Kunstig intelligens har åpnet for nye måter å planlegge trening på. Med et AI-treningsprogram kan treningen i større grad bygges rundt målene og forutsetningene til den enkelte. Det gir andre muligheter for individuell tilpasning enn et ferdig program som er laget for en større gruppe.
Hvor godt et AI-treningsprogram blir, avhenger av langt mer enn hvilken språkmodell som brukes. Datagrunnlaget og oppbygningen av systemet har stor betydning. Det samme gjelder de treningsfaglige reglene som ligger bak.
Slik fungerer AI-treningsprogram
AI-treningsprogram kan tilpasses mål, erfaring, treningsdager, tilgjengelig utstyr, skader og personlige preferanser.
Avanserte løsninger kan bruke flere AI-agenter med ulike roller i planleggingen og vurderingen av treningsprogrammet.
En detaljert øvelsesdatabase gjør det mulig å velge øvelser ut fra blant annet mål, utstyr, erfaring og registrerte begrensninger.
Treningsfaglige regler kan styre treningsmengde, intensitet, øvelsesvalg og hvordan øktene fordeles gjennom uken.
Progresjonen kan tilpasses ut fra tidligere resultater og hvor krevende de gjennomførte øktene har vært.
Treningshistorikken gjør det mulig å vurdere utviklingen over flere økter fremfor å endre programmet etter tilfeldige variasjoner.
Data fra treningsklokker, treningsapparater og andre sensorer kan gi mer informasjon om hvordan treningen faktisk gjennomføres.
Hvor godt programmet kan tilpasses avhenger blant annet av kvaliteten på dataene og hvilken informasjon AI-systemet har tilgang til.
Hva er et AI-treningsprogram?
Et AI-treningsprogram er et treningsprogram der kunstig intelligens brukes til å sette sammen og tilpasse treningen. Hvor avansert dette er, varierer betydelig mellom ulike løsninger.
Den enkleste varianten er å bruke en generell chatbot. Ber du den om å lage et styrkeprogram for fire dager i uken, kan den sette sammen øvelser, sett og repetisjoner ut fra informasjonen du oppgir. Gir du mer informasjon om mål, erfaring og tilgjengelig utstyr, kan svaret bli mer tilpasset.
En studie publisert i 2025 fant at generativ AI kan lage strukturerte treningsopplegg og følge etablerte anbefalinger for trening. Forskerne peker samtidig på at individuell tilpasning, progresjon og bruk av fysiologiske data er områder der generelle AI-modeller fortsatt har begrensninger.
Et mer avansert AI-system er bygget spesielt for treningsplanlegging.
Her kan språkmodeller inngå som en del av en større løsning sammen med AI-agenter, databaser, beregninger og treningsfaglige regler. Systemet kan lagre brukerprofil og treningshistorikk. Tidligere informasjon kan dermed brukes når programmet senere skal vurderes og tilpasses.
Forskjellen ligger ikke bare i selve AI-modellen, men i hvordan hele systemet rundt den er bygget opp.
(Artikkelen fortsetter under annonsen)
Et team av AI-agenter
Et avansert system trenger ikke overlate hele treningsplanleggingen til en enkelt AI-modell. Flere spesialiserte AI-agenter kan samarbeide om forskjellige deler av oppgaven.
En agent kan analysere målene og forutsetningene til brukeren. Andre kan vurdere øvelsesvalg, treningsmengde og progresjon. En annen oppgave kan være å vurdere hvordan treningen skal fordeles gjennom uken. Andre deler av systemet kan kontrollere at forslagene følger reglene som er satt for programmet.
Agentene kan også arbeide i flere trinn. Et forslag fra en agent kan vurderes av andre før det godkjennes eller endres. Denne typen oppbygning kalles gjerne et multi-agent-system. I stedet for at en språkmodell skal løse hele oppgaven, fordeles oppgavene mellom flere agenter. Hver agent kan ha en spesialisert rolle.
Hvor godt dette fungerer avhenger av hvilke oppgaver agentene har og hvilken informasjon de får tilgang til. Det avhenger også av hvordan samarbeidet mellom dem er bygget opp.
Pulsklokke – Best i test 2026! – Topp 10 pulsklokke/ treningsklokke
Sep 14, 2026
Hva trenger AI å vite?
Et individuelt treningsprogram krever informasjon om personen som skal følge det. Hvilke opplysninger som er relevante avhenger av løsningen, men kan blant annet være:
- Treningsmål: Økt styrke, muskelvekst, bedre kondisjon eller en kombinasjon av flere mål.
