AI-personlige trænere: virker de faktisk?

Den traditionelle personlige træner fungerer godt for dem, der har råd og kalenderplads. For mange andre ender løsningen med tilfældige videoer, generiske programmer og en rutine, der går i stå efter få uger.

AI-fitnesscoaching lover noget andet: personlig struktur, løbende tilpasning og træning hjemme, uden prisen på en fast træner. Det er en stærk idé, men den skal vurderes realistisk.

Hvad er en AI-personlig træner?

Udtrykket spænder bredt. I den simple ende er det bare et bibliotek af færdige programmer med en quiz foran. Det er ikke meget anderledes end et træningshæfte.

Mere adaptive systemer registrerer, hvad du gennemfører, hvor hårdt sessionerne føles, og hvordan du udvikler dig. Derefter justerer de fremtidige pas. Det er her, AI-coaching begynder at ligne personlig programmering.

Foster et al. (PMID 11357117) validerede session-RPE som en praktisk metode til at måle intern træningsbelastning. Det vigtige er, at oplevet anstrengelse kan fange træthed, søvn, stress og dagsform på en måde, som varighed eller gentagelser alene ikke kan.

Hvorfor personlig programmering betyder noget

ACSM’s position stand (Garber et al., PMID 21694556) understreger, at effektiv træningsprogrammering kræver individualisering. To personer med samme mål kan reagere forskelligt på samme frekvens, intensitet og volumen.

Schoenfeld, Ogborn og Krieger (PMID 27102172) fandt, at træningsfrekvens påvirker hypertrofi, men at individuelle responser varierer. Nogle trives med hyppigere stimuli. Andre restituerer bedre med færre hårde pas. Et godt program skal derfor justeres efter respons, ikke kun efter en standardplan.

Det er samme logik som i progressiv overload hjemme: progression skal ske i et tempo, kroppen kan absorbere.

Hvad app-forskningen viser

Schoeppe et al. (PMID 27927228) gennemgik app-baserede interventioner og fandt, at de fleste inkluderede studier forbedrede mindst ét relevant outcome for fysisk aktivitet. Apps med feedback, målsætning og selvmonitorering så ud til at klare sig bedre.

Jakicic et al. (PMID 10546695) viste i et længere studie, at hjemmetræning kan opnå adherence på niveau med superviserede grupper, når strukturen er tydelig. Det er vigtigt, fordi adherence er den store flaskehals. Det bedste program virker kun, hvis det bliver udført.

Lally et al. (PMID 19586449) viste samtidig, at vanedannelse varierer meget og ofte tager uger til måneder. En AI-træner skal derfor ikke bare give gode pas. Den skal hjælpe brugeren længe nok til, at adfærden bliver gentagelig.

Hvor AI-coaching kommer til kort

Den største begrænsning er teknik. Kamera- og pose-estimation er blevet bedre, men ingen almindelig AI-coach kan konsekvent erstatte en dygtig menneskelig træners øje for subtile fejl, skadesrisiko eller komplekse bevægelseskompensationer.

Begyndere med smerter, tidligere skader eller meget usikker teknik bør stadig overveje et par sessioner med en certificeret træner. Det giver et fundament, som app-baseret progression kan bygge videre på.

AI kan heller ikke fuldt ud læse akut sygdom, følelsesmæssig belastning eller den slags livsstress, der gør en hård session til en dårlig idé. Den kan kun arbejde med de signaler, du giver den. Derfor er ærlig logging afgørende.

Autoregulering gør systemet smartere

Autoregulering betyder, at træningen justeres efter løbende feedback. Session-RPE er en enkel måde at gøre det på: efter passet vurderer du, hvor hårdt hele sessionen føltes. Sammen med varighed og gennemførelse kan systemet estimere belastning.

To 20-minutters pas kan se ens ud på papir, men føles helt forskellige efter en dårlig nat. Hvis systemet registrerer den forskel, kan næste pas blive bedre matchet. Det hænger direkte sammen med søvn og træningsperformance og hviledage og restitution.

Sådan får du mest ud af AI-træning

Log ærligt. Hvis du markerer et halvt gennemført pas som fuldt gennemført, forurener du den data, systemet skal bruge.

Giv systemet tid. To uger er sjældent nok til at forstå din restitution, optimale varighed eller frekvens. Fire til seks uger med stabil data giver et langt bedre billede.

Brug gamification som støtte, ikke som erstatning for indsats. Badges og streaks er nyttige, fordi de reducerer frafald. Men den fysiske tilpasning kommer stadig fra gentagne, reelle sessioner.

RazFits Orion og Lyssa bruger korte adaptive pas på 1-10 minutter, så konsistens bliver lettere. For mange travle mennesker er det netop nøglen: ikke et perfekt program, men et program der bliver udført, justeret og gentaget. Det samme princip ligger bag fitnessvaner der holder og gamification i fitness.

Referencer

1. Garber CE et al. (2011). “Quantity and quality of exercise for developing and maintaining cardiorespiratory, musculoskeletal, and neuromotor fitness in apparently healthy adults: guidance for prescribing exercise.” Medicine & Science in Sports & Exercise, 43(7), 1334-1359. PMID 21694556. https://pubmed.ncbi.nlm.nih.gov/21694556/
2. Jakicic JM et al. (1999). “Effects of intermittent exercise and use of home exercise equipment on adherence, weight loss, and fitness in overweight women: a randomized trial.” JAMA, 282(16), 1554-1560. PMID 10546695. https://pubmed.ncbi.nlm.nih.gov/10546695/
3. Foster C et al. (2001). “A new approach to monitoring exercise training.” Journal of Strength and Conditioning Research, 15(1), 109-115. PMID 11357117. https://pubmed.ncbi.nlm.nih.gov/11357117/
4. Schoenfeld BJ, Ogborn D, Krieger JW (2016). “Effects of resistance training frequency on measures of muscle hypertrophy: a systematic review and meta-analysis.” Sports Medicine, 46(11), 1689-1697. PMID 27102172. https://pubmed.ncbi.nlm.nih.gov/27102172/
5. Lally P et al. (2010). “How are habits formed: modelling habit formation in the real world.” European Journal of Social Psychology, 40(6), 998-1009. PMID 19586449. https://pubmed.ncbi.nlm.nih.gov/19586449/
6. Schoeppe S et al. (2016). “Efficacy of interventions that use apps to improve diet, physical activity and sedentary behaviour: systematic review.” International Journal of Behavioral Nutrition and Physical Activity, 13(1), 127. PMID 27927228. https://pubmed.ncbi.nlm.nih.gov/27927228/

Relaterede artikler

• Hviledage og restitution: videnskaben bag smartere recovery
• Progressiv overload hjemme: guide uden fitnesscenter
• Sådan bygger du en fitnessvane der holder
• Hvordan gamification ændrer fitness