Czy AI zastąpi trenerów kolarstwa? Praktyka trenera pracującego z danymi

Krótka odpowiedź: nie. AI nie zastąpi trenerów kolarstwa, ale zmieni sposób, w jaki pracują. Trener, który korzysta z niej świadomie, przeanalizuje więcej danych, szybciej i dokładniej niż ten, który tego nie robi. Piszę to z praktyki: pracuję na dużych zbiorach danych treningowych (moich i zawodników), podłączam modele do źródeł danych przez serwery MCP, korzystam z modeli predykcyjnych i pilnuję, żeby przyspieszenie pracy nie odbijało się na jakości.

W tym wpisie opisuję, jak wygląda mój warsztat, co o jakości planów generowanych przez AI mówią badania z lat 2024–2026, czego AI nie widzi i jak z niej korzystać, jeśli trenujesz sam.

Moja perspektywa: dużo danych, ograniczony czas

Trening kolarski to praca na danych. Każda jazda to plik z mocą, tętnem i kadencją co sekundę, do tego sen, HRV, samopoczucie i kalendarz startów. U jednego zawodnika po kilku sezonach to setki plików. Przeglądanie ich ręcznie zawsze oznaczało kompromis: patrzyłem na to, co najważniejsze, a resztę pomijałem.

AI zmieniła ten układ. Nie dlatego, że myśli za mnie, tylko dlatego, że w tym samym czasie mogę zadać więcej pytań i dostać odpowiedzi opartych na pełnej historii, a nie na wyrywkowym przeglądzie.

Mój warsztat: serwery MCP, modele i predykcje

MCP (Model Context Protocol) to otwarty standard, który pozwala modelowi językowemu łączyć się z zewnętrznymi źródłami danych i narzędziami. Uruchamiam serwer MCP dla Intervals.icu, dzięki czemu model sam pobiera aktywności, krzywe mocy, dane wellness i kalendarz zawodnika. Różnica jest zasadnicza: odpowiedź opiera się na rzeczywistym pliku, a nie na tym, co model „pamięta” o kolarstwie.

Na tych danych uruchamiam trzy klasy modeli:

• Model mocy krytycznej (CP i W′). Z testu 3 i 12 minut liczę CP i W′, a z nich przewidywaną moc na czas od 1 do 60 minut (Vanhatalo i wsp., 2011). Na tym działa też kalkulator CP na tej stronie.

• Model Banistera (CTL, ATL, TSB). Z historii obciążeń prognozuję formę na dzień startu i planuję taper. Znam jego ograniczenia: u dziewięciu elitarnych pływaków Hellard i wsp. (2006) pokazali, że model dobrze opisuje dane (R² = 0,79), ale przedziały ufności kluczowych parametrów są szerokie, a część z nich jest silnie skorelowana. Dlatego traktuję go jako zakres, nie jako wyrocznię.

• Model fizyczny jazdy (moc, prędkość, CdA, masa, opory toczenia). Pozwala oszacować, ile sekund da wyższa moc, a ile lepsza aerodynamika lub sprzęt.

To nie są tajemnicze algorytmy uczenia maszynowego, tylko klasyczne, sprawdzone modele. AI daje mi coś innego: szybkość. W kilka minut uruchamia je na pełnej historii, porównuje warianty (np. jak zmieni się TSB w dniu startu, jeśli skrócę taper o trzy dni) i zestawia wyniki z kalendarzem.

Co to zmienia w praktyce

• Analiza wyścigu. Na Strade Bianche Gran Fondo (8 marca) zestawiłem moc w półgodzinnych blokach z narastającą pracą w kJ. Od 1:30 do 2:30 jechałem na NP 303–314 W (90–94% FTP), a skurcze pojawiły się po ok. 2700 kJ. Ręcznie to żmudna praca w arkuszu, z modelem zajęło to kilka minut i został czas na to, co ważniejsze: pytanie „dlaczego”.

• Testy. Test CP z 30 kwietnia (458 W na 3 minuty i 362 W na 12 minut) dał CP ok. 330 W i W′ ok. 23 kJ. Model od razu przeliczył z tego przewidywane moce na pozostałe czasy i porównał je z poprzednimi wynikami.

