Wir haben ein Ermüdungsmodell gebaut. Dann haben wir versucht, es zu brechen.

Ein Trainingsmodell muss unsere Angriffe überstehen, bevor es sich einen Pixel auf deinem Bildschirm verdient — und dieses hat es nicht.

2026-07-16 · 7 Min. Lesezeit · Brevet · KI-unterstützt

Mit KI-Unterstützung verfasst. Die Prüfung dieser Fassung durch einen Menschen steht noch aus — das sagen wir lieber, als eine anzudeuten. Die Wissenschaft ist belegt und echt; der Artikel ist keine medizinische Beratung.

Die Kurzfassung: Die meisten Trainings-Apps geben dir eine selbstsichere Zahl — einen Formwert, eine Frische in Prozent — aus einem Modell, das dich nie kennengelernt hat. Wir haben ein ehrlicheres gebaut, mit ein paar getrennten Zuständen statt einer einzigen Zahl. Dann haben wir, bevor es deinen Bildschirm berührte, wochenlang versucht, es zu widerlegen. Es ist durch die meisten Prüfungen gefallen. Also haben wir es nicht ausgeliefert — und das hier ist die Geschichte, warum das Nicht-Ausliefern der ganze Punkt ist.

Die Zahl, nach der niemand fragt

Öffne fast jede Trainings-App, und sie sagt dir, wie frisch du heute bist. Eine Prozentzahl. Ein kleiner bunter Ring. Ein Wort wie „bereit“.

Die Frage, die niemand stellt: Wo kommt das her? Auf den meisten Plattformen aus einem Modell, das deine Trainingsbelastung beobachtet — eine Zahl dafür, wie viel Fitness du aufgebaut hast, eine dafür, wie müde du bist — und die zweite von der ersten abzieht. Das war's. Dieses Modell stammt von 1975. Es heißt Banister-Modell, und es ist auf die Art nützlich, auf die ein Hammer nützlich ist. Es ist auch stumpf. Es behandelt drei Stunden lockere Ausdauer und vierzig Minuten wütende Intervalle als dieselbe „Belastung“, nur in verschiedenen Größen, und von dir im Besonderen hat es nie gehört.

Das hatte ich satt. Also habe ich etwas gebaut, das auf dem Papier besser ist.

Was es wissen sollte

Statt einer Ermüdungszahl trägt das neue Modell mehrere getrennte. Wie tief deine aerobe Basis ist. Deine scharfe Spitze. Wie frisch du gerade bist. Wie gut du spät in einer langen Fahrt Leistung hältst, wenn jeder an einer anderen Stelle auseinanderfällt. Es liest das aus Dingen, die dein Körper und deine Fahrten ohnehin hervorbringen — die morgendliche Herzfrequenzvariabilität, wie viel Leistung dir deine Herzfrequenz „kauft“, wie sich deine Zeit auf die Zonen verteilt.

Der Traum liegt auf der Hand: ein Modell, das lernt, was davon tatsächlich du bist, und aufhört, so zu tun, als wärst du der Durchschnitt.

Und genau da wird es gefährlich. Denn in dem Moment, in dem ein Modell behauptet, etwas Persönliches über dich zu wissen, kann es sich selbstsicher über dich irren — und dir eine Zahl geben, die sich präzise anfühlt und nichts bedeutet.

Bevor es also in die Nähe deines Dashboards kam, haben wir versucht, es zu brechen.

Drei Tore, und durchs erste kam es nur knapp

Tor eins: Lässt es sich überhaupt festnageln? Ein vornehmes Wort für eine einfache Sorge. Gibt es zu einer Saison deiner Daten eine Antwort, auf die sich das Modell einpendelt — oder könnten zehn völlig verschiedene innere Einstellungen dieselben Zahlen erzeugen, sodass die „Antwort“ in Wahrheit ein Münzwurf ist? Wir haben das Ganze als Wegwerf-Simulation mit eingebauter bekannter Wahrheit laufen lassen und es gebeten, diese Wahrheit wiederzufinden. Es hat es geschafft — aber erst, nachdem wir es hart zurückgeschnitten hatten, bis es wirklich nur noch eine einzige Zahl personalisierte und alles andere auf dem Standardwert aus Gruppendaten hielt.

Tor zwei: Übersteht es, ein bisschen falsch zu liegen? In der echten Welt hast du nie die perfekten Konstanten. Also haben wir ihm absichtlich die kleinen Fehler gefüttert, die man tatsächlich hat. Der Teil, der das Modell zu deinem machte — die saubere Trennung zwischen „deine aerobe Basis hat sich verändert“ und „du bist heute einfach müde“ —, löste sich auf. Die beiden verhedderten sich, und das Modell fing an, ein gutes Frühstück als Fitnessgewinn zu lesen. Das ist kein Rundungsfehler. Das ist das Hauptmerkmal, das versagt.

Tor drei: still auf echten Daten laufen lassen. Das ist das ehrliche. Wir haben das Modell für einen einzigen Fahrer eingeschaltet — mich, ein Jahr echtes Training — in einem Modus, der alles berechnet und nichts zeigt. Ein Schatten. Dann haben wir uns die zwei Zahlen angesehen, die es über mich lernen durfte.

Beide sind geradewegs gegen die Wand geknallt.

