Jag har under ganska lång tid använt AI för att hjälpa mig med träning och kost. Vi har diskuterat träningspass, återhämtning, puls, mat och hur jag ska lägga upp längre utmaningar. Det har fungerat bra, men det har funnits en ganska tydlig begränsning: AI:n har bara vetat det jag själv har berättat.

Efter ett träningspass har jag fått öppna appen, titta på siffrorna och sedan skriva något i stil med att jag sprang åtta kilometer, hade en viss snittpuls och att det kändes lätt. Ibland har jag skickat en skärmbild. Det går absolut att få en bra analys på det sättet, men analysen blir aldrig bättre än informationen jag råkar skicka med.

Det förändrades när jag började använda en COROS-klocka och kunde koppla träningsdatan till min AI-assistent genom MCP.

Från att berätta om datan till att faktiskt använda den

MCP står för Model Context Protocol. Det är en öppen standard som gör att en AI kan ansluta till externa system och använda verktyg och data därifrån. Man kan förenklat tänka på det som en standardiserad kontakt mellan AI:n och andra tjänster.

I mitt fall innebär det att jag inte längre behöver återberätta vad som står i COROS-appen. Jag kan i stället be AI:n att hämta mitt senaste löppass, jämföra det med tidigare pass och förklara vad den ser.

Skillnaden kan låta liten, men i praktiken är den ganska stor.

Tidigare valde jag själv vilka siffror som skulle skickas med. Nu kan AI:n titta på hela passet: distans, tid, tempo, höjdmeter, puls, kadens, steglängd, effekt, träningsbelastning och hur de olika kilometrarna faktiskt såg ut. Den kan också sätta passet i relation till min kortsiktiga och långsiktiga träningsbelastning och min återhämtning.

Jag behöver alltså inte först analysera datan för att kunna fråga AI:n om en analys. Det är en ganska viktig skillnad.

Ett konkret exempel från min första runda i Run mode

När jag sprang min första runda i COROS vanliga Run mode fick jag för första gången fram ett uppskattat VO₂max, tröskeltempo och prognoser för olika tävlingsdistanser.

Passet var 4,95 kilometer på 36 minuter och 28 sekunder. Snittpulsen var 129, snittempot 7:22 per kilometer och träningsbelastningen 51. COROS satte mitt VO₂max till 33 och mitt tröskeltempo till 6:14 per kilometer.

Det hade varit enkelt för en AI att bara återge siffrorna och säga att mitt VO₂max nu är 33. Men eftersom den kunde läsa hela passet såg den också att rundan gick på mycket grusväg och en del stig, att tempot varierade med terrängen och att detta var det första passet som COROS använde för att skapa löpvärdena.

Slutsatsen blev därför inte att 33 var sanningen. Slutsatsen blev att vi nu hade fått ett första kalibreringsvärde som behövde kompletteras med fler pass på jämnare underlag.

Det är precis där jag tycker att AI blir intressant. Inte som en maskin som läser upp vad klockan säger, utan som ett verktyg som hjälper mig förstå hur mycket jag faktiskt ska lita på siffran.

Samma pass visade dessutom något annat som var mer användbart just nu. Jag började första kilometern på 8:25 och avslutade de sista 950 meterna i ett tempo på 6:44, samtidigt som pulsen fortfarande var kontrollerad. AI:n kunde direkt se den progressiva utvecklingen genom passet och koppla den till min egen upplevelse av att rundan kändes väldigt lätt.

Det hade jag kunnat räkna ut själv genom att öppna varenda mellantid. Skillnaden är att jag nu bara kan fråga: Vad ser du i dagens pass?

AI:n får ett minne som bygger på verkliga data

Den stora vinsten är egentligen inte analysen av ett enskilt träningspass. Den stora vinsten kommer när samma dialog fortsätter över tid.

