• Hallo Gast, wir suchen den Renner der Woche 🚴 - vielleicht hast du ein passendes Rennrad in deiner Garage? Alle Infos

Strava mit Claude: KI analysiert eure Trainingsdaten

Anzeige

Re: Strava mit Claude: KI analysiert eure Trainingsdaten
Ähnliches Erkenntnisse habe ich auch durch.

Bei jeder 150km+ Tour die mit etwas Druck gefahren wird, bekomme ich an der rechten Oberschenkelinnenseite auf Kniehöhe heftige Krämpfe. Und auch nur dort an dieser Stelle.

Die Datenanalyse meiner .fit durch die KI hat ergeben, dass die Krämpfe nicht auf Grund einer falschen Verpflegung während der Fahrt auftreten, sondern sehr wahrscheinlich an falscher Einstellung von Cleats und Sattelposition liegen.
Sie hat mir präzise Tipps gegeben, was ich am besten in welchen Schritten verstellen soll.

Seitdem bin ich zwar noch keine "große" Runde gefahren, aber grundsätzlich fühlt sich die Muskelpartie an dieser Stelle etwas weniger belastet an.
Ähnliche Erfahrungen habe ich auch, seitdem ich die KI für meine Lottozahlen verwende. Grosse Gewinne habe ich zwar noch nicht, aber grundsätzlich fühlt es sich so an, dass ich öfters gewinne.
 
Zuletzt bearbeitet:
Also ich nutze Claude schon länger als persönlichen Coach. Aber mittels MCP zu Garmin trainingspeak und Google. So werden meine Trainings nach aktueller Wissenschaft analysiert und Trainingspläne täglich auch je nach Wetter geplant. Intervalle morgens direkt auf dem wahoo anhand von Schlafdaten optimiert und mit mir persönlich ab und an abgestimmt. Achja nutritionplan... Auch kein Problem anhand der eigenen Produkte und je nach Einheit kalkuliert, vor während und nach dem Training.
Was interessiert es mich wer meine Daten hat, ich habe ja auch die von pogacar 😁😜
In diesem Sinne allzeit frohes radeln oder trainieren.
Grüße
Stefan
 
Also ich nutze Claude schon länger als persönlichen Coach. Aber mittels MCP zu Garmin trainingspeak und Google. So werden meine Trainings nach aktueller Wissenschaft analysiert und Trainingspläne täglich auch je nach Wetter geplant. Intervalle morgens direkt auf dem wahoo anhand von Schlafdaten optimiert und mit mir persönlich ab und an abgestimmt. Achja nutritionplan... Auch kein Problem anhand der eigenen Produkte und je nach Einheit kalkuliert, vor während und nach dem Training.
Was interessiert es mich wer meine Daten hat, ich habe ja auch die von pogacar 😁😜
In diesem Sinne allzeit frohes radeln oder trainieren.
Grüße
Stefan
Dein Setup klingt nach genau dem, was ich auch ne Weile gefahren bin — Claude + MCP, eigene Skripte auf meine Intervals.icu- und Garmin-Daten. Und ehrlich: die Skepsis hier kann ich zur Hälfte verstehen, nur an anderen Stellen, als hier meistens kommt.

Für „wie fühl ich mich, was mach ich heute“ ist das erstaunlich brauchbar. Mein Problem war nie die einzelne Antwort, sondern dass es über die Wochen nicht zusammenpasste.

Im neuen Chat weiß das Ding halt nicht mehr, wo du im Block gerade stehst — es baut den Plan jedes Mal neu aus dem zusammen, was gerade im Kontext liegt. Heute top, nächste Woche schon wieder ein bisschen woanders. Die Tagesform kriegt es gut hin, aber den großen Bogen auf ein Zieldatum (Aufbau, Peak, Taper) verliert es, wenn quasi jeder Tag bei null anfängt.

Dazu der Klassiker: bittest du es um ein strukturiertes Workout, kommen Intervalle raus, die auf den ersten Blick passen — aber die TSS/IF-Rechnung geht nicht auf, oder es lässt sich nicht sauber in ein echtes Format schreiben. Und selbst wenn die Einheit gut ist: zuverlässig zurück in den Kalender / aufs Gerät, sodass sie das auch übersteht? Da hört der Bastelkram meistens auf.

