Wenn die KI Deinen Körper besser kennen will als du

Die Uhr bewertet unseren Schlaf, Algorithmen berechnen unsere Erholung, Kameras analysieren Bewegungen und künstliche Intelligenz schreibt Trainingspläne. Noch nie hatten Sportlerinnen und Sportler so viele Daten über den eigenen Körper zur Verfügung. Doch aus Daten wird nicht automatisch Wissen. Wie weit ist die KI im Sport wirklich – und wo beginnt die Scheingenauigkeit?

Am Morgen genügt ein Blick aufs Handgelenk. Die Nacht war offenbar nicht besonders gut. Die Uhr hat eine niedrige Erholung berechnet, die Herzfrequenzvariabilität liegt unter dem persönlichen Durchschnitt, der Schlafscore enttäuscht. Vielleicht erscheint sogar eine Empfehlung: heute etwas ruhiger machen.

Noch bevor man selbst entschieden hat, wie man sich eigentlich fühlt, hat ein Algorithmus bereits ein Urteil gefällt. Für Millionen Sportlerinnen und Sportler ist das längst Alltag. Training wird aufgezeichnet, Schlaf vermessen, Herzfrequenz analysiert. Uhren schätzen die maximale Sauerstoffaufnahme, Apps berechnen Trainingsbelastungen und Algorithmen versuchen vorherzusagen, wann der Körper bereit für den nächsten harten Reiz ist.

Der nächste Schritt hat bereits begonnen. Künstliche Intelligenz soll aus all diesen Informationen Trainingspläne erstellen, Bewegungen analysieren und womöglich sogar erkennen, wann eine Verletzung droht.

Es klingt nach einer Zukunft, in der der eigene Körper kaum noch Geheimnisse kennt. Die Wissenschaft zeichnet allerdings ein komplizierteres Bild. Denn zwischen einem gemessenen Herzschlag und der Empfehlung, heute besser nicht zu trainieren, liegen mehrere Schritte. Und jeder einzelne kann Unsicherheit erzeugen.

Messen ist nicht dasselbe wie verstehen

Moderne Wearables sind keineswegs bloße Spielzeuge. Eine große Übersichtsarbeit im Fachjournal Sports Medicine wertete 24 systematische Reviews mit insgesamt 249 verschiedenen Validierungsstudien aus. Gerade bei der Herzfrequenz liefern viele Geräte inzwischen erstaunlich brauchbare Ergebnisse.

Doch schon bei anderen Größen wird das Bild wesentlich unübersichtlicher. Energieverbrauch, Aktivitätsintensität oder Schlaf werden nicht direkt gemessen. Sie werden aus anderen Signalen berechnet. Bewegungen des Handgelenks, optisch erfasster Blutfluss oder nächtliche Herzfrequenz werden zu Kennzahlen verarbeitet, die anschließend sehr präzise aussehen können.

7 Stunden und 43 Minuten Schlaf. 82 Punkte Erholung. Eine maximale Sauerstoffaufnahme von 52. Die Zahl besitzt eine Genauigkeit, die das zugrunde liegende Verfahren nicht zwangsläufig besitzt. Eine große Wearable-Übersicht kam beispielsweise zu dem Ergebnis, dass nur ein kleiner Teil der kommerziell verfügbaren Geräte überhaupt für mindestens einen biometrischen Endpunkt wissenschaftlich validiert worden war.

Das bedeutet nicht, dass die Werte wertlos sind Es bedeutet aber, dass zwischen zwei Aussagen ein erheblicher Unterschied liegt:

• Meine Uhr misst meine Herzfrequenz. U

• Und:

  Meine Uhr weiß, wie erholt ich bin.

Wie gut hast du wirklich geschlafen?

Besonders anschaulich wird das beim Schlaf. Der medizinische Referenzstandard zur Schlafmessung ist die Polysomnographie. Dabei werden unter anderem Hirnaktivität, Augenbewegungen und Muskelspannung erfasst.

Eine Smartwatch am Handgelenk kann all das nicht. Sie versucht deshalb, Schlaf aus anderen Signalen abzuleiten. Meta-Analysen zeigen, dass Consumer-Wearables dabei durchaus nützliche Informationen liefern können. Gleichzeitig können sie Schlafdauer und Schlafeffizienz überschätzen und Wachphasen unterschätzen.

In einer 2025 veröffentlichten Untersuchung mit älteren Ausdauerathletinnen und -athleten zeigte eine Smartwatch im Vergleich zu einer wissenschaftlichen Aktigraphie im Durchschnitt sogar deutlich mehr Schlafzeit an.

Das eigentlich Faszinierende beginnt aber erst danach. Denn eine Zahl auf dem Display beschreibt nicht nur unseren Zustand. Sie kann möglicherweise beeinflussen, wie wir ihn wahrnehmen. In einem kontrollierten Experiment erhielten Menschen absichtlich falsche Rückmeldungen über ihren Schlaf. Wer die Information bekam, angeblich schlecht geschlafen zu haben, fühlte sich anschließend schläfriger und weniger wach – obwohl diese Rückmeldung manipuliert worden war.