AI:n känner till att jag tränar både löpning och cykling. Den känner till mitt mål att genomföra cirka 51 kilometer från Båstad till Ängelholm och att det viktigaste inte är en snabb sluttid, utan att hålla ett kontrollerat tempo och en rimlig puls hela vägen. Den vet hur jag brukar uppleva olika typer av pass och kan kombinera den kunskapen med den data som nu kommer direkt från COROS.

Det gör att samtalet kan flyttas från allmänna träningsråd till betydligt mer konkreta frågor. Är belastningen rimlig efter den senaste veckan? Var det här verkligen ett lätt pass eller kändes det bara lätt? Har jag hållit igen tillräckligt i början? Hur skiljer sig pulsen på samma typ av runda? Behöver nästa pass bli längre, lugnare eller kanske inte genomföras alls?

Jag får inte bara en sammanställning. Jag får en löpande diskussion där både min egen upplevelse och klockans data ingår.

Samma sak händer med kosten

COROS vet naturligtvis inte exakt vad jag äter. Den delen berättar jag fortfarande själv. Men när AI:n kan sätta maten i relation till den faktiska träningsmängden blir diskussionen mycket bättre.

Jag har under en lång period ätit mycket protein och ganska lite kolhydrater. Det kan fungera bra i vissa sammanhang, men när löppassen blir längre, cykelturerna närmar sig två timmar och målet är att ta sig igenom 51 kilometer behöver kosten också stödja det jag försöker göra.

Vi har därför inte gjort ett komplicerat kostschema som jag ändå hade tröttnat på. I stället har vi justerat det jag redan äter. Mer havregryn och rågbröd när det behövs, potatis, ris eller fullkornspasta till rätt måltider och extra kolhydrater i anslutning till längre pass.

Vi har också testat vad som fungerar under själva träningen. För mig fungerar druvsocker och russin bra. Inför 51-kilometersrundan har vi därför byggt ett enkelt upplägg med energi och vätska vid servicepunkter ungefär var tionde kilometer, i stället för att göra det mer avancerat än det behöver vara.

Det viktiga här är att upplägget inte skapades i ett enda AI-svar. Jag testar, berättar hur det fungerade och sedan justerar vi. När träningsdatan finns tillgänglig kan vi dessutom se om upplevelsen stämmer med puls, belastning och återhämtning.

Det är ungefär så jag tycker att AI ska användas: inte för att leverera en perfekt plan från början, utan för att hjälpa till att förbättra planen efter varje ny erfarenhet.

Det här är större än en träningsklocka

För mig är COROS-integrationen ett konkret exempel på hur personliga AI-assistenter kommer att förändras.

En AI som bara svarar på frågor kan vara väldigt användbar. Men jag måste hela tiden ge den rätt underlag, förklara nuläget och välja vilken information som är relevant. När AI:n genom MCP kan hämta rätt data själv försvinner en stor del av den friktionen.

Det gäller inte bara träning. Samma princip kan användas för ekonomi, kalender, kunddata, projekt, energiförbrukning eller nästan vilket annat område som helst. AI:n blir bättre när den får tillgång till aktuell och strukturerad information, men framför allt blir den enklare att använda eftersom jag inte behöver agera mänsklig integration mellan olika system.

Det betyder inte att klockan alltid har rätt eller att AI:n ska bestämma hur jag tränar och äter. Pulsmätningen kan vara fel. Ett uppskattat VO₂max kan behöva fler pass för att bli användbart. AI:n kan också dra fel slutsats.

Jag måste fortfarande tänka själv, känna efter och avgöra vad som är rimligt. Men jag får ett betydligt bättre beslutsunderlag och slipper lägga tid på att manuellt samla ihop det.

Det är det verkliga lyftet för mig. COROS samlar inte längre bara data i ännu en app. Genom MCP blir datan en del av en pågående dialog där AI:n hjälper mig förstå vad jag gör, jämföra med vad jag har gjort tidigare och justera nästa steg.

Det är då en AI-assistent börjar bli personlig på riktigt.