- Erfaring: Hvor lenge og hvor strukturert personen har trent påvirker blant annet treningsmengde, øvelsesvalg og progresjon.
- Treningsdager: Hvor mange dager i uken det faktisk er mulig å trene.
- Tid per økt: Tilgjengelig tid setter rammer for hvor mye som kan legges inn i hver treningsøkt.
- Tilgjengelig utstyr: Trening hjemme med manualer krever et annet øvelsesutvalg enn trening på et fullt utstyrt treningssenter.
- Skader og begrensninger: Opplysninger brukeren har registrert kan brukes til å utelukke øvelser eller bevegelser som ikke er aktuelle.
- Preferanser: Øvelser eller treningsformer personen ønsker å prioritere eller unngå.
To personer kan ha samme treningsmål og likevel ha behov for svært forskjellige programmer. Erfaring, tilgjengelig tid, utstyr og andre forutsetninger påvirker hvordan treningen bør legges opp.
Kreatin kosttilskudd – Best i test 2026 – Topp 10 kreatin
Sep 14, 2026
Øvelsesdatabasen gir grunnlaget
For å velge øvelser trenger AI-systemet et godt datagrunnlag. En omfattende øvelsesdatabase kan inneholde langt mer enn navn på øvelsen og hvilke muskler den trener.
Hver øvelse kan blant annet være registrert med informasjon om:
- Muskelgrupper: Hvilke muskler øvelsen primært og sekundært trener.
- Utstyr: Hvilket utstyr som kreves for å gjennomføre øvelsen.
- Vanskelighetsgrad: Hvilket erfaringsnivå øvelsen passer for.
- Bevegelsesmønster: For eksempel press, trekk, knebøy eller hofteekstensjon.
- Treningsformål: Hvilke mål og typer trening øvelsen egner seg for.
- Begrensninger: Forhold som kan gjøre at øvelsen ikke er aktuell for enkelte brukere.
Denne informasjonen kan kobles mot brukerprofilen når treningsprogrammet settes sammen. Trener du hjemme, kan øvelser som krever utstyr du ikke har tilgang til, utelukkes. Vanskelighetsgraden kan tilpasses erfaringen din. Registrerte skader eller andre begrensninger kan også påvirke hvilke øvelser som er aktuelle.
Databasen gjør det mulig å finne relevante alternativer dersom en øvelse må byttes ut. Systemet kan da finne en øvelse med lignende egenskaper. Alternativet kan tilpasses brukerens utstyr, erfaring og andre forutsetninger.
Slik bygges et AI-treningsprogram
Når systemet kjenner målet, forutsetningene og hvilke øvelser som er aktuelle, må dette settes sammen til en helhetlig treningsplan.
AI-systemet må blant annet ta stilling til:
- hvor mange treningsøkter som skal gjennomføres
- hvordan øktene skal fordeles gjennom uken
- hvilke øvelser som skal inngå
- hvor ofte ulike muskelgrupper eller egenskaper skal trenes
- antall sett og repetisjoner
- intensitet og progresjon
To personer som begge ønsker økt muskelmasse kan få svært forskjellige programmer. En nybegynner med tre treningsdager kan trenge et helt annet oppsett enn en erfaren person som trener fem dager. Programmet kan også ta hensyn til om enkelte muskelgrupper skal prioriteres.
Her har de treningsfaglige reglene en viktig funksjon. Øvelser, sett og repetisjoner må passe brukerens mål. Samtidig må treningsmengde, intensitet og fordeling mellom øktene tilpasses nivået.
Progresjon må planlegges
Et treningsprogram bør også ha en plan for hvordan treningen skal utvikles over tid.
I styrketrening kan progresjon blant annet skje gjennom høyere vekter, flere repetisjoner eller økt treningsmengde. Hvordan progresjonen styres, kan tilpasses personen og programmet.
Automatisk progresjon kan ta hensyn til mer enn om alle planlagte repetisjoner ble gjennomført. Systemet kan blant annet vurdere hvor krevende settene var og resultatene fra tidligere økter. Det kan også se på hvor raskt treningen har utviklet seg.
En person som akkurat klarte 8 planlagte repetisjoner, trenger derfor ikke få samme justering som en person som gjennomførte dem med flere repetisjoner i reserve.
(Artikkelen fortsetter under annonsen)
Gjennomførte økter påvirker planen
Et dynamisk AI-treningsprogram kan bruke resultatene fra gjennomførte økter til å tilpasse videre trening.