Ein Parameter, der am äußersten Rand seines erlaubten Bereichs klebt, ist kein Befund. Er ist das mathematische Gegenstück zu einem Schulterzucken. Das Modell konnte keinen Wert finden, der zu mir passte, also floh es an die Grenze und blieb dort stehen.

An dieser Stelle begraben es die meisten Teams stillschweigend. Ich nicht — ein Schulterzucken ist eine Frage, keine Antwort. Also habe ich gesucht, warum das Modell mit den Schultern zuckt.

Zwei der Gründe waren meine eigene Schuld. Erstens hatte ich ihm fünf- bis siebenmal mehr Trainingsbelastung gefüttert, als seine eigene Mathematik verkraftet, und damit eine seiner inneren Zahlen so weit aus ihrem Arbeitsbereich geschoben, dass das Ganze brach. Das war nicht das Modell, das versagte. Das war ich, der ihm Müll gab. Zweitens zählte ich beim Messen meiner aeroben Basis meine harten Intervalltage, als wären sie lockere Ausdauerfahrten — eine schwere Woche sah also aus, als würde meine Basis zerfallen, während ich in Wahrheit nur mehr Intervalle gefahren war. Das Modell schloss pflichtbewusst: „Dein Training baut deine Basis nicht auf.“ Das klang nach einem ehrlichen, demütigenden Ergebnis. Es war kein Ergebnis. Es war mein Bug.

Also habe ich beides behoben. Die Belastung dorthin zurückskaliert, wo die Mathematik hält. Für die aerobe Basis nur die wirklich lockeren Fahrten gezählt. Noch einmal laufen lassen.

Und der ehrliche Kern blieb stehen. Die eine Zahl, die das Modell über mich tatsächlich lernen kann, ist dieselbe, die unser ausgeliefertes, langweiliges Modell schon lernt — mehr nicht. Auf meinem einen Jahr Daten personalisiert die ganze zusätzliche Maschinerie exakt nichts Neues. Das ist kein Bug, den ich beheben kann. Das ist die Antwort.

Also haben wir es nicht ausgeliefert

Das ist das Ende. Das aufwendigere Modell kommt nicht auf deinen Bildschirm. Das von 1975 — der stumpfe Hammer aus Gruppendaten, der wenigstens ehrlich damit ist, für alle gebaut zu sein — bleibt genau dort, wo es ist.

Und das ist der Teil, den ich wirklich mag: Das Brechen hat zweimal funktioniert. Einmal am Modell — es hat mir gesagt, dass sich seine raffinierten inneren Zustände ihren Platz auf deinem Bildschirm noch nicht verdient haben. Und einmal an mir — es hat zwei Bugs hervorgebracht, die ich fröhlich ausgeliefert hätte, hätte ich versucht, die Demo klug aussehen zu lassen, statt sie zu brechen. Das Modell schreibt jetzt in seine eigene Ausgabe: „Ich konnte keinen persönlichen Wert für dich bestimmen“ — in nüchterner Mathematik, nicht als selbstsichere Scheinzahl. Falls es auf den Daten von genügend Fahrern je eine echte, ehrliche Antwort findet, werden wir sehen, dass es das sagt. Erst dann beginnt überhaupt das Gespräch darüber, dir irgendetwas zu zeigen.

Es ist nicht das erste Mal. Der Readiness-Wert weigert sich schon heute, dir in deinen ersten zwei Wochen eine Zahl zu zeigen, weil jede Zahl ein Standardwert plus Rauschen ist, solange er deine Baseline nicht gelernt hat. Wir haben einmal ein aufwendigeres Erholungsmodell gebaut und es weggeworfen, weil es deine Batterie gegenüber der validierten Kurve vier- bis fünfmal zu schnell auflud. Jedes Mal derselbe Reflex: lieber zu wenig behaupten und recht behalten, als zu viel behaupten und bloß die App mit den hübscheren Diagrammen sein.

Was ich nicht behaupte. Ich sage nicht, dass die Idee tot ist. Ein Fahrer mit Jahren dichter Daten, oder ein paar hundert zusammen statt einem, könnte durchaus noch ein Signal zeigen, das sich zu personalisieren lohnt — und es gibt ein bestimmtes Datum im Kalender, an dem uns ein getrenntes, laufendes Experiment sagt, ob die eine Zahl, die überlebt hat, überhaupt etwas wert ist. Ich sage auch nicht, dass das alte Modell gut ist. Es ist ein stumpfes Instrument; wir würden es gern ersetzen. Ich sage, dass sich dieser Ersatz die Stelle nicht verdient hat, und ich verkleide ihn nicht so, als hätte er es.

Jede andere App liefert sich ein Rennen darum, dir mehr selbstsichere Zahlen zu zeigen. Das Ehrlichste, was ein Trainingswerkzeug tun kann, ist, dir weniger zu zeigen — und dir zu sagen, welchen es noch nicht traut, die eigenen eingeschlossen.

Brevet ist ein Trainings- und Wellness-Werkzeug, kein Medizinprodukt im Sinne der EU-MDR 2017/745. Alles hier beschreibt, was ein Modell mit Trainingsdaten tut — nie, was deine Zahlen über deine Gesundheit bedeuten. Das letzte Wort hast immer du.