• Warianty planu. Tydzień o dwie godziny krótszy, przesunięcie długiej jazdy, zamiana interwałów na wersję na trenażer: model przygotowuje wersję roboczą, a ja ją poprawiam.

Efekt jest taki, że mniej czasu zajmuje mi liczenie i porządkowanie danych, a więcej rozmowa z zawodnikiem i decyzje.

Jak pilnuję jakości

Szybkość bez kontroli jest groźna, bo AI myli się pewnym głosem. Dlatego pracuję według kilku stałych zasad.

Przykład z mojej własnej pracy: opisując moje Strade Bianche, asystent AI wpisał 73 g węglowodanów na godzinę, bo tak było w notatce. W rzeczywistości jadłem 120 g na godzinę. Gdybym nie sprawdził liczby u źródła, cały wniosek o żywieniu i przyczynie skurczów byłby błędny, a brzmiałby równie przekonująco. Dlatego każdą liczbę sprawdzam w pliku źródłowym, a wnioski opieram na tym, co sam zweryfikowałem. Tak samo traktuję literaturę: sprawdzam abstrakty i DOI w oryginale, nie w streszczeniu wygenerowanym przez model. Pamiętaj też o danych: pliki treningowe i dane zdrowotne są wrażliwe, więc zanim wkleisz je do narzędzia AI, sprawdź, gdzie trafiają i na jakich zasadach.

Co mówią badania

Moje doświadczenia to jedno, ale ważne jest, co pokazują badania. Eksperci oceniali plany generowane przez modele językowe kilkakrotnie, a wyniki są spójne:

• Plany dla biegaczy (Düking i wsp., 2024). ChatGPT wygenerował trzy sześciotygodniowe plany przy różnym poziomie szczegółowości informacji. Eksperci oceniali je według 22 kryteriów. Liczba kryteriów z medianą 3 (w skali 1–5) rosła z 0 przez 6 do 13 wraz z ilością podanych danych. Autorzy odradzają używanie takich planów bez informacji zwrotnej od trenera.

• Plany siłowe (Havers i wsp., 2025). Ten sam prompt dawał plany o podobnej jakości, a im bardziej szczegółowy prompt, tym wyższe oceny. W drugiej pracy tego zespołu dziesięciu trenerów oceniło plany z trzech modeli według 27 kryteriów jako „umiarkowane”. Modele nie uwzględniają indywidualnej reakcji na trening ani bezpieczeństwa.

• Przegląd systematyczny (He i wsp., 2026). 24 badania, 2512 uczestników. W bezpośrednich porównaniach z ekspertami plany AI były gorsze w 5 z 6 przypadków, a błędy bezpieczeństwa wykryto w 14 z 24 badań (58%). Wniosek autorów: AI to potężne narzędzie pomocnicze, ale nie zastąpi nadzoru ekspertów.

Ważne zastrzeżenia, żeby nie przesadzić w żadną stronę:

• Modele zmieniają się szybciej niż publikacje. Badania testowały m.in. GPT-3.5, GPT-4 i Gemini. Dziś te same testy mogłyby wyjść inaczej, lepiej albo gorzej.

• Mało badań dotyczy kolarstwa. Większość to bieganie i trening siłowy. Nie znam badania, które porównałoby wyniki kolarzy trenowanych przez AI i przez trenera.

• Oceniają eksperci, nie wyniki sportowe. Dobrze oceniony plan nie musi dawać lepszej formy.

Jest też drugie oblicze: w badaniu pilotażowym Wachholza i wsp. (2025) trenerzy często nie potrafili odróżnić planu AI od planu napisanego przez eksperta. Plan może więc wyglądać profesjonalnie i być zły albo dobry, i nie widać tego na pierwszy rzut oka. To kolejny argument za weryfikacją.

Czego AI nie widzi

Tego, czego nie ma w danych

W styczniu 2026 w moich danych pojawiło się wyraźne odchylenie: tętno spoczynkowe 69 i 73 /min, HRV (SDNN) 36 i 26 ms, a potem tydzień zaledwie 3,5 godziny jazdy. Dane pokazały anomalię. Nie pokazały, że to infekcja żołądkowa po obozie na Teneryfie. Ten sam wzorzec dałoby przetrenowanie, stres albo brak snu, a każda z tych przyczyn wymaga innej reakcji. Wiedziałem to, bo byłem na miejscu.

