Claude AIMCPFitnessdatenTraining

Claude als Fitness-Coach mit MCP

Ein AI-Fitness-Coach klingt erst einmal nach Spielerei. In Folge 003 wird daraus aber ein ziemlich konkreter Workflow: Trainingsdaten aus dem Rennrad, Gesundheitsdaten aus der Apple Watch und Auswertungen aus Intervals ICU landen an einer Stelle. Claude bekommt über einen MCP-Server Zugriff darauf und kann daraus Trainingshinweise, Rückfragen und Pläne ableiten.

Der interessante Punkt ist nicht, dass eine KI allgemein etwas über Sport weiß. Das können viele Modelle. Interessant wird es erst, wenn das Modell auf die eigenen Daten schauen kann: Leistung, Puls, Schlaf, Ruhepuls, Herzfrequenzvariabilität, Trainingsbelastung und persönliche Notizen.

Dann entsteht aus einem Chat ein Arbeitsprozess: Daten sammeln, verbinden, analysieren, nachfragen, anpassen.

Der Workflow in 5 Schritten

Der Aufbau besteht aus fünf Teilen. Diese Reihenfolge ist wichtig, weil MCP nicht die Datensynchronisierung ersetzt. MCP ist erst der Zugriff für Claude auf eine Datenquelle, die vorher sauber befüllt werden muss.

Trainingsdaten aus Radcomputer, Lauf-App, Pulsgurt oder Powermeter erfassen.
Gesundheitsdaten aus Apple Health oder einem Wearable ergänzen.
Alles in Intervals ICU als zentrale Datenbasis zusammenführen.
Einen MCP-Server mit Intervals ICU verbinden und in Claude Desktop registrieren.
Claude im Chat gezielt analysieren lassen: Zeitraum nennen, Daten abrufen lassen, Rückfragen beantworten, Empfehlung prüfen.

Wenn ein Teil davon fehlt, wird die Analyse schnell dünn. Ohne zentrale Datenbasis sieht Claude nur Fragmente. Ohne MCP muss man Daten manuell exportieren. Ohne gute Fragen wird aus den Daten nur ein allgemeiner Fitnessratgeber.

Warum Trainingsdaten allein oft nicht reichen

Wer Fahrrad fährt, läuft oder regelmäßig trainiert, hat schnell viele Daten. Eine Uhr misst Puls und Schlaf. Ein Radcomputer zeichnet Strecke, Geschwindigkeit und Höhe auf. Ein Powermeter liefert Wattwerte. Eine Plattform wie Intervals ICU sammelt Aktivitäten und berechnet Kennzahlen.

Trotzdem bleibt oft eine Lücke: Die Daten liegen zwar vor, aber sie erzählen nicht automatisch eine verständliche Geschichte.

Genau hier hilft ein Sprachmodell. Claude kann nicht nur eine Tabelle lesen, sondern Zusammenhänge erklären:

Warum steigt der Puls bei gleicher Leistung in der zweiten Hälfte der Fahrt?
War die Belastung der letzten Tage zu hoch?
Passt eine Zone-2-Einheit besser als ein hartes Intervalltraining?
Könnte schlechter Schlaf den Ruhepuls beeinflusst haben?
Welche Fragen fehlen noch, bevor man eine Trainingsentscheidung trifft?

Das Modell wird dadurch nicht zum Arzt und ersetzt auch keinen echten Coach. Aber es wird zu einem sehr guten Gesprächspartner für die eigenen Trainingsdaten.

Der technische Kern: MCP als Verbindung zu Intervals ICU

MCP steht für Model Context Protocol. Vereinfacht gesagt ist MCP ein standardisierter Weg, mit dem ein KI-Client zusätzliche Werkzeuge und Datenquellen nutzen kann.

In diesem Fall läuft lokal ein MCP-Server für Intervals ICU. Dort liegen Trainingsdaten und Gesundheitsdaten, die aus verschiedenen Quellen zusammengeführt wurden. Claude muss nicht wissen, wie die Intervals-ICU-API im Detail funktioniert. Der MCP-Server stellt Werkzeuge bereit, zum Beispiel Aktivitäten lesen oder Detaildaten zu einer Fahrt abrufen.

Das ist der eigentliche Produktivitätssprung: Man muss nicht jedes API-Detail verstehen, um mit den Daten arbeiten zu können. Der MCP-Server kapselt die technische Verbindung, Claude nutzt die angebotenen Fähigkeiten.

Welche Daten in den AI-Fitness-Coach fließen

Im Podcast geht es vor allem um Rennradtraining. Der Workflow lässt sich aber auch auf andere Sportarten übertragen.

