screenshots aus Trainingsplattformen einfließen, verliert die KI irgendwann den Überblick. Dann liest sie falsche Daten aus, interpretiert sie falsch und verkauft dir das Ergebnis als brillante Analyse.

Wer hier nicht gegenprüft, steuert sein Training in die falsche Richtung. Und ein solcher Chat ist dann unbrauchbar – man muss neu starten und alle relevanten Daten sauber in die Anweisungen schreiben.

6. Panik führt zur Ignoranz von Direktiven

Wie panisch eine KI reagieren kann, wurde mir klar, als ich meine „Fitness & Freshness“-Kurve aus Strava hochgeladen habe. Der dort dargestellte „Formverlust von 35 % in vier Monaten“ löste eine Entschuldigungsarie aus. Die KI stellte alles infrage, wollte sofort gegensteuern und schlug völlig unsinnige Intervalle vor, um „zu retten, was zu retten ist“. Dabei ignorierte sie mein Regelwerk komplett.

Die Realität: Ich trainiere wattbasiert mit Stryd, nicht herzfrequenzbasiert. Mein Ziel in dieser Phase war es, Laufökonomie und Effizienz für ein 280‑km‑Event im Sommer und ein 100‑Meilen‑Rennen im Herbst zu verbessern. Viele Kilometer, viel Ökonomiearbeit – die HF sinkt, die Watt bleiben stabil. Genau das war der Plan.

Strava bewertet jedoch HF‑basiert. Niedrige HF = „geringer Trainingsreiz“. Dass die Leistungsdaten etwas völlig anderes sagen, sieht Strava nicht. Die KI interpretierte die Grafik also falsch – und reagierte panisch. Erst mein Hinweis auf die fehlerhafte Strava‑Metrik stoppte die komplette Umstrukturierung meines Trainings. An dieser Stelle auch der Hinweis, auf die wirklich mangelhafte Auswertung von Strava. Strava ist eine Community, keine Trainingsplattform! Vertraue deshalb auch keinem menschlichen Coach, der Strava zur Datenanalyse nutzt.

7. Der Black‑Box‑Effekt

Eine KI verliebt sich in die Metriken, die sie am besten versteht. Bei TrainingPeaks sind das CTL, ATL und TSB. Diese Werte sind hilfreich – aber nur ein Ausschnitt. Die KI sieht nicht, wie sie zustande kommen. Sie kennt weder muskuläre Ermüdung noch neuromuskulären Stress, noch biomechanische Probleme.

Dazu kommt, dass eine KI nicht weiß, wie viel spezifische Härte dein Körper für dein konkretes Ziel braucht. Zugegeben, das wissen auch die meisten Athleten nicht, ist aber ein elementarer Punkt in der Trainingsplanung.

Man kann einer KI das erklären, und sie reagiert auch – aber wie gesagt, die meisten Athleten können diese Faktoren selbst nicht sauber einschätzen. Dann fliegen zwei Blinde im Cockpit. Kommunikation ist hier der einzige Ausweg und der beruht bei einer KI immer auf Wahrscheinlichkeitsberechnung und nicht auf Empathie, Körpergefühl und psychologischen Stress.

8. Engine over Chassis – die Biomechanik bleibt außen vor

Das betrifft nicht nur KI, sondern auch viele Ferncoachings: Zahlen dominieren, der Körper wird ignoriert. Die KI bewertet Motorleistung – Herz‑Kreislauf, Geschwindigkeit, Watt – aber nicht, wie das Training umgesetzt wurde. Ob die Hüfte blockiert, der Rücken dicht macht oder das Knie schmerzt, weiß sie nicht. Wenn man sie nicht aktiv darauf trainiert und kommuniziert, bleibt die Biomechanik außen vor. Man kann der KI natürlich sagen wie man sich gefühlt hat, was das Problem war und was die eigenen Bedenken vor einem anspruchsvollen Training wie einem Intervall sind. Jede dieser Aussagen beeinflusst die KI und sie wird bei Bedenken auch immer den Schutz des „Users“ vorziehen, darauf ist sie programmiert. Ein menschlicher, guter Coach mit Erfahrung, der dich kennt und Bedenken und Ängste einzuordnen weiß, würde hier differenzieren und möglicherweise einen anderen Rat geben.

Noch schlimmer ist der „Datenmüll“ aus Trailrunning-Einheiten im Gelände und besonders aus Downhill-Segmenten. Geringe Wattzahl und Herzfrequenz, aber maximaler Impact auf Gelenke und Muskulatur. Überlässt man einer klassischen KI, die nicht darauf trainiert ist, die Datenanalyse ohne eigenen kritischen Blick auf das Profil und dessen Beschaffenheit, kann die Bewertung einer solchen Einheit ziemlich bescheiden ausfallen. Gleiches gilt für Messfehler von der Sensorik, wie z.B. barometrischen Höhenmetern, Beschleunigungssensoren oder Herzfrequenzmessungen (vor allem am Handgelenk). Unsinnige Peaks verunreinigen eine Datenanalyse – hier muss immer ein menschliches Auge einen kritischen Blick auf die Datenlage haben. Jedenfalls gilt dies zur Zeit noch.

9. Die Sache mit geglätteten Werten

Gibt man der KI nur die Standard‑Eckdaten aus Garmin, Suunto, Polar oder Coros (u.v.a.) , arbeitet sie mit geglätteten Durchschnittswerten. Aus einem 10‑km‑Tempotraining mit 5 harten Kilometern plus Ein- und Auslaufen im Rekom (Z1) wird dann eine „lockere Grundlagenrunde“. Die Folge: falsche Analyse, falsche Trainingssteuerung.

10. Gnadenlose Selbstkritik ohne Lerneffekt

Weist man die KI auf Fehler hin, entschuldigt sie sich endlos, gelobt Besserung – und macht denselben Fehler beim nächsten Mal wieder. Das ist kein Charakterproblem, sondern systembedingt: KI Sprachmodelle (LLM = Large Language Models) lernen nicht dauerhaft aus Einzelinteraktionen. Man kann Direktiven speichern um den Output zu verbessern, aber auch das ist absolut keine Garantie für mehr Qualität.

Fazit

Einige Trainingsplattformen werben mit KI‑gestützter Trainingsplanung. Wie viel davon echte KI ist und wie viel simple Logik, bleibt unklar. Und oft ist es besser, wenn es keine echte KI ist. Das wird sich ändern, vielversprechende Modelle sind in Entwicklung. Und doch werden sie auf absehbare Zeit professionelle Coaches nicht ersetzen, die im Gespräch mit dem Athleten zwischen den Zeilen lesen können und individuell planen, anpassen und beraten.

Für mich bedeutet das im eigenen Training und als Coach: zur Effizienzsteigerung nutze ich gerne einen eigenen KI-Agent zur Datenanalytik um Zeit zu sparen, die ich wiederum in Feedback-Gespräche mit den betreuten Läufern investieren kann.