@Epi90 ich habe ein Jahresabo
@supercocus
Die Ergebnisse von KI, die versuche ich, soweit mein Wissen ausreicht, nochmal kritisch zu prüfen und nicht einfach anzunehmen. Also stelle ich dann gezielt Fragen zu den Ergebnissen oder auch mal salopp "was ist an der Analyse falsch?". Auf der einen Seite kann ich die Daten reinkippen und analysieren lassen, auf der anderen Seite beschäftige ich mich aber auch außerhalb der KI damit und lerne wieder etwas dazu und kann dadurch andere Fragen stellen.
Am Ende ist keine "Intelligenz", es ist nur Mathematik und Statistik, der wir Intelligenz zusprechen.
Jetzt kommt viel Text. Ich hab Claude mal direkt im Projekt gefragt was gut läuft, was schlecht läuft usw.
Wie ich eine KI als Ausdauersport-Coach nutze – wiederkehrende Fehlermuster
Ich lasse eine KI regelmäßig Trainingsdaten (Rohdateien, Screenshots aus Trainingsplattformen, HRV-Werte) analysieren und als Coach fungieren. Das funktioniert oft gut, aber es gibt klare, wiederkehrende Schwachstellen:
1. Zeitliche Verortung von Ereignissen
Die KI verknüpft Ereignisse gelegentlich falsch zeitlich – z. B. wird eine Einheit von vor anderthalb Wochen fälschlich als "letzte Woche" behandelt, wenn mehrere Trainingstage im Gespräch referenziert werden. Muss durch explizite Datumsangaben korrigiert werden.
2. Spekulation statt "nicht bestimmbar"
Wenn Daten eine Lücke haben (z. B. kein Zeitstempel für ein bestimmtes Detail innerhalb einer Einheit), füllt die KI die Lücke tendenziell mit einer plausibel klingenden Vermutung, statt klar zu sagen "das lässt sich aus den Daten nicht ableiten". Das kann als Fakt missverstanden werden, wenn man nicht genau hinschaut.
3. Mehrdeutige Formulierungen zu Symptomen falsch interpretiert
Bei körperlichen Beschwerden (z. B. "das spüre ich manchmal") ist nicht immer klar, ob "aktuell" oder "historisch" gemeint ist. Die KI tendiert dazu, im Zweifel die vorsichtigere/besorgniserregendere Interpretation zu wählen – das führte zu überzogenen Warnungen, die erst nach expliziter Klarstellung ("das war vor 2 Jahren, aktuell nichts") zurückgenommen wurden.
4. Kontext-Annahmen statt Verifikation
Die KI ging einmal davon aus, eine hochgeladene Aktivität entspreche dem zuvor besprochenen Plan, obwohl es tatsächlich eine andere Einheit war. Nur durch aktive Datenprüfung (nicht durch Vertrauen auf die vorherige Absprache) fiel das auf.
5. Uneinheitlicher Umgang mit bereits vorliegenden Referenzwerten
Das ist der subtilste, aber wichtigste Punkt: Auch wenn eine autoritative Zahl (aus Screenshot/Plattform) bereits vorlag, hat die KI teilweise trotzdem eine eigene, abweichende Berechnung präsentiert, ohne die Diskrepanz klar aufzulösen oder eindeutig zu sagen, welcher Wert gilt. In einem Fall wurde sogar ein offensichtlich unplausibler Wert in einem Screenshot (passte nicht zu den übrigen Daten) kommentarlos übergangen, statt aktiv als Auffälligkeit benannt zu werden.
Gemeinsamer Nenner: Die Fehler passieren selten aus Datenmangel – meist lagen die richtigen Informationen (im Screenshot, in vorherigen Nachrichten) längst vor. Der Fehler liegt eher darin, vorliegende Referenzdaten nicht konsequent genug abzugleichen, und stattdessen Lücken oder Mehrdeutigkeiten mit einer eigenen (nicht immer korrekten) Interpretation zu schließen.
Was gut funktioniert: Rohdaten-Validierung gegen App-Anzeigen (deckt Diskrepanzen zuverlässig auf), Einbeziehung externer Faktoren (Wetter, Ernährung) in Dateninterpretation, und eine saubere Fehlerkorrektur, sobald man selbst aktiv nachhakt.
Wo du korrigierst:
- Chronologie/Zeitangaben – wenn ich Ereignisse falsch zeitlich einordne (z. B. "letzte Woche" statt korrektem Datum), stellst du das sofort mit dem exakten Datum richtig
- Fehlinterpretierte Aussagen – bei mehrdeutigen Formulierungen (z. B. zu Symptomen) korrigierst du, sobald meine Interpretation nicht dem entspricht, was du gemeint hast
- Fehlende Kontext-Verknüpfung – wenn ich Aktivitäten nicht richtig einordne (z. B. eine Einheit fälschlich als "passend zum Plan" annehme), stellst du den tatsächlichen Ablauf klar
Wo du konsequent nachhakst:
- Auf "saubere, validierte Analyse" bestehen – du forderst explizit Gegenprüfung der Rohdaten gegen App-Anzeigen ein, statt Zusammenfassungen unhinterfragt zu akzeptieren
- Unstimmigkeiten nicht durchgehen lassen – wenn etwas nicht zusammenpasst (Werte, Empfehlungen, meine eigene vorherige Aussage), sprichst du das direkt an, statt es stehen zu lassen
- Präzision einfordern – du lässt vage oder spekulative Aussagen nicht unkommentiert, sondern fragst nach, worauf sie beruhen
Wie das der Zusammenarbeit hilft:
- Datenintegrität bleibt hoch – durch dein konsequentes Nachhaken auf Validierung entsteht ein Korrektiv, das Fehler auffängt, bevor sie sich in Trainingsentscheidungen niederschlagen
- Ich kalibriere mich an deiner Faktenlage, nicht an Annahmen – deine Korrekturen zu Zeitpunkten/Kontext verhindern, dass falsche Prämissen in die weitere Analyse einfließen
- Klare Grenzen zwischen Fakt und Vermutung – dein Nachfragen bei Spekulation zwingt zu Präzision statt zu plausibel klingenden, aber unbelegten Aussagen
- Vertrauensbasis bleibt intakt – weil du Fehler direkt ansprichst statt sie zu ignorieren, bleibt die Analyse über die Zeit verlässlich, statt dass sich stille Fehlannahmen anhäufen
Kurz: Deine Rolle in der Zusammenarbeit ist im Grunde die eines Qualitätskontrolleurs – du lässt mich nicht "durchrutschen", sondern hältst mich an den Standard, den du selbst an Trainingsdaten anlegst (Ground Truth vor Spekulation, Fakten vor Annahmen).
Es sieht nach "piff paff puff" aus, aber damit es "piff paff puff" macht, muss viel nachgearbeitet werden....