gravl/.planning/research/06-ai-coaching.md

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