Typische Datenquellen sind:

Workout-Daten vom Radcomputer oder aus einer Trainings-App
Pulsdaten aus Brustgurt oder Smartwatch
Wattwerte aus einem Powermeter
Apple-Health-Daten wie Schlaf, Ruhepuls und Herzfrequenzvariabilität
persönliche Notizen nach dem Training
geplante Trainingsziele oder verfügbare Trainingstage

Gerade die Kombination macht den Unterschied. Eine einzelne Ausfahrt kann gut aussehen. Wenn aber Schlaf, Ruhepuls und Trainingslast dagegen sprechen, kann die bessere Empfehlung lauten: heute ruhiger machen.

Was Claude aus den Daten ableiten kann

Ein gutes Beispiel aus der Folge ist aerobe Durabilität. Dabei geht es vereinfacht darum, ob die Leistung über längere Zeit stabil bleibt oder ob der Puls bei gleicher Leistung nach oben driftet.

Für Menschen ist so ein Muster in Rohdaten schwer zu erkennen. Ein KI-System kann die Aktivität betrachten, Kennzahlen einordnen und Rückfragen stellen:

Wie warm war es?
Wie viel hast du getrunken?
Wie viele Kohlenhydrate hast du während der Fahrt aufgenommen?
War die Einheit bewusst locker oder zu hart?
Wie hast du dich am Ende gefühlt?

Das macht den Workflow wertvoll. Claude gibt nicht nur eine fertige Antwort, sondern baut eine Hypothese auf. Die Daten liefern Hinweise, der Mensch ergänzt Kontext.

Die Daten-Pipeline: von Uhr, Radcomputer und App zu Claude

Der Workflow funktioniert nur, wenn die Daten nicht in fünf getrennten Apps liegen bleiben. Die eigentliche technische Aufgabe ist deshalb nicht zuerst die KI-Analyse, sondern die Daten-Pipeline davor.

Im Beispiel aus der Folge sieht sie ungefähr so aus:

Trainingsdaten entstehen beim Sport: Radcomputer, Pulsgurt, Powermeter oder Lauf-App zeichnen die Einheit auf.
Gesundheitsdaten entstehen nebenbei: Apple Watch oder ein anderes Wearable sammelt Schlaf, Ruhepuls, Schritte und Herzfrequenzvariabilität.
Diese Daten werden in eine zentrale Plattform synchronisiert, im Podcast ist das Intervals ICU.
Claude bekommt nicht direkt Zugriff auf Uhr oder Radcomputer, sondern auf Intervals ICU.
Der MCP-Server stellt Claude Werkzeuge bereit, um Aktivitäten, Detaildaten und Kennzahlen aus Intervals ICU abzurufen.

Das ist wichtig: Die KI muss nicht jede einzelne Datenquelle einzeln verstehen. Sie braucht eine saubere Stelle, an der die relevanten Daten zusammenlaufen.

Daten nach Intervals ICU hochladen

Für Rennrad- oder Laufdaten gibt es meist mehrere Wege. Ein Radcomputer kann Aktivitäten zum Beispiel zuerst zu einer Trainingsplattform hochladen. Von dort werden sie weiter zu Intervals ICU synchronisiert. Alternativ können Aktivitäten direkt importiert oder über eine passende App weitergereicht werden.

Im Podcast geht es auch um Apple-Health-Daten. Dafür braucht man auf dem iPhone eine Verbindung, die Health-Daten wie Schlaf, Ruhepuls oder HRV zu Intervals ICU bringt. Je nach Setup kann das über eine Companion-App, eine Sync-App oder einen Export-Workflow laufen.

Praktisch heißt das:

Workout-Daten regelmäßig aus Radcomputer, Lauf-App oder Trainingsplattform nach Intervals ICU bringen.
Apple-Health-Daten wie Schlaf, Ruhepuls und HRV ebenfalls synchronisieren.
Prüfen, ob neue Aktivitäten in Intervals ICU vollständig auftauchen.
Kontrollieren, ob Detaildaten wie Leistung, Puls und Dauer vorhanden sind.
Optional nach dem Training Notizen ergänzen: Gefühl, Wetter, Ernährung, Müdigkeit, Schmerzen oder besondere Umstände.

Erst wenn diese Basis steht, lohnt sich die KI-Analyse. Sonst analysiert Claude nur einen Ausschnitt und übersieht wichtige Zusammenhänge.

MCP-Server für Intervals ICU einrichten

Der MCP-Server ist die Brücke zwischen Claude und Intervals ICU. Er läuft lokal auf dem Rechner und spricht auf der einen Seite mit Claude Desktop, auf der anderen Seite mit der Intervals-ICU-API.