Die Untersuchung stammt nicht aus dem Leistungssport und lässt sich deshalb nicht eins zu eins übertragen. Doch sie zeigt ein bemerkenswertes Prinzip: Ein Gerät kann nicht nur messen, wie wir uns fühlen. Seine Bewertung kann mitbestimmen, wie wir uns fühlen.

Für Sportlerinnen und Sportler stellt sich damit eine neue Frage. Was passiert, wenn sich die Beine eigentlich gut anfühlen – die Uhr aber sagt, man sei nicht bereit?

Die schwierigste Aufgabe beginnt erst nach der Messung

Genau an dieser Stelle kommt künstliche Intelligenz ins Spiel. Denn KI ist im Sport besonders dann interessant, wenn sehr viele Daten gleichzeitig ausgewertet werden sollen. Trainingsumfang. Intensität. Schlaf. Herzfrequenzvariabilität. Ernährung. subjektives Wohlbefinden. frühere Leistungen.

Ein Mensch kann solche Daten nur begrenzt gleichzeitig überblicken. Ein Algorithmus kann innerhalb von Sekunden Muster darin suchen. Doch die entscheidende Frage lautet nicht, ob er Muster findet. Sondern ob diese Muster für diesen einen Menschen morgen früh die richtige Entscheidung ermöglichen.

Eine Studie mit Ausdauerathletinnen und -athleten sammelte über zwölf Wochen mehrere Tausend Trainingstage und versuchte mithilfe von Machine Learning unter anderem die morgendliche Erholung vorherzusagen. Auf Gruppenebene funktionierten die Modelle durchaus besser als einfache Vergleichsmodelle.

Bei einzelnen Personen schwankte die Qualität der Vorhersagen jedoch erheblich. Und damit berührt die Forschung ausgerechnet das zentrale Versprechen der personalisierten KI. Durchschnittswerte sind vergleichsweise einfach. Die Zukunft soll aber nicht durchschnittlich sein. Sie soll wissen, was du brauchst.

Kann eine KI wissen, wann du Dich verletzt?

Noch spektakulärer ist das Versprechen der Verletzungsprognose. Die Idee ist bestechend: Ein Algorithmus erhält Trainingsbelastung, Verletzungshistorie, Schlaf, Bewegungsdaten und physiologische Werte. Daraus erkennt er ein Muster und warnt, bevor eine Verletzung entsteht.

Tatsächlich erzielen manche Modelle in wissenschaftlichen Untersuchungen beeindruckende Trefferquoten. Doch genau hier lohnt sich ein zweiter Blick. Eine 2026 veröffentlichte systematische Übersichtsarbeit zu KI-basierter Verletzungsprognose fand bei den untersuchten Studien erhebliche methodische Probleme. Nur eine einzige wurde insgesamt mit einem niedrigen Risiko systematischer Verzerrungen bewertet.

Ein anderes großes Review im British Journal of Sports Medicine kam zu einem ähnlich differenzierten Ergebnis. Moderne Machine-Learning-Verfahren schnitten häufig gut ab. In mehreren direkten Vergleichen war eine klassische statistische Methode allerdings sogar besser.

Das größte Problem liegt noch tiefer. Viele Modelle werden mit historischen Daten entwickelt und anschließend mit ähnlichen Daten getestet. Sie können dann sehr gut erkennen, welche Muster in der Vergangenheit mit Verletzungen verbunden waren. Aber das ist nicht dasselbe wie die Frage: Kann die KI heute zuverlässig erkennen, dass sich ein bestimmter Mensch nächste Woche verletzen wird?

Und selbst wenn sie das könnte, wäre noch eine weitere Frage offen: Verhindert die daraufhin ausgesprochene Empfehlung tatsächlich Verletzungen? Zwischen einem guten Vorhersagemodell und einer erfolgreichen Prävention liegt ein erstaunlich großer wissenschaftlicher Abstand.

Gleichzeitig passiert etwas wirklich Revolutionäres

All diese Einschränkungen bedeuten allerdings nicht, dass KI im Sport überschätzt wird. In einigen Bereichen verändert sie schon heute grundlegend, was möglich ist. Ein besonders eindrucksvolles Beispiel ist die Bewegungsanalyse.

Noch vor wenigen Jahren benötigte eine hochwertige biomechanische Analyse häufig ein Labor, Markierungen auf dem Körper und mehrere Spezialkameras.

Heute können moderne Computer-Vision-Systeme Bewegungen teilweise aus normalen Videoaufnahmen rekonstruieren. Systeme wie OpenCap nutzen beispielsweise Smartphone-Videos, um dreidimensionale Bewegungsdaten abzuleiten. Die Ergebnisse erreichen noch nicht in jeder Situation die Genauigkeit etablierter Motion-Capture-Labore. Vor allem komplexe Bewegungen und manche Gelenkwinkel bleiben schwierig. Doch die Richtung ist bemerkenswert.