Klingt jetzt negativer als gemeint — die Richtung stimmt schon. Nur ist der harte Teil eben nicht das LLM selbst, sondern alles drumherum: dass irgendwo ein echter Trainingszustand persistent liegt, dass Periodisierung und Workout-Bau deterministisch laufen und nicht halluziniert werden, und dass am Ende sauber zurückgeschrieben wird. Das LLM ist eher die Bedienoberfläche obendrauf.

Wie macht ihr das mit der Konsistenz über mehrere Wochen, wenn ihr täglich neu plant? Das ist für mich ehrlich gesagt die Stelle, an der ich noch keine saubere Lösung gesehen hab.
 
Dein Setup klingt nach genau dem, was ich auch ne Weile gefahren bin — Claude + MCP, eigene Skripte auf meine Intervals.icu- und Garmin-Daten. Und ehrlich: die Skepsis hier kann ich zur Hälfte verstehen, nur an anderen Stellen, als hier meistens kommt.

Für „wie fühl ich mich, was mach ich heute“ ist das erstaunlich brauchbar. Mein Problem war nie die einzelne Antwort, sondern dass es über die Wochen nicht zusammenpasste.

Im neuen Chat weiß das Ding halt nicht mehr, wo du im Block gerade stehst — es baut den Plan jedes Mal neu aus dem zusammen, was gerade im Kontext liegt. Heute top, nächste Woche schon wieder ein bisschen woanders. Die Tagesform kriegt es gut hin, aber den großen Bogen auf ein Zieldatum (Aufbau, Peak, Taper) verliert es, wenn quasi jeder Tag bei null anfängt.

Dazu der Klassiker: bittest du es um ein strukturiertes Workout, kommen Intervalle raus, die auf den ersten Blick passen — aber die TSS/IF-Rechnung geht nicht auf, oder es lässt sich nicht sauber in ein echtes Format schreiben. Und selbst wenn die Einheit gut ist: zuverlässig zurück in den Kalender / aufs Gerät, sodass sie das auch übersteht? Da hört der Bastelkram meistens auf.

Klingt jetzt negativer als gemeint — die Richtung stimmt schon. Nur ist der harte Teil eben nicht das LLM selbst, sondern alles drumherum: dass irgendwo ein echter Trainingszustand persistent liegt, dass Periodisierung und Workout-Bau deterministisch laufen und nicht halluziniert werden, und dass am Ende sauber zurückgeschrieben wird. Das LLM ist eher die Bedienoberfläche obendrauf.

Wie macht ihr das mit der Konsistenz über mehrere Wochen, wenn ihr täglich neu plant? Das ist für mich ehrlich gesagt die Stelle, an der ich noch keine saubere Lösung gesehen hab.
Ist alles ein Thema des harness. Musst ihm auch definieren wie eng und was er persistieren soll. Er legt von mir ein Athletenprofil an mit zielen und aktuellen bzw Statistik Werten. Alles was er weiß muss er nicht erneut einlesen oder über MCP erfragen. Dein Problem klingt danach wie wenn er die Ergebnisse der Session nicht speichert und somit auch bei der nächsten Session dein Ziel nicht mehr kennt.
Habe damit egtl nur gute Erfahrungen. Er erhöht mir über Wochen zb die nutrition und wöchentliche Volumen. Wobei er aber immer eine lockere Woche oder auch Volumenwochen einplant. Das alles von selbst ohne ihn erneut darauf hinweisen zu müssen. Bei Krankheit brems er mich super ein, neige eher zu viel und zu früh zu trainieren... Und knüpft dann an vorherigen zielen nahtlos an.
Aber ich habe ihm auch alles mögliche definiert. Dennoch agiert er sehr flexibel auch in der Plan Gestaltung.
 
Ist alles ein Thema des harness. Musst ihm auch definieren wie eng und was er persistieren soll. Er legt von mir ein Athletenprofil an mit zielen und aktuellen bzw Statistik Werten. Alles was er weiß muss er nicht erneut einlesen oder über MCP erfragen. Dein Problem klingt danach wie wenn er die Ergebnisse der Session nicht speichert und somit auch bei der nächsten Session dein Ziel nicht mehr kennt.
Habe damit egtl nur gute Erfahrungen. Er erhöht mir über Wochen zb die nutrition und wöchentliche Volumen. Wobei er aber immer eine lockere Woche oder auch Volumenwochen einplant. Das alles von selbst ohne ihn erneut darauf hinweisen zu müssen. Bei Krankheit brems er mich super ein, neige eher zu viel und zu früh zu trainieren... Und knüpft dann an vorherigen zielen nahtlos an.
Aber ich habe ihm auch alles mögliche definiert. Dennoch agiert er sehr flexibel auch in der Plan Gestaltung.
Ja, am Ende ist es der Harness — da bin ich völlig bei dir. Und deiner klingt richtig gut gebaut: progressive Steigerung von Volumen und Nutrition, automatische Entlastungswochen, Einbremsen bei Krankheit, nahtloses Anknüpfen an die Ziele. Das ist genau das, worauf es ankommt.

Die Punkte, die ich aufgezählt hatte, waren auch weniger meine offenen Baustellen als die Stellen, an denen so ein Setup kippt, wenn man den Harness eben NICHT sauber baut — also genau dein Punkt. Persistenter Zustand ist lösbar, wenn man ihn explizit definiert.

Wo es bei mir am längsten gedauert hat, war weniger die Woche-zu-Woche-Steigerung (die läuft, so wie du es beschreibst) als der große Bogen auf ein Zieldatum: echte Periodisierung mit Aufbau, Peak und Taper, rückwärts vom Event gerechnet — die sich aber trotzdem sauber neu ordnet, wenn Krankheit oder eine miese Woche dazwischenfunkt, ohne den Peak zu verlieren. Wie macht das deiner — planst du auf ein festes Zieldatum hin, oder steigert er eher fortlaufend und du steuerst das Timing selbst?
 
Im neuen Chat weiß das Ding halt nicht mehr, wo du im Block gerade stehst — es baut den Plan jedes Mal neu aus dem zusammen, was gerade im Kontext liegt. Heute top, nächste Woche schon wieder ein bisschen woanders. Die Tagesform kriegt es gut hin, aber den großen Bogen auf ein Zieldatum (Aufbau, Peak, Taper) verliert es, wenn quasi jeder Tag bei null anfängt.
Ich habe mir ein Projekt eingerichtet. Anweisung geschrieben, wissenschaftliche Paper hinterlegt, es gibt MD Dateien mit Infos und Verhalten die von Zeit zu Zeit aktualisiert werden. Wenn ich eine Fahrt analysieren lasse, vergleicht er diese auch manchmal selbst mit ähnlichen Fahrten aus dem Projekt. Und genau das "aber den großen Bogen auf ein Zieldatum" läuft, mit Datumskorrekturen, sonst ziemlich gut. Ich plane Wochen / Tage und passe diese ggfs. an.
 
Ich habe mir ein Projekt eingerichtet. Anweisung geschrieben, wissenschaftliche Paper hinterlegt, es gibt MD Dateien mit Infos und Verhalten die von Zeit zu Zeit aktualisiert werden. Wenn ich eine Fahrt analysieren lasse, vergleicht er diese auch manchmal selbst mit ähnlichen Fahrten aus dem Projekt. Und genau das "aber den großen Bogen auf ein Zieldatum" läuft, mit Datumskorrekturen, sonst ziemlich gut. Ich plane Wochen / Tage und passe diese ggfs. an.
Klingt nach einem richtig durchdachten Setup, das mit den Papern und den MD-Dateien, die du pflegst. Und dass er Fahrten von selbst mit ähnlichen aus dem Projekt vergleicht, ist genau die Art Kontext, die den meisten Bastel-Lösungen fehlt. Ehrlich gesagt weiter, als ich gedacht hätte.

Das „mit Datumskorrekturen“ finde ich aber den eigentlich spannenden Punkt. So wie ich das lese, bist du im Grunde selbst die deterministische Schicht: das Modell trifft den großen Bogen ungefähr, und du fängst die Drift beim Zieldatum ab, bevor sie zum Problem wird. Vielleicht lese ich da auch zu viel rein, aber das funktioniert wahrscheinlich gerade deshalb so gut, weil du Lust hast, da drin zu sein und nachzusteuern.