Der genaue Setup hängt vom jeweiligen MCP-Projekt ab, aber das Muster ist immer ähnlich:

MCP-Server-Projekt aus dem Repository installieren oder lokal ablegen.
In Intervals ICU einen API-Key oder Token erzeugen.
Die eigene Athleten-ID aus Intervals ICU bereithalten.
Token und Athleten-ID als Konfiguration für den MCP-Server hinterlegen.
Den MCP-Server in Claude Desktop unter den Developer-Einstellungen registrieren.
Claude neu starten oder die Verbindung aktualisieren.

Danach sollte Claude in der Lage sein, die vom Server bereitgestellten Tools zu sehen. Das können zum Beispiel Funktionen sein wie Aktivitäten abrufen, Aktivitätsdetails lesen oder Trainingsdaten für einen Zeitraum holen.

Wichtig ist: Claude bekommt dadurch keine magische Komplettsicht auf deinen Rechner. Claude bekommt genau die Werkzeuge, die der MCP-Server bereitstellt. Wenn der Server nur Aktivitäten lesen kann, kann Claude nur lesen. Wenn der Server auch schreiben kann, sollte man vorsichtiger sein.

Beispiel für die Claude-Desktop-Konfiguration

Die konkrete Konfiguration hängt vom verwendeten MCP-Server ab. Viele lokale MCP-Server werden in Claude Desktop aber nach demselben Prinzip eingetragen: Claude bekommt einen Namen, ein Startkommando und Umgebungsvariablen mit Zugangsdaten.

Ein vereinfachtes Beispiel mit Platzhaltern:

{
  "mcpServers": {
    "intervals-icu": {
      "command": "uv",
      "args": [
        "run",
        "--directory",
        "/pfad/zum/intervals-icu-mcp-server",
        "server.py"
      ],
      "env": {
        "INTERVALS_ICU_API_KEY": "dein-api-token",
        "INTERVALS_ICU_ATHLETE_ID": "deine-athleten-id"
      }
    }
  }
}

Das ist kein universeller Copy-and-paste-Block, sondern ein Muster. Entscheidend sind drei Dinge: Claude muss wissen, wie der MCP-Server gestartet wird, der Server braucht die Zugangsdaten zu Intervals ICU, und nach einem Neustart muss Claude die neuen Tools erkennen.

Setup-Check: sieht Claude den Server?

Nach der Einrichtung lohnt sich ein sehr kleiner Test, bevor man direkt eine Trainingsanalyse startet:

Welche MCP-Tools stehen dir gerade für Intervals ICU zur Verfügung?
Bitte rufe noch keine Trainingsdaten ab, sondern liste nur die verfügbaren Werkzeuge und kurz ihren Zweck.

Wenn Claude die Tools beschreiben kann, steht die Verbindung grundsätzlich. Danach kann der zweite Test folgen:

Bitte prüfe, ob du meine letzten Aktivitäten in Intervals ICU sehen kannst.
Zeige nur Datum, Sportart, Dauer und ob Detaildaten wie Puls oder Leistung vorhanden sind.

Erst wenn dieser kleine Test funktioniert, lohnt sich die eigentliche Analyse.

Wie Claude die Daten tatsächlich analysiert

Nach der Einrichtung läuft die Arbeit nicht über Datei-Uploads, sondern über Fragen im Chat. Claude entscheidet anhand deiner Frage, welches MCP-Tool es aufruft, holt sich die passenden Daten und erklärt anschließend die Muster.

Ein typischer Ablauf kann so aussehen:

Du fragst nach einem Zeitraum: letzte Woche, letzte zwei Wochen oder letzte fünf Radausfahrten.
Claude ruft über MCP die Aktivitäten aus Intervals ICU ab.
Für auffällige Einheiten holt Claude Detaildaten nach: Leistung, Puls, Dauer, Intensität, Verlauf.
Claude vergleicht die Einheiten mit Gesundheitsdaten wie Schlaf, Ruhepuls oder HRV, sofern diese vorhanden sind.
Claude stellt Rückfragen zu Kontext, den keine App kennt: Hitze, Ernährung, Stress, Gefühl, Schmerzen, Ziel der Einheit.
Aus Daten und Antworten entsteht eine Empfehlung für Training, Pause, Ernährung oder nächste Schritte.

Die Analyse ist also kein einzelner Export, sondern ein Dialog. Das Modell sieht Muster in den Daten, aber der Mensch liefert Kontext. Genau dadurch wird die Einschätzung besser.