Under styrketrening kan systemet blant annet bruke registrerte vekter, sett, repetisjoner og eventuelt RIR eller RPE. Innen kondisjonstrening kan fart, distanse, puls, effekt og varighet være relevante variabler.
Hvis resultatene over flere økter viser at den planlagte treningen gjennomføres med god margin, kan det være grunnlag for videre progresjon. Dersom personen gjentatte ganger ikke klarer den planlagte treningen, kan progresjonen eller treningsmengden vurderes på nytt.
Også gjennomføringen av selve ukeplanen kan brukes. Dersom et program med fem treningsdager stadig ender med tre gjennomførte økter, kan programmet tilpasses en treningsfrekvens som passer bedre.
500 kalorier – hvor mye trening og hvor mye mat?
Sep 14, 2026
Utviklingen må ses over tid
Prestasjonen kan variere mellom økter uten at treningsprogrammet trenger å endres.
Lite søvn, stress, matinntak, sykdom og andre forhold kan påvirke resultatene fra en enkelt økt. Treningshistorikken gjør det mulig å se flere økter i sammenheng. Da blir det lettere å skille tilfeldige variasjoner fra en mer stabil utvikling.
Dette er også viktig for kontinuiteten i treningen. Dersom øvelser, treningsmengde eller programstruktur endres for ofte, blir det vanskeligere å vurdere utviklingen over tid.
Hvorfor progresjon er viktigere enn variasjon for nybegynnere
Sep 14, 2026
Data fra andre enheter
Et AI-system kan også bruke informasjon fra andre enheter dersom løsningen støtter slike integrasjoner.
Treningsklokker kan registrere blant annet puls, tempo, distanse og varighet. Sykkelcomputere og enkelte treningsapparater kan også registrere effekt. Andre sensorer kan gi ytterligere treningsdata.
En annen studie fra 2025 så på 49 studier der smartklokker og andre wearables ble kombinert med maskinlæring. Data fra blant annet puls, bevegelse og andre fysiologiske målinger ble brukt til å registrere aktivitet og følge kroppens respons på trening. Forskerne peker på at slike data kan brukes som grunnlag for mer individuelt tilpasset trening og oppfølging.
Dette er særlig relevant når programmet inneholder kondisjonstrening. En registrering av at personen løp 10 kilometer gir begrenset informasjon alene. Fart, varighet og puls gjennom økten kan gi et mer detaljert bilde av hvordan økten ble gjennomført.
Slike målinger kan inngå sammen med resten av treningshistorikken når videre trening vurderes.
HRV og pulsklokker – Hva hjertevariabilitet sier om restitusjon og stress
Sep 14, 2026
Begrensninger med AI
Et AI-system kan bare bruke informasjonen det har tilgang til når treningen skal vurderes og tilpasses.
Feilregistrerte treningsøkter eller manglende opplysninger gir derfor et dårligere grunnlag. Søvn, sykdom, stress og endringer i hverdagen kan også påvirke prestasjonen. Dette kommer ikke alltid frem av treningsdataene. Dersom systemet har tilgang til slike opplysninger, kan de også inngå i vurderingen.
Treningsplanlegging bør samtidig skilles fra medisinsk vurdering. Informasjon om en kjent skade kan brukes til å tilpasse programmet, men AI skal ikke stille en medisinsk diagnose på bakgrunn av treningsdata. Nye, sterke eller vedvarende smerter bør vurderes av kvalifisert helsepersonell.
Jo mer informasjon et system bruker, desto viktigere blir håndteringen av personopplysninger. Treningshistorikk, opplysninger om skader og data fra tilkoblede enheter må behandles på en forsvarlig måte. Brukeren bør også vite hvilke opplysninger som lagres og hva de brukes til.
AI gjør det mulig å lage treningsprogrammer som er langt mer individuelle enn et ferdig standardprogram. Brukerdata, treningshistorikk og en detaljert øvelsesdatabase gir et godt grunnlag for tilpasning. Kombinert med gode treningsfaglige regler kan programmet også utvikles i takt med personen som følger det.
Kilder:
Harnessing Generative Artificial Intelligence for Exercise and Training Prescription: Applications and Implications in Sports and Physical Activity—A Systematic Literature Review – Applied Sciences
Utilizing machine learning algorithms for personalized workout recommendations and monitoring: A systematic review on smartwatch-assisted exercise prescription – Digital Health