Eine Technologie, die früher wenigen Leistungszentren und Forschungslaboren vorbehalten war, könnte zunehmend bei Vereinen, Physiotherapien, Trainerinnen und Trainern – und irgendwann vielleicht direkt bei Breitensportlern – ankommen.

Das Smartphone würde dann nicht das Labor ersetzen. Aber es könnte einen Teil dessen demokratisieren, was bislang nur dort möglich war.

Das Labor wandert sogar auf die Haut

Ähnliches geschieht bei neuen Biosensoren. Forschungsgruppen entwickeln Pflaster und Wearables, die Bestandteile des Schweißes analysieren können – etwa Elektrolyte oder Lactat. Das klingt nach einem „Labor auf der Haut“. Und technologisch ist der Fortschritt enorm.

Physiologisch bleibt die Sache schwieriger. Denn ein Stoff, der im Schweiß gemessen werden kann, muss nicht zwangsläufig dieselbe Bedeutung haben wie derselbe Stoff im Blut. Konzentrationen hängen unter anderem davon ab, wie stark und an welcher Körperstelle jemand schwitzt.

Gerade Lactat zeigt, wie gefährlich eine zu einfache Interpretation wäre. Neue Untersuchungen liefern durchaus vielversprechende Ergebnisse für schweißbasierte Belastungsdiagnostik. Von einem unkomplizierten Ersatz der klassischen Blutlactatmessung ist die Forschung aber noch entfernt. Das Muster wiederholt sich: Messen können wir immer mehr. Die schwierigere Frage lautet, was wir daraus schließen dürfen.

Und dann kommt der KI-Coach

All diese Daten könnten irgendwann an einem Ort zusammenlaufen. Die Uhr kennt den Schlaf. Der Sensor kennt die Belastung. Die Kamera kennt die Bewegung. Die Trainingshistorie kennt die Leistung. Und eine generative KI spricht am Ende die Empfehlung aus.

• „Heute 45 Minuten locker.“

• „Morgen Intervalle.“

• „Du bist nicht ausreichend erholt.“

Der persönliche KI-Coach ist deshalb eines der naheliegendsten Zukunftsprodukte des Sports. Doch auch hier ist die Forschung bislang vorsichtiger als die Produktwelt. Eine aktuelle systematische Übersicht zu großen Sprachmodellen und Bewegungsempfehlungen fand zwar interessante Anwendungsmöglichkeiten, zugleich aber deutliche Qualitäts- und Sicherheitsprobleme. In direkten Vergleichen mit menschlichen Fachpersonen waren KI-generierte Programme bei physiologischen Anpassungen häufig unterlegen.

Das bedeutet nicht, dass künstliche Intelligenz keinen Platz im Coaching haben wird. Wahrscheinlicher ist sogar das Gegenteil. Sie könnte Trainerinnen und Trainer bei Datenanalyse, Planung, Kommunikation und Anpassung erheblich unterstützen.

Doch KI als Werkzeug eines guten Coaches ist etwas anderes als KI statt Coach. Gerade im Sport besteht eine gute Entscheidung schließlich nicht nur aus Daten. Sie besteht auch aus Kontext.

Stress im Beruf. Motivation. Schmerzen, die nirgendwo erfasst wurden. familiäre Belastung. Angst vor einer Einheit. Erfahrung. Wettkampfziele. Und manchmal aus einem einfachen Satz: Heute fühlt es sich einfach nicht gut an.

Vielleicht müssen wir wieder lernen, Zahlen richtig zu lesen

Der Sport steht damit an einem merkwürdigen Punkt seiner Geschichte. Noch nie konnten Menschen ihren eigenen Körper über längere Zeit so detailliert beobachten. Noch nie standen gleichzeitig so viele leistungsfähige Algorithmen bereit, diese Daten auszuwerten.

Und trotzdem ist die vielleicht wichtigste Fähigkeit der kommenden Jahre nicht, immer mehr Daten zu sammeln. Sondern zu verstehen, welche davon tatsächlich etwas bedeuten.

Künstliche Intelligenz wird den Sport verändern. Sie wird Bewegungsanalysen zugänglicher machen, Trainer unterstützen, riesige Datenmengen durchsuchen und vermutlich Zusammenhänge entdecken, die Menschen allein kaum erkennen könnten.

Vielleicht wird sie eines Tages tatsächlich sehr genau wissen, wann ein Körper einen Trainingsreiz braucht – und wann eine Pause. Bis dahin bleibt eine kleine Ironie. Wir tragen Geräte, die jede Nacht dutzende Werte berechnen, Algorithmen durchsuchen Millionen Datenpunkte und künstliche Intelligenz versucht, daraus unseren nächsten Trainingstag zu planen.

Und manchmal besitzt der menschliche Körper noch immer den einfachsten Sensor von allen: das eigene Gefühl.