Ein guter Analyse-Prompt kann zum Beispiel so starten:

Bitte analysiere meine letzten 14 Tage in Intervals ICU.
Hole dir zuerst die Aktivitäten und prüfe danach auffällige Einheiten im Detail.
Achte auf Trainingslast, Pulsdrift, Leistung, Erholung, Schlaf und Ruhepuls.
Stelle mir Rückfragen, bevor du einen Trainingsplan empfiehlst.
Gib mir am Ende drei konkrete Beobachtungen und drei vorsichtige Empfehlungen.

Wenn Claude danach Fachbegriffe benutzt, kann man direkt nachfragen: Was heißt aerobe Durabilität? Was bedeutet kardialer Drift? Warum ist der Efficiency Factor interessant? Genau diese Rückfragen machen den Workflow wertvoller als ein statisches Dashboard.

Beispiel: Von Beobachtung zu Empfehlung

Eine gute Analyse sollte nicht nur ein Urteil ausspucken. Sie sollte nachvollziehbar zeigen, wie sie von den Daten zur Empfehlung kommt.

Ein hilfreiches Format ist:

Bitte strukturiere die Analyse so:
1. Beobachtung aus den Daten
2. mögliche Erklärung
3. Rückfrage an mich
4. vorsichtige Empfehlung

Dann wird aus “du solltest lockerer trainieren” zum Beispiel:

Beobachtung: In längeren Fahrten steigt der Puls bei ähnlicher Leistung in der zweiten Hälfte deutlich.
Mögliche Erklärung: Ermüdung, Hitze, zu wenig Kohlenhydrate oder zu wenig Flüssigkeit.
Rückfrage: Wie warm war es und was hast du während der Fahrt gegessen?
Empfehlung: Nächste lange Einheit bewusst in Zone 2 fahren und Fueling testen, bevor die Trainingslast erhöht wird.

So bleibt die Analyse überprüfbar. Claude soll nicht nur Coach spielen, sondern seine Schlüsse offenlegen.

Damit die AI die Daten immer aktuell hat

Claude speichert nicht automatisch jede neue Ausfahrt lokal in seinem Gedächtnis. Die Aktualität entsteht dadurch, dass Intervals ICU aktuell ist und Claude bei jeder neuen Analyse wieder über MCP nachfragt.

Für den Alltag heißt das:

Nach dem Training prüfen, ob die Aktivität in Intervals ICU angekommen ist.
Health-Daten regelmäßig synchronisieren lassen.
In Claude denselben Chat weiterführen, damit Trainingsziele, Vorlieben und bisherige Beobachtungen im Kontext bleiben.
Bei neuen Analysen explizit den Zeitraum nennen.
Wichtige subjektive Informationen nachreichen, weil sie nicht zuverlässig aus Sensordaten kommen.

Man kann also eine laufende Coach-Session in Claude behalten, aber die faktische Datenbasis kommt bei Bedarf frisch aus Intervals ICU. Das ist robuster, als alte CSV-Dateien im Chatverlauf zu stapeln.

Wenn Claude keine Daten sieht

Wenn die Analyse nicht funktioniert, liegt das meistens nicht am Modell, sondern an einer Stelle in der Pipeline.

Ein sinnvoller Debugging-Ablauf:

In Intervals ICU prüfen, ob die Aktivität dort wirklich sichtbar ist.
Prüfen, ob Detaildaten wie Puls, Leistung oder Schlafwerte importiert wurden.
Token und Athleten-ID in der MCP-Konfiguration kontrollieren.
Claude Desktop neu starten, damit die MCP-Konfiguration neu geladen wird.
Claude zuerst nur nach den verfügbaren MCP-Tools fragen.
Danach nur eine kleine Liste der letzten Aktivitäten abrufen lassen.

Wenn schon Schritt 1 oder 2 fehlschlägt, ist es ein Sync-Problem. Wenn die Daten in Intervals ICU vorhanden sind, Claude sie aber nicht findet, ist es eher ein MCP- oder Konfigurationsproblem. Diese Trennung spart viel Zeit.

Was MCP daran so spannend macht

Ohne MCP müsste man Daten exportieren, Dateien hochladen, Spalten erklären und immer wieder Kontext nachliefern. Mit MCP kann Claude direkt über definierte Werkzeuge auf die relevanten Daten zugreifen.

Das macht den Ansatz auch über Fitness hinaus interessant:

CRM-Daten analysieren
interne Tickets erstellen
Produktdaten auswerten
lokale Dateien strukturieren
eigene Apps oder Datenbanken für KI-Agenten zugänglich machen

MCP ist damit weniger ein einzelnes Feature als ein Verbindungsmuster: Ein KI-Agent bekommt eine neue Werkzeugkiste und versteht, welche Werkzeuge darin liegen.

Risiken und Grenzen

Mehr Zugriff bedeutet auch mehr Verantwortung. Ein MCP-Server kann je nach Umsetzung nicht nur lesen, sondern auch schreiben. Wenn ein Tool Trainingspläne anlegen kann, kann es vielleicht auch Daten verändern oder löschen.

Darum lohnt sich eine einfache Risikoabschätzung:

Braucht der MCP-Server wirklich Schreibrechte?
Kann der Zugriff auf Lesen beschränkt werden?
Sind die Daten sensibel?
Gibt es Backups oder Exportmöglichkeiten?
Versteht man grob, welche Werkzeuge dem Modell zur Verfügung stehen?

Für unkritische Experimente kann man schnell loslegen. Bei Gesundheitsdaten, Kundendaten oder produktiven Systemen sollte man deutlich vorsichtiger sein.

Warum der Workflow motiviert

Ein spannender Effekt aus Folge 003 ist psychologisch: Wenn Claude nach jeder Ausfahrt hinschaut, fühlt es sich ein bisschen so an, als würde jemand mitlesen. Das kann motivieren.

Nicht, weil die KI magisch besser trainiert. Sondern weil sie regelmäßig Feedback gibt, Muster benennt und nachfragt. Sie sagt auch mal: Die Belastung war hoch, heute lieber Pause.

Genau das ist oft der Unterschied zwischen Datensammlung und Verhaltensänderung. Daten allein ändern wenig. Ein guter Dialog über die Daten kann dagegen sehr wirksam sein.

Start-Prompt für den eigenen AI-Fitness-Coach

Wenn die Datenquelle und der MCP-Server verbunden sind, kann ein Einstieg so aussehen:

Du bist mein datenbasierter Trainingsbegleiter.
Nutze meine Trainingsdaten, Schlafdaten und Gesundheitsmetriken, soweit verfügbar.
Analysiere zuerst die letzten zwei Wochen.
Achte auf Belastung, Erholung, Pulsentwicklung, Leistung und auffällige Muster.
Erkläre deine Einschätzung verständlich und stelle Rückfragen, wenn dir Kontext fehlt.
Gib mir anschließend einen vorsichtigen Plan für die nächste Woche.

Wichtig ist das Wort vorsichtig. Ein AI-Coach sollte nicht so tun, als wäre er medizinische Autorität. Er sollte helfen, Daten besser zu verstehen und bessere Fragen zu stellen.

Häufige Fragen

Was ist überhaupt MCP?

MCP steht für Model Context Protocol. Es ist ein Standard, mit dem KI-Tools wie Claude auf externe Datenquellen und Werkzeuge zugreifen können. Man kann es sich wie eine gemeinsame Schnittstelle vorstellen: Der MCP-Server erklärt dem Sprachmodell, welche Aktionen möglich sind und welche Daten verfügbar sind.

Brauche ich MCP, um Claude als Fitness-Coach zu nutzen?

Nicht zwingend. Du kannst Trainingsdaten auch exportieren und manuell in einen Chat kopieren. MCP macht den Workflow aber deutlich praktischer, weil Claude direkt über definierte Werkzeuge auf die Daten zugreifen kann. Dadurch wird aus einer einmaligen Analyse eher ein wiederholbarer Prozess.

Ist ein AI-Fitness-Coach mit Gesundheitsdaten sicher?

Das hängt stark von den Daten, dem Anbieter und den Rechten des MCP-Servers ab. Besonders bei Gesundheitsdaten solltest du prüfen, welche Informationen wohin übertragen werden und ob der Server nur lesen oder auch schreiben darf. Für medizinische Entscheidungen ersetzt ein AI-Coach keine Ärztin, keinen Arzt und keinen qualifizierten Trainer.

Fazit

Claude als Fitness-Coach zeigt, warum MCP so praktisch ist: Die KI wird nützlich, sobald sie mit echten Daten arbeiten kann. Aus einem allgemeinen Chat wird ein persönlicher Analyse-Workflow.

Für Sport heißt das: Trainingsdaten werden verständlicher, Muster werden sichtbarer und Empfehlungen lassen sich besser begründen. Für AI-Workflows allgemein heißt es: Wenn Datenquellen sauber angebunden sind, entstehen sehr schnell kleine, spezialisierte Assistenten.

Genau darum geht es in Folge 003 von Kontext.FM: nicht um ein fertiges Fitnessprodukt, sondern um die Frage, wie ein KI-Agent mit den richtigen Werkzeugen plötzlich in den Alltag passt.