När min AI-assistent fick tillgång till min träningsdata

Jag har under ganska lång tid använt AI för att hjälpa mig med träning och kost. Vi har diskuterat träningspass, återhämtning, puls, mat och hur jag ska lägga upp längre utmaningar. Det har fungerat bra, men det har funnits en ganska tydlig begränsning: AI:n har bara vetat det jag själv har berättat.

Efter ett träningspass har jag fått öppna appen, titta på siffrorna och sedan skriva något i stil med att jag sprang åtta kilometer, hade en viss snittpuls och att det kändes lätt. Ibland har jag skickat en skärmbild. Det går absolut att få en bra analys på det sättet, men analysen blir aldrig bättre än informationen jag råkar skicka med.

Det förändrades när jag började använda en COROS-klocka och kunde koppla träningsdatan till min AI-assistent genom MCP.

Från att berätta om datan till att faktiskt använda den

MCP står för Model Context Protocol. Det är en öppen standard som gör att en AI kan ansluta till externa system och använda verktyg och data därifrån. Man kan förenklat tänka på det som en standardiserad kontakt mellan AI:n och andra tjänster.

I mitt fall innebär det att jag inte längre behöver återberätta vad som står i COROS-appen. Jag kan i stället be AI:n att hämta mitt senaste löppass, jämföra det med tidigare pass och förklara vad den ser.

Skillnaden kan låta liten, men i praktiken är den ganska stor.

Tidigare valde jag själv vilka siffror som skulle skickas med. Nu kan AI:n titta på hela passet: distans, tid, tempo, höjdmeter, puls, kadens, steglängd, effekt, träningsbelastning och hur de olika kilometrarna faktiskt såg ut. Den kan också sätta passet i relation till min kortsiktiga och långsiktiga träningsbelastning och min återhämtning.

Jag behöver alltså inte först analysera datan för att kunna fråga AI:n om en analys. Det är en ganska viktig skillnad.

Ett konkret exempel från min första runda i Run mode

När jag sprang min första runda i COROS vanliga Run mode fick jag för första gången fram ett uppskattat VO₂max, tröskeltempo och prognoser för olika tävlingsdistanser.

Passet var 4,95 kilometer på 36 minuter och 28 sekunder. Snittpulsen var 129, snittempot 7:22 per kilometer och träningsbelastningen 51. COROS satte mitt VO₂max till 33 och mitt tröskeltempo till 6:14 per kilometer.

Det hade varit enkelt för en AI att bara återge siffrorna och säga att mitt VO₂max nu är 33. Men eftersom den kunde läsa hela passet såg den också att rundan gick på mycket grusväg och en del stig, att tempot varierade med terrängen och att detta var det första passet som COROS använde för att skapa löpvärdena.

Slutsatsen blev därför inte att 33 var sanningen. Slutsatsen blev att vi nu hade fått ett första kalibreringsvärde som behövde kompletteras med fler pass på jämnare underlag.

Det är precis där jag tycker att AI blir intressant. Inte som en maskin som läser upp vad klockan säger, utan som ett verktyg som hjälper mig förstå hur mycket jag faktiskt ska lita på siffran.

Samma pass visade dessutom något annat som var mer användbart just nu. Jag började första kilometern på 8:25 och avslutade de sista 950 meterna i ett tempo på 6:44, samtidigt som pulsen fortfarande var kontrollerad. AI:n kunde direkt se den progressiva utvecklingen genom passet och koppla den till min egen upplevelse av att rundan kändes väldigt lätt.

Det hade jag kunnat räkna ut själv genom att öppna varenda mellantid. Skillnaden är att jag nu bara kan fråga: Vad ser du i dagens pass?

AI:n får ett minne som bygger på verkliga data

Den stora vinsten är egentligen inte analysen av ett enskilt träningspass. Den stora vinsten kommer när samma dialog fortsätter över tid.

