Hvordan AI Workout Apps tilpasser træning

De fleste “personaliserede” træningsapps er ikke specielt tilpassede. De stiller et par onboarding-spørgsmål, sorterer dig i en bøtte og leverer en skabelon bygget til folk, der vagt kan lide dig.

Reel personalisering starter senere, når systemet har set, hvordan du rent faktisk opfører dig.

Hvad en adaptiv app virkelig gør

(Kilder: An evaluation of the effect of app-based exercise prescription using reinforcement learning on satisfaction and exercise intensity: randomized crossover trial; Effectiveness of a digital health intervention leveraging reinforcement learning: results from the DIAMANTE randomized clinical trial; Enhancing digital health services: a machine learning approach to personalized exercise goal setting) (Source 1; Source 2; Source 3; Source 4; Source 5; Source 6)

(Kilder: An evaluation of the effect of app-based exercise prescription using reinforcement learning on satisfaction and exercise intensity: randomized crossover trial; Effectiveness of a digital health intervention leveraging reinforcement learning: results from the DIAMANTE randomized clinical trial; Enhancing digital health services: a machine learning approach to personalized exercise goal setting) Et AI træningssystem fungerer normalt med en simpel løkke:

• den ser, hvad du har fuldført
• det måler eller udleder, hvor hårdt det føltes
• det bemærker mønstre i timing, overspring og konsistens
• den justerer, hvad der kommer derefter

Det er en mere meningsfuld version af personalisering end en engangsquiz, fordi den reagerer på beviser snarere end selvbeskrivelse.

Fosters session-RPE-arbejde betyder noget her. Intern belastning er ofte mere informativ end rå varighed eller gentagelsestal. Hvis en app opdager, at en bestemt volumen konsekvent gør trætheden for høj, eller at visse sessioner springes over oftere end andre, kan den ændre planen på måder, som en statisk app ikke kan. Det er den samme forskel, der gør AI fitness-træner apps mere interessante end statiske træningsbiblioteker.

Forskningssignalet, der er værd at være opmærksom på

(Kilder: Quantity and quality of exercise for developing and maintaining cardiorespiratory, musculoskeletal, and neuromotor fitness in apparently healthy adults; A new approach to monitoring exercise training; Systematic review exploring human, AI, and hybrid health coaching in digital health interventions: trends, engagement, and lifestyle outcomes) (Source 1; Source 2; Source 3; Source 4; Source 5; Source 6)

(Kilder: Quantity and quality of exercise for developing and maintaining cardiorespiratory, musculoskeletal, and neuromotor fitness in apparently healthy adults; A new approach to monitoring exercise training; Systematic review exploring human, AI, and hybrid health coaching in digital health interventions: trends, engagement, and lifestyle outcomes) Doherty et al. fandt, at forstærkningsindlæringsbaseret træningsrecept forbedrede både tilfredshed og træningsintensitet sammenlignet med en standardalgoritme i et crossover-forsøg. Det er nyttigt, fordi det får en kerneudfordring i appdesign: at skubbe hårdt nok til at skabe et træningssignal uden at få programmet til at føles straffende eller klodset.

Aguileras DIAMANTE-forsøg har også betydning, selvom det fokuserede på beskedtiming og aktivitetsstøtte mere bredt. Det viste, at forstærkende læringssystemer kan forbedre adfærdsmæssige resultater ved at tilpasse interventioner til individet over tid i stedet for at behandle hver bruger på samme måde.

Den praktiske betydning er enkel: bedre AI-systemer vælger ikke kun øvelser. De lærer, hvordan og hvornår en person er mest tilbøjelig til at reagere godt.

Hvad de bedste apps personliggør

(Kilder: An evaluation of the effect of app-based exercise prescription using reinforcement learning on satisfaction and exercise intensity: randomized crossover trial; Effectiveness of a digital health intervention leveraging reinforcement learning: results from the DIAMANTE randomized clinical trial; Enhancing digital health services: a machine learning approach to personalized exercise goal setting) (Source 1; Source 2; Source 3; Source 4; Source 5; Source 6)

(Kilder: An evaluation of the effect of app-based exercise prescription using reinforcement learning on satisfaction and exercise intensity: randomized crossover trial; Effectiveness of a digital health intervention leveraging reinforcement learning: results from the DIAMANTE randomized clinical trial; Enhancing digital health services: a machine learning approach to personalized exercise goal setting) Den stærkeste personalisering sker normalt på tværs af tre variabler:

1. Volumen

Hvor meget samlet arbejde sessionen omfatter.