Und ehrlich gesagt zeigt mir dein Ansatz gerade, dass das Modell mehr vom großen Bogen halten kann, als ich ihm zugetraut hab. Ich war da wohl einfach zu vorsichtig. Ich hab genau diese Korrektur automatisiert und Datum und Phasenlogik fix in eine eigene Schicht gelegt, weil ich niemandem zumuten wollte, jede Woche selbst nachzujustieren. Für jemanden wie dich, der das gern macht und die Kontrolle behält, ist dein Weg vermutlich sogar der angenehmere.

Wie oft musst du denn so eine Datumskorrektur machen, wenn mal was dazwischenkommt? Das war für mich immer der Lackmustest, ob das Gerüst trägt oder nicht.
 
@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....
 
Das heisst ein Strava Jahresabo reicht nicht, es muss zusätzlich ein Claude Jahresabo vorliegen
Ich bin in der Annahme dass die Verbindung über MCP auch in der normalen kostenfreien Claude Version hergestellt werden kann. Die Frage ist wie der Verbrauch des "Guthaben" im Zusammenspiel ist.

Was ich mache ist ein anderer manueller Weg. Ich nehme aus Intervals und Garmin Daten die ausgewertet wurden und stelle diese in Textform, per Screenshot zzgl. zur TCX Datei Claude für die Auswertung zur Verfügung.

Du bringst mich aber gerade auf die Idee, den Konnektor zu testen, was bei einer Anfrage rauskommt im Vergleich zu meinem manuellen Vorgehen.

EDIT:
Habe das mal verprobt und gefragt welchen Mehrwert die Strava Verbindung liefert.
Hier die Antwort:

Berechtigter Einwand – ehrlich betrachtet ist der Mehrwert begrenzter, als es beim ersten Test aussah:

Was Strava NICHT liefert, was du brauchst:
  • Keine Laufdynamik (Schrittfrequenz, Bodenkontaktzeit, vertikales Verhältnis) – das kommt nur aus Garmin Connect
  • Kein SWOLF/Zugrate fürs Schwimmen – auch nur Garmin
  • Keine berechneten Metriken (Entkopplung, Power@HF, TSS mit korrektem FTP) – das bleibt Intervals.icu vorbehalten
  • Die Rohdaten-Streams (HF, Watt, Kadenz, Speed) sind inhaltlich identisch zu dem, was du eh per TCX hochlädst – kein Informationsgewinn dort
Der einzige echte Mehrwert: Direkter Zugriff auf Datum/Dauer/Distanz einer Aktivität, ohne dass du sie mir mitteilst oder hochlädst. Das ist tatsächlich nützlich für genau das Problem, das wir vorhin besprochen haben – die wiederkehrenden Chronologie-Fehler. Ich könnte list_activities nutzen, um Zeiträume/Reihenfolge zu verifizieren, bevor ich eine falsche zeitliche Annahme treffe, statt mich auf das zu verlassen, was im Gespräch erwähnt wurde.


Ehrliches Fazit: Für die eigentliche Trainingsanalyse (Entkopplung, Laufdynamik, Zonen) bringt der Connector nichts, was du nicht schon lieferst – TCX + Intervals/Garmin-Screenshots bleiben die bessere, vollständigere Quelle. Der Connector ist höchstens ein Hilfsmittel zur Chronologie-Absicherung im Hintergrund, kein Ersatz für deinen bisherigen Workflow.


Vorschlag: Ich nutze ihn nicht standardmäßig für Analysen, sondern nur punktuell, wenn Datum/Reihenfolge unklar ist oder ich das prüfen sollte, bevor ich eine falsche zeitliche Annahme treffe. Der Upload-Workflow für die eigentliche Analyse bleibt wie bisher. Passt das für dich?
 
Zuletzt bearbeitet:
Möglicherweise läßt sich das Korrigieren und Nachhaken durch Einstellungen der KI selbst beheben oder zumindest verbessern?
 
Der Witz an der Sache ist, dass es diese Einstellungen über MarkDown (MD) Dateien gibt, Anweisungen hinterlegt sind und Claude im Projekt noch einen Speicher hat in dem alles detailliert zusammengefasst ist. All das lässt sich auch regelmäßig anpassen um genauer zu werden, nichtsdestoweniger hält sich Claude nicht immer daran.
 
Newsletter

Die neuen Artikel jeden Morgen per Mail

Gegen 9 Uhr kommen alle Tests und News von Rennrad-News.de in dein Postfach. Kostenlos, jederzeit abbestellbar.

Zurück