AI:n känner till att jag tränar både löpning och cykling. Den känner till mitt mål att genomföra cirka 51 kilometer från Båstad till Ängelholm och att det viktigaste inte är en snabb sluttid, utan att hålla ett kontrollerat tempo och en rimlig puls hela vägen. Den vet hur jag brukar uppleva olika typer av pass och kan kombinera den kunskapen med den data som nu kommer direkt från COROS.

Det gör att samtalet kan flyttas från allmänna träningsråd till betydligt mer konkreta frågor. Är belastningen rimlig efter den senaste veckan? Var det här verkligen ett lätt pass eller kändes det bara lätt? Har jag hållit igen tillräckligt i början? Hur skiljer sig pulsen på samma typ av runda? Behöver nästa pass bli längre, lugnare eller kanske inte genomföras alls?

Jag får inte bara en sammanställning. Jag får en löpande diskussion där både min egen upplevelse och klockans data ingår.

Samma sak händer med kosten

COROS vet naturligtvis inte exakt vad jag äter. Den delen berättar jag fortfarande själv. Men när AI:n kan sätta maten i relation till den faktiska träningsmängden blir diskussionen mycket bättre.

Jag har under en lång period ätit mycket protein och ganska lite kolhydrater. Det kan fungera bra i vissa sammanhang, men när löppassen blir längre, cykelturerna närmar sig två timmar och målet är att ta sig igenom 51 kilometer behöver kosten också stödja det jag försöker göra.

Vi har därför inte gjort ett komplicerat kostschema som jag ändå hade tröttnat på. I stället har vi justerat det jag redan äter. Mer havregryn och rågbröd när det behövs, potatis, ris eller fullkornspasta till rätt måltider och extra kolhydrater i anslutning till längre pass.

Vi har också testat vad som fungerar under själva träningen. För mig fungerar druvsocker och russin bra. Inför 51-kilometersrundan har vi därför byggt ett enkelt upplägg med energi och vätska vid servicepunkter ungefär var tionde kilometer, i stället för att göra det mer avancerat än det behöver vara.

Det viktiga här är att upplägget inte skapades i ett enda AI-svar. Jag testar, berättar hur det fungerade och sedan justerar vi. När träningsdatan finns tillgänglig kan vi dessutom se om upplevelsen stämmer med puls, belastning och återhämtning.

Det är ungefär så jag tycker att AI ska användas: inte för att leverera en perfekt plan från början, utan för att hjälpa till att förbättra planen efter varje ny erfarenhet.

Det här är större än en träningsklocka

För mig är COROS-integrationen ett konkret exempel på hur personliga AI-assistenter kommer att förändras.

En AI som bara svarar på frågor kan vara väldigt användbar. Men jag måste hela tiden ge den rätt underlag, förklara nuläget och välja vilken information som är relevant. När AI:n genom MCP kan hämta rätt data själv försvinner en stor del av den friktionen.

Det gäller inte bara träning. Samma princip kan användas för ekonomi, kalender, kunddata, projekt, energiförbrukning eller nästan vilket annat område som helst. AI:n blir bättre när den får tillgång till aktuell och strukturerad information, men framför allt blir den enklare att använda eftersom jag inte behöver agera mänsklig integration mellan olika system.

Det betyder inte att klockan alltid har rätt eller att AI:n ska bestämma hur jag tränar och äter. Pulsmätningen kan vara fel. Ett uppskattat VO₂max kan behöva fler pass för att bli användbart. AI:n kan också dra fel slutsats.

Jag måste fortfarande tänka själv, känna efter och avgöra vad som är rimligt. Men jag får ett betydligt bättre beslutsunderlag och slipper lägga tid på att manuellt samla ihop det.

Det är det verkliga lyftet för mig. COROS samlar inte längre bara data i ännu en app. Genom MCP blir datan en del av en pågående dialog där AI:n hjälper mig förstå vad jag gör, jämföra med vad jag har gjort tidigare och justera nästa steg.

Det är då en AI-assistent börjar bli personlig på riktigt.