2. Sværhedsgrad

Om bevægelserne, hvileperioderne eller tempoet skal blive sværere eller lettere.

3. Valg

Hvilke øvelser er mere tilbøjelige til at blive gennemført godt og gentaget konsekvent.

Det tredje punkt betyder mere, end det ser ud til. Et teknisk “perfekt” træningsvalg er ikke perfekt, hvis brugeren altid springer det over. God personalisering er ikke kun fysiologi. Det er adfærd plus fysiologi.

Det er også det, der adskiller stærke produkter fra apps, der hovedsageligt markedsfører AI som overskrift. For travle brugere viser guiden til fitness-app-funktioner for travle, hvorfor lav friktion og tilgivende progression ofte betyder mere end en lang funktionsliste.

Hvad AI stadig ikke kan gøre fuldt ud

(Kilder: Quantity and quality of exercise for developing and maintaining cardiorespiratory, musculoskeletal, and neuromotor fitness in apparently healthy adults; A new approach to monitoring exercise training; Systematic review exploring human, AI, and hybrid health coaching in digital health interventions: trends, engagement, and lifestyle outcomes) (Source 1; Source 2; Source 3; Source 4; Source 5; Source 6)

(Kilder: Quantity and quality of exercise for developing and maintaining cardiorespiratory, musculoskeletal, and neuromotor fitness in apparently healthy adults; A new approach to monitoring exercise training; Systematic review exploring human, AI, and hybrid health coaching in digital health interventions: trends, engagement, and lifestyle outcomes) Den ser ikke alt.

Det kan gå glip af subtil formopdeling.

Det kan misforstå, hvorfor en session blev sprunget over.

Det kan fortolke livsstress som manglende motivation eller omvendt.

Og medmindre produktet har en usædvanlig stærk kontekstfangst, er det stadig svagere end en tankevækkende menneskelig coach til at integrere skadeshistorie, følelsesmæssig tilstand og bevægelsesnuance i den samme beslutning.

Bundlinje

(Kilder: An evaluation of the effect of app-based exercise prescription using reinforcement learning on satisfaction and exercise intensity: randomized crossover trial; Effectiveness of a digital health intervention leveraging reinforcement learning: results from the DIAMANTE randomized clinical trial; Enhancing digital health services: a machine learning approach to personalized exercise goal setting) (Source 1; Source 2; Source 3; Source 4; Source 5; Source 6)

(Kilder: An evaluation of the effect of app-based exercise prescription using reinforcement learning on satisfaction and exercise intensity: randomized crossover trial; Effectiveness of a digital health intervention leveraging reinforcement learning: results from the DIAMANTE randomized clinical trial; Enhancing digital health services: a machine learning approach to personalized exercise goal setting) AI personliggør træning bedst, når det er tilladt at lære af reel brug, ikke kun onboarding-svar.

Det betyder, at appen har brug for nok feedbackdata, nok konsistens og nok godt design til at holde sløjfen i live.

Det overordnede løfte er personalisering.

Den egentlige mekanisme er tilpasning.

Referencer

(Kilder: A new approach to monitoring exercise training; Systematic review exploring human, AI, and hybrid health coaching in digital health interventions: trends, engagement, and lifestyle outcomes)

1. Doherty C et al. (2024). An evaluation of app-based exercise prescription using reinforcement learning. PMID 39622712
2. Aguilera A et al. (2024). Effectiveness of a digital health intervention leveraging reinforcement learning. PMID 39378080
3. Fang J, Lee VCS et al. (2024). Enhancing digital health services: a machine learning approach to personalized exercise goal setting. PMID 38384365
4. Garber CE et al. (2011). Quantity and quality of exercise for developing and maintaining fitness in apparently healthy adults. PMID 21694556
5. Foster C et al. (2001). A new approach to monitoring exercise training. PMID 11357117
6. Connolly SL et al. (2025). Systematic review exploring human, AI, and hybrid health coaching in digital health interventions. PMID 40343215