Strava öffnet die eigenen Trainingsdaten für KI-Auswertungen. Genauer: Der Dienst startet einen sogenannten MCP-Connector, über den Strava-Abonnenten ihren Account mit Claude verbinden können. Danach lassen sich die eigenen Aktivitäten per natürlicher Sprache abfragen – ohne vorher Daten exportieren, Tabellen bauen oder Drittanbieter-Skripte nutzen zu müssen.
Für Biker oder Sportler im Allgemeinen ist das vor allem dann interessant, wenn über Jahre viele Daten gesammelt wurden: Touren, Trainings, Pulsverläufe, Leistungswerte, GPS-Tracks, Rennen, Pendelstrecken oder Krafttraining. Statt sich durch Aktivitätslisten zu klicken, kann man Claude künftig direkt fragen, was in den eigenen Daten auffällt.
Was ist MCP überhaupt?
MCP steht für Model Context Protocol. Vereinfacht gesagt ist es eine Schnittstelle, über die ein KI-Assistent auf bestimmte externe Daten zugreifen kann – in diesem Fall auf die eigenen Strava-Daten. Wichtig: Der Zugriff ist laut Strava auf den eigenen Account begrenzt, nur lesend und kann jederzeit in den Strava-Einstellungen widerrufen werden.
Das ist der entscheidende Unterschied zu den bisherigen Bastellösungen. Wer seine Strava-Historie bisher mit KI auswerten wollte, musste Daten exportieren und manuell in ein KI-Tool kopieren oder auf inoffizielle Drittanbieter setzen. Mit dem neuen Connector wird dieser Schritt direkter und sauberer gelöst.
Welche Daten kann Claude auswerten?
Strava nennt mehrere Datenbereiche, auf die der Connector zugreifen kann. Dazu gehören unter anderem Aktivitätsdaten, GPS-Informationen und Leistungswerte. Für Radfahrer besonders relevant: Auch Power-Daten können einbezogen werden, sofern sie in Strava vorhanden sind.
- Aktivitätsdaten und Trainingshistorie
- Stream-Daten wie Herzfrequenz, Pace oder Verlauf während der Aktivität
- GPS-Daten zur geografischen Analyse
- Leistungsdaten beim Radfahren
- Club- und Event-Daten
Damit lassen sich deutlich komplexere Fragen stellen als in einer normalen Aktivitätsübersicht. Etwa: Welche Trainingseinheiten haben meine Form am stärksten verbessert? Waren meine lockeren Tage wirklich locker? Wie wirkt sich zusätzliches Laufen, Krafttraining oder Pendeln auf meine Bike-Performance aus?
Was bringt das Rennradfahrern?
Für den typischen Wochenend-Loop braucht niemand eine KI-Auswertung. Spannend wird es aber, wenn viele Daten zusammenkommen. Wer regelmäßig trainiert, Rennen fährt, Wattwerte sammelt oder verschiedene Sportarten kombiniert, kann die eigene Historie deutlich schneller durchsuchen lassen.
Mögliche Fragen wären zum Beispiel:
- Welche Strecken fahre ich schneller als vor einem Jahr?
- Wie haben sich meine Leistungswerte auf langen Anstiegen entwickelt?
- Fahre ich meine lockeren Einheiten zu hart?
- Welche Wochen vor meinen besten Rennen sahen im Training ähnlich aus?
- Wie verändert sich meine Belastung, wenn ich zusätzlich Laufeinheiten einbaue?
Das ersetzt keinen Trainer und keine saubere Leistungsdiagnostik. Es kann aber helfen, Muster zu erkennen, die in der normalen Strava-Ansicht leicht untergehen.
Nur für Abonnenten, zunächst mit Claude
Zum Start ist der Strava-MCP-Connector eine Funktion für Strava-Abonnenten. Der Rollout beginnt weltweit und läuft schrittweise. Wer noch keinen Zugriff sieht, soll laut Strava später freigeschaltet werden.
Aktuell startet Strava mit Claude von Anthropic. Ob und wann andere KI-Assistenten unterstützt werden, ist noch offen. Strava schreibt im Help Center, dass man künftig auch andere AI-Clients unterstützen möchte.
Datenschutz: praktisch, aber sensibel
So sinnvoll die Funktion für Datenanalyse ist: Trainingsdaten sind sensibel. GPS-Tracks, Wohnortnähe, Pendelrouten, Herzfrequenz, Leistungswerte und Trainingsgewohnheiten sagen viel über eine Person aus. Deshalb ist wichtig, dass Strava den Zugriff als read-only beschreibt und die Verbindung jederzeit widerrufen werden kann.
Trotzdem sollte man sich vor der Nutzung bewusst machen, welche Daten man einem KI-Dienst zugänglich macht. Gerade wer private Routen, Wohnortnähe oder sensible Gesundheitsdaten in Strava speichert, sollte die eigenen Privatsphäre-Einstellungen prüfen.
Wo gibt es die Anleitung?
Strava stellt die Einrichtung über das Help Center bereit. Dort soll auch sichtbar sein, ob der eigene Account bereits Zugriff auf den MCP-Connector hat. Alternativ kann in Claude geprüft werden, ob der Strava-Connector bereits verfügbar ist.
- Strava Help Center: Strava MCP Connector
- Strava: strava.com
Würdet ihr eure Strava-Daten von einer KI auswerten lassen – oder ist euch das bei GPS-, Puls- und Leistungsdaten zu sensibel?

34 Kommentare
» Alle 34 Kommentare im Forum lesen →@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:
Wo du konsequent nachhakst:
Wie das der Zusammenarbeit hilft:
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....
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?
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.
Wir laden dich ein, jeden Artikel bei uns im Forum zu kommentieren und diskutieren. Schau dir die bisherige Diskussion an oder kommentiere einfach im folgenden Formular: