Warum Fitness-Tracker an den wirklich wichtigen Details vorbeimessen

Fitness-Apps sind hervorragend darin, Zahlen zu liefern. Geschweige denn Geschichten zu erzählen. Mein Strava-Profil weiß genau, dass ich letzte Woche 42 Kilometer gelaufen bin. Was es nicht weiß: Für welchen Halbmarathon ich trainiert habe. Oder dass die Einheiten Teil eines durchdachten Periodisierungsplans waren, den ich vom Whiteboard im Fitnessstudio abgeknipst habe.

Diese Lücke zwischen nackten Daten und dem eigentlichen Kontext war der Auslöser für ein kleines Nebenprojekt. Es zeigt exemplarisch, warum AI Coding Agents für persönliche Automatisierungsworkflows so wertvoll geworden sind.

Das Problem mit bloßen Metriken

Ich nutze Samsung Fit 3 für Krafttraining und Strava für meine Läufe. Die Kombination funktioniert tadellos – mein Fitness-Tracker synchronisiert sich automatisch mit Strava und liefert alle relevanten Metadaten: Dauer, Distanz, Höhenmeter, Herzfrequenzzonen, Zeitstempel.

Was Strava jedoch niemals verraten wird: Ob eine als „Krafttraining" geloggte Einheit ein reiner Stärketag mit Compound-Bewegungen war oder eine mobility-fokussierte Regenerationseinheit. Die App weiß, dass ich 45 Minuten lang irgendetwas getan habe. Sie hat keinen Schimmer, dass ich mich durch eine Goblet Squat-Progression mit 24 Kilo gearbeitet habe – während mein Trainer die Struktur der Einheit auf eine Whiteboard-Tafel kritzelte, die ich bis vor Kurzem nie fotografiert hatte.

Der Kontext existierte einzig und allein in den Fotos, die ich beiläufig an meine Strava-Einträge gehängt hatte. Das Whiteboard im Studio dokumentierte die eigentliche Workout-Struktur: Übungen, Satzanzahlen, Schwerpunkte und die entscheidende Unterscheidung zwischen Erholungstagen und harten Trainingsblöcken.

Strava erfasste die Quantität. Die Fotos erzählten die Qualität.

Eine persönliche Datenpipeline aufbauen

Die Lösung war kein einzelnes Tool – es war eine Pipeline, die mehrere Systeme entsprechend ihrer Stärken kombinierte:

Abrufen → Verarbeiten → Extrahieren → Visualisieren

Zuerst holte ein einfaches Python-Skript alle meine Strava-Aktivitäten mitsamt der zugehörigen Fotos. Das Skript führte einen lokalen Cache, sodass bereits heruntergeladene Medien übersprungen und Unterbrechungen nahtlos fortgesetzt werden konnten.

Dann kam der spannende Teil: Workout-Kontext aus den Fitnessstudio-Whiteboard-Fotos extrahieren.

Ich nutzte Claude Code als Coding Agent mit Vision-Fähigkeiten. Für jedes Fitnessstudio-Foto gab ich dem Agent die Anweisung, eine strukturierte JSON-Beschreibung des Workouts zu generieren:

{
  "type": "workout",
  "exercises": [
    {
      "name": "Romanian Deadlift",
      "sets": 4,
      "reps": "8-10",
      "weight": "60kg",
      "muscle_groups": ["posterior chain", "glutes"]
    }
  ],
  "focus": "strength",
  "notes": "Fühlte mich stark heute, Gewicht gegenüber letzter Woche erhöht"
}

Der Agent-in-the-Loop-Ansatz erwies sich als bemerkenswert effektiv. Sahen extrahierte Daten falsch aus, löschte ich einfach die JSON-Datei und ließ sie neu generieren. War ein Bild bereits verarbeitet, übersprang das Skript es. Der Workflow war fortsetzbar, korrigierbar und – entscheidend – iterativ.

Sobald ich strukturierte Workout-Daten mit Stravas Metriken kombiniert hatte, wurde das Rendern des finalen Infografik einfach. Ein schlichtes HTML-Template fügte alles zu einem teilbaren PNG-Poster zusammen.