Motywacji i relacji

Lee (2025) opisał dwumiesięczne przygotowanie do półmaratonu pod okiem modelu językowego: uczestnik przeszedł z biegu na ok. 2 km w tempie 7:54/km do 21,1 km w tempie ok. 6:30/km. To jedna osoba i brak grupy kontrolnej, ale autor wskazuje wprost na „asymetrię motywacji”: wsparcie od modelu zależy głównie od tego, czy użytkownik sam o nie poprosi, i jest najsłabsze wtedy, gdy jest najbardziej potrzebne.

Podobnie wygląda to w badaniach nad nadzorem. W randomizowanym badaniu Gavandy i wsp. (2025) (trening siłowy, 79 osób, 10 tygodni) regularność treningów wyniosła 88,2% przy nadzorze trenera, 81,2% przy treningu z aplikacją i 52,2% przy samodzielnym planie w PDF. Grupa z nadzorem miała też większy przyrost siły w przysiadzie. To nie kolarstwo, ale mechanizm jest ten sam.

Odpowiedzialności

Gdy plan zaszkodzi (infekcja przeciągnięta treningiem, kontuzja, problemy z sercem u starszego zawodnika), pytanie „kto odpowiada” ma ludzką odpowiedź tylko wtedy, gdy po drugiej stronie jest człowiek. Li i wsp. (2026) wymieniają niejasną odpowiedzialność, prywatność i stronniczość danych jako główne problemy etyczne „trenerów AI”.

Wyścigu

Taktyka, rozmowa przed startem, decyzja „jedziemy na wynik czy na doświadczenie”, podjęta na podstawie tego, jak zawodnik wygląda w dniu startu. Tego z pliku .fit się nie wyczyta.

Jak zmienia się praca trenera

Realistyczny scenariusz to nie „AI zamiast trenera”, tylko przesunięcie ciężaru pracy:

• Mniej czasu na zbieranie i liczenie danych, więcej na ich interpretację i rozmowę z zawodnikiem.

• Trener jako kontroler jakości. AI przygotowuje wersję roboczą, a trener ją poprawia, bo wie to, czego model nie wie: historię zawodnika, jego życie i ryzyko.

• Wyższe oczekiwania. Samo „ułożę ci plan” przestaje być usługą, bo dobry plan ogólny można dostać za darmo. Wartość jest w dopasowaniu, w kontroli i w relacji.

Dlatego: trener, który używa AI, zastąpi trenera, który jej nie używa, a nie odwrotnie. Kalkulator CP i ankieta doboru planu na tej stronie to nie AI, tylko model matematyczny (CP i W′ z testu 3 i 12 minut) oraz drzewko decyzyjne. Nie udaję, że to coś innego, i tak ma być: wynik da się odtworzyć i sprawdzić.

Jeśli trenujesz sam: 7 zasad

1. Podaj szczegółowy kontekst. Badania Dükinga i Haversa pokazują to samo: im więcej informacji, tym lepszy plan. Cel i data startu, historia, godziny w tygodniu, choroby, kontuzje, pomiar mocy.

2. Dawaj dane, nie wrażenia. Zamiast „czuję się mocny” podaj CP i W′ z testu 3 i 12 minut lub wynik z kalkulatora CP.

3. Każ modelowi wypisać założenia i pokazać, co zmieni się przy innych danych. Brak niepewności w odpowiedzi to sygnał ostrzegawczy.

4. Sprawdzaj liczby u źródła. Waty, kilodżule, daty i dawki żywienia weryfikuj w swoich plikach, nie w pamięci modelu.

5. Nie zostawiaj AI samej w sytuacjach ryzykownych: po chorobie, przy kontuzji, w ciąży, przy chorobach serca, u młodzieży, przy zaburzeniach odżywiania. Przegląd He i wsp. znalazł błędy bezpieczeństwa w 58% badań.

6. Zamknij pętlę. Po tygodniu wrzuć wykonanie i zapytaj, co się nie zgadza z planem. Decyzję o odpoczynku podejmuj sam albo z trenerem.

7. Raz na jakiś czas pokaż plan człowiekowi. To zalecenie autorów badania na biegaczach: plan od AI plus informacja zwrotna od trenera.

