# AI Coaching i Fitness Apps — 2025-2026

## State of the Art

AI-coaching har gått från "buzzword" till verklig funktionalitet:

- **Google Gemini + Fitbit** — Integrerad hälsocoach
- **FITBOD** — Muskel-fatigue-baserade program
- **Juggernaut AI** — Periodiserad powerlifting
- **Zing Coach** — Conversational workout updates

---

## Vad AI-coaching gör idag

### 1. Workout Generation

**Input:** Mål, erfarenhet, utrustning, tid
**Output:** Komplett träningspass

```
Exempel (FITBOD):
- "Jag vill bygga muskler, har 45 min, gymmet har allt"
→ Push-fokuserat pass med 6 övningar, 3 set vardera
```

**Styrkor:**
- Sparar tid för nybörjare
- Varierar automatiskt
- Anpassar efter utrustning

**Svagheter:**
- "Black box" — varför just DENNA övning?
- Kan ignorera personliga preferenser
- Fungerar sämre för avancerade

### 2. Auto-Progression

**Input:** Loggad data (vikt, reps, RPE)
**Output:** Justerad vikt för nästa pass

```
Exempel:
- Bänkpress: 80kg x 8,8,8 (mål: 8-10 reps)
→ "Nästa gång: 82.5kg"
```

**Logik:**
- Alla set i övre intervallet → öka vikt
- Missade reps → behåll eller sänk
- RPE 10 på alla set → sänk

### 3. Recovery Awareness

**Input:** Träningshistorik, sömn, HRV
**Output:** Rekommendation om intensitet

```
Exempel (Google Fitbit AI):
- 5h sömn, HRV -20% från baseline
→ "Kanske en lättare dag idag? Föreslår mobility istället."
```

### 4. Conversational Coaching

**Input:** Naturligt språk
**Output:** Anpassade svar och ändringar

```
User: "Jag har ont i axeln, kan inte göra overhead press"
AI: "Okej! Jag byter ut overhead press mot landmine press som 
     är snällare mot axeln. Vill du också skippa lateral raises?"
```

### 5. Form Feedback (emerging)

**Input:** Video av övning
**Output:** Teknikanalys

**Status:** Fortfarande experimentellt, men:
- Elitefy, Onyx använder pose estimation
- Apple Vision framework möjliggör on-device
- Accuracy ~70-85% för basic form cues

---

## Google Gemini + Fitbit

### Vad det gör

- Personlig hälsocoach i Fitbit-appen
- Förstår hela bilden: sömn, stress, aktivitet, nutrition
- Skapar veckoplan baserat på mål
- Justerar i realtid

### PCMag Review (Dec 2025)

> "The personal health coach is the first fitness tool that's actually helped me get through Thanksgiving without completely derailing my progress."

### Key Insight

AI som förstår HELA bilden (sömn + stress + träning + kost) är betydligt mer effektiv än isolerade datapunkter.

---

## Vad användare vill ha

### Önskelista (från Reddit/reviews)

1. ✅ **"Föreslå alternativ när utrustningen är upptagen"**
2. ✅ **"Anpassa passet efter hur jag känner mig"**
3. ✅ **"Förklara VARFÖR jag gör denna övning"**
4. ✅ **"Lär dig mina preferenser över tid"**
5. ✅ **"Sync med min sömn/stress-data"**

### Vad de INTE vill ha

1. ❌ **"Ta över helt"** — Användare vill ha kontroll
2. ❌ **"Ignorera min input"** — AI som inte lyssnar
3. ❌ **"Black box beslut"** — Varför just detta?
4. ❌ **"Kräva premium för basic AI"** — Paywall frustration

---

## Conversational UX Pattern

### Traditionell onboarding

```
Steg 1: Välj mål (dropdown)
Steg 2: Välj erfarenhet (radio buttons)
Steg 3: Välj dagar (checkboxes)
Steg 4: Välj utrustning (multi-select)
Steg 5: Generera program
```

**Problem:** Känslan av formulär, inte personlig coach

### Conversational onboarding

```
Coach: "Hej! Jag är din träningscoach. Vad vill du uppnå?"
User: "Jag vill bli starkare och se bättre ut"

Coach: "Bra mål! Styrka + hypertrofi alltså. Hur länge har du tränat?"
User: "Typ 6 månader, men inte så seriöst"

Coach: "Perfekt, då har du en bra bas att bygga på. Hur många dagar 
        per vecka kan du träna realistiskt?"
User: "3-4 dagar"

Coach: "Då kör vi PPL med en extra dag för svaga punkter. Har du 
        tillgång till gym eller tränar du hemma?"
...
```

**Fördelar:**
- Känns personligt
- Samlar mer kontext ("inte så seriöst")
- Användaren känner sig hörd
- Naturligt sätt att hantera edge cases

---

## Dagsform-anpassning

### Flow

```
[Användare öppnar app på träningsdag]

Coach: "Dags för Pull! Hur känns kroppen idag?"

[Alternativ: 💪 Toppen | 😐 Okej | 😴 Trött | 🤕 Ont någonstans]

Om "Trött":
Coach: "Förstår! Dålig sömn eller allmänt sliten?"
User: "Dålig sömn"
Coach: "Då sänker vi intensiteten idag. Samma övningar men 
        RPE 7 istället för 8. Du kommer fortfarande göra 
        framsteg, men utan att gräva dig djupare i hålet."

Om "Ont någonstans":
Coach: "Aj! Var har du ont?"
User: "Nedre ryggen"
Coach: "Då skippar vi marklyft idag och kör cable rows istället.
        Jag lägger också till lite core-stabilitet i slutet.
        Låter det bra?"
```

---

## Implementation för Gravl

### Phase 1: Transparent Progression

- Visa VARFÖR vikten ökas
- "Du tog 80kg x 10,10,9. Mål var 8-10. Nästa gång: 82.5kg"
- Användaren ser logiken

### Phase 2: Conversational Onboarding

- Dialog istället för formulär
- Coach-persona (inte robot)
- Samla kontext naturligt

### Phase 3: Dagsform-anpassning

- Quick check vid pass-start
- Justerade rekommendationer
- Alternativa övningar vid smärta

### Phase 4: Smart Substitutions

- "Bänken är upptagen" → "Kör dumbbell press istället"
- Baserat på muskelgrupp och tillgänglig utrustning

### Phase 5: Holistic Integration (future)

- Sync med Apple Health / Google Fit
- Sömn-data → intensitetsjustering
- HRV → recovery recommendations

---

## Tech Stack Considerations

### On-device vs Cloud

| Approach | Pros | Cons |
|----------|------|------|
| On-device (CoreML) | Privacy, offline, snabbt | Begränsad modell |
| Cloud (OpenAI/Anthropic) | Kraftfull, flexibel | Latency, kostnad, privacy |
| Hybrid | Bäst av båda | Komplexitet |

### Rekommendation

```
- Basic logic (progression, substitutions): On-device
- Conversational UI: Cloud API (men cache vanliga flows)
- Form analysis: On-device (CoreML pose estimation)
```

---

*Källa: PCMag, Zing Coach, FITBOD, Google Fitbit, Reddit — 2025-2026*