Warum Klassifizierung einfacher war als gedacht

Meine Strava-Aktivitäts-Tags waren alles andere als konsistent. Manche Krafttrainings-Einheiten waren als „Gewichtheben" markiert, andere nur als „Training". Mobility-Tage tauchten manchmal als generische Aktivitäten auf. Das Chaos war vollständig selbstverschuldet – drei Jahre nachlässiges Tagging ohne standardisiertes System.

Anstatt ein ausgefeiltes Klassifizierungsmodell zu bauen (was für ein persönliches Projekt überdimensioniert gewesen wäre), setzte ich auf einen pragmatischen Ansatz: Kombination von Stravas Aktivitätstyp, Titel-Schlüsselwörtern und den extrahierten Fotodaten für eine bestmögliche Klassifizierung.

Die Logik sah grob so aus:

• Schlüsselwörter wie „Squat", „Kniebeuge", „Bankdrücken" + kraftfokussierte Fotodaten = Krafttraining
• „Mobilität", „Dehnung", „Erholung" + flexibility-orientierte Fotodaten = Mobility-Einheit
• Distanz + Dauer + kein Studio-Foto = Laufen (Stravas Metadaten sind hier zuverlässig)

Diese Hybrid-Klassifizierung reichte für einen persönlichen Rückblick völlig aus. Das finale Poster fühlte sich akkurat an, weil es das nutzte, was jede Datenquelle am besten konnte.

Der MCP-Gedanke

Ich habe kurz mit Stravas Model Context Protocol (MCP) Server experimentiert, der die API-Integration vereinfachen sollte. Für das Abrufen von Aktivitätsmetadaten funktionierte er gut. Fotos, die an Aktivitäten angehängt waren, konnte er jedoch nicht abrufen. Für Projekte, die nur Zahlen benötigen, würde MCP die Entwicklung erheblich beschleunigen. Für diesen Anwendungsfall blieb das manuelle Skript die bessere Wahl – Fotenzugriff war nicht verhandelbar.

Was das über AI Coding Agents verrät

Der eigentliche Wert dieses Projekts war nicht das Infografik selbst – es war der Nachweis, wie AI Agents als flexible Middleware zwischen Datenquellen und gewünschten Outputs fungieren können.

Traditionelle Automatisierungstools folgen starrer Logik: Wenn dies, dann das. Coding Agents können modalitätsübergreifend denken. Sie können ein Bild betrachten, seinen Kontext verstehen und strukturierte Daten generieren. Sie können sich an Edge Cases anpassen. Sie können helfen, die Automatisierung selbst zu bauen, anstatt nur innerhalb ihrer ausgeführt zu werden.

Für Entwickler und technische Gründer bedeutet das einen fundamentalen Shift. Die Frage ist nicht mehr „Kann ich das automatisieren?" sondern „Wie schnell kann ich die Automatisierung iterieren?" Ein Projekt, das früher ein ganzes Wochenende gekostet hätte, lässt sich heute nachmittags prototypisieren – während der Agent Boilerplate übernimmt und beim Durchdenken von Edge Cases hilft.

Der Blick nach vorn

Das Ergebnis war ein teilbarer Trainingsrückblick, der tatsächlich die Geschichte meiner Fitnessreise erzählte. Aber der Prozess deutet auf etwas Größeres hin: das Zeitalter der persönlichen Datenbefähigung.

Fitnessdaten, Code-Projekte, Business-Metriken – das meiste sitzt in fragmentierten Systemen, die nicht miteinander kommunizieren. AI Coding Agents werden zum Bindeglied, das individuelle Ansichten der eigenen Informationen ermöglicht, ohne Enterprise-Ressourcen zu benötigen.

Als nächsten Schritt plane ich, einen lokalen Modell-Lauf für diesen Workflow auszuprobieren und alles auf dem Gerät zu behalten – für mehr Privatsphäre. Experimentierst du mit ähnlichen persönlichen Automatisierungsprojekten oder hast eigene Fitness-Agent-Workflows? Ich würde mich genuin darüber freuen, davon zu hören.

Manchmal sind die befriedigendsten Projekte nicht diejenigen, die skalieren – sondern diejenigen, die endlich deine eigenen Daten deine eigene Geschichte erzählen lassen.