AI, gotowy plan czy trener: kiedy co

Sytuacja	Wystarczy	Lepiej trener
Pierwszy plan, regularne życie, brak ważnych startów	Gotowy plan, np. Baza tlenowa, albo AI z dobrym opisem	Gdy po 8–12 tygodniach nie widzisz postępu
Start za 8–12 tygodni	Plan pod start, dobrany ankietą	Gdy start jest ważny i nie ma miejsca na błąd w taperze
Chcesz zrozumieć własne dane	AI plus kalkulator CP	Gdy dane są sprzeczne i nie wiesz, czemu
Powrót po chorobie lub kontuzji	–	Zawsze, najlepiej razem z lekarzem
Praca zmianowa, dzieci, nieregularny grafik	–	Plan musi się zmieniać co tydzień
Młody zawodnik	–	Obciążenia i rozwój wymagają człowieka i rozmowy z rodzicami
Plateau lub objawy przetrenowania	–	Diagnoza wymaga kontekstu, a nie tylko danych

Podsumowanie

AI przejmie wiele zadań, które do tej pory zajmowały trenerom czas: liczenie, porządkowanie danych, pierwsze wersje planu. Nie przejmie tego, co w trenowaniu najtrudniejsze: kontekstu, odpowiedzialności, relacji i decyzji w niepewności. U mnie sprawdza się układ, w którym model pracuje na danych i modelach, a ja weryfikuję, decyduję i rozmawiam z zawodnikiem.

Jeśli chcesz zacząć od własnych danych, użyj kalkulatora CP albo ankiety doboru planu. A jeśli wolisz, żeby ktoś pilnował całości razem z Tobą, zobacz opiekę trenerską lub umów darmową konsultację.

Źródła naukowe

• Düking P., Sperlich B., Voigt L., Van Hooren B., Zanini M., Zinner C. (2024). ChatGPT generated training plans for runners are not rated optimal by coaching experts, but increase in quality with additional input information. J Sports Sci Med. doi:10.52082/jssm.2024.56

• Havers T., Masur L., Isenmann E., Geisler S., Zinner C., Sperlich B., Düking P. (2025). Reproducibility and quality of hypertrophy-related training plans generated by GPT-4 and Google Gemini as evaluated by coaching experts. Biol Sport. doi:10.5114/biolsport.2025.145911

• Havers T., Jelonnek C., Masur L., Isenmann E., Sperlich B., Geisler S., Düking P. (2025). A professional assessment of training plans for muscle hypertrophy and maximal strength developed by generative artificial intelligence. Biol Sport. doi:10.5114/biolsport.2026.152350

• He T., Lu D., Ma Y., He J., Li D., Li G., Sun J. (2026). The AI recommendation paradox: a systematic review evaluating the promise, peril, and path forward for large language models in exercise recommendation. Biol Sport. doi:10.5114/biolsport.2026.158676

• Wachholz F., Manno S., Schlachter D., Gamper N., Schnitzer M. (2025). Acceptance and trust in AI-generated exercise plans among recreational athletes and quality evaluation by experienced coaches: a pilot study. BMC Res Notes. doi:10.1186/s13104-025-07172-9

• Gavanda S., Held S., Held S., Schrey S., Oberwetter K., Lazzaro P.M., Pergelt M., Geisler S. (2025). Optimizing resistance training outcomes: comparing in-person supervision, online coaching, and self-guided approaches: a randomized controlled trial. J Strength Cond Res, 39(11), 1129–1137. doi:10.1519/jsc.0000000000005216

• Lee K. (2025). Exploring large language model as an interactive sports coach: lessons from a single-subject half marathon preparation. arXiv. arXiv:2509.26593

• Li W., Bian L., Wu W. (2026). Ethical examination of AI coaches: privacy, bias, and responsibility. Front Digit Health. doi:10.3389/fdgth.2026.1781352

• Vanhatalo A., Jones A.M., Burnley M. (2011). Application of critical power in sport. Int J Sports Physiol Perform, 6(1), 128–136. doi:10.1123/ijspp.6.1.128

• Hellard P., Avalos M., Lacoste L., Barale F., Chatard J.C., Millet G.P. (2006). Assessing the limitations of the Banister model in monitoring training. J Sports Sci, 24(5), 509–520. doi:10.1080/02640410500244697

• Model Context Protocol – specyfikacja: modelcontextprotocol.io