Piše: Ivica Delić
Sjećam se kako sam u lipnju 2025. pisao članak o tome kako koristim Typingmind i ChatGPT za analizu utrka.
Tada mi je to bila revolucija u odnosu na “ručnu” analizu, i svaki put kad bih htio napraviti analizu utrke ili long runa, prošao bih isti ritual. Otvori Garmin Connect, izvezi podatke, kopiraj u prompt, formatiraj rukom, pa tek onda analiziraj.
Bilo je korisno, ali iskreno, bilo je i zamorno. A nakon 30-40 takvih ciklusa, počneš se pitati zašto AI ne može sam pristupiti tim podacima.
Sažetak
U ovom članku dijelim kako sam u međuvremenu nadogradio svoj AI workflow za trčanje. Ključna promjena nije sam AI model, nego način na koji AI dobiva moje podatke. Umjesto da svaki put ručno kopiram CSV iz Garmina ili Strave, sada koristim Claude Desktop povezan s GetFast konektorom kroz MCP protokol (Model Context Protocol). To znači da Claude može direktno pogledati moje aktivnosti, HRV, puls u mirovanju, sleep podatke i maraton predikcije, bez da ja išta lijepim u prozor.
Pokrivam tri konkretne primjene koje su mi se najviše isplatile. Personalizirani trening plan koji slijedi jednu jasnu trenažnu filozofiju umjesto miks-mash pristupa. Realnu predikciju vremena utrke temeljenu na mojim stvarnim treninzima, ne na onome što mi se sviđa. I post-run analizu koja umjesto sat vremena traje pet minuta.
Konkretan hipotetski scenarij analize nedavnog dugog trčanja pokazuje koliko brže i dublje ide razgovor kad AI ima cijeli kontekst, a ne samo isječak koji sam mu dao. Na kraju se vraćam na ono što sam pisao i lani. AI je pametan asistent, ali nije zamjena za vlastito iskustvo, slušanje tijela, ili stručnog trenera kad zatreba.
Kratki pogled unazad – zašto je stari workflow bio odličan, ali ne i dovoljan
Stari workflow s Typingmind plus OpenAI API ključem mi je bio prvi ozbiljan korak u korištenju AI-a za trčanje. Naučio me dvije ključne stvari koje vrijede i danas: kako pisati dobre prompt-ove i kako tražiti od AI-a konkretne preporuke umjesto generičkih savjeta.
Problem nije bio u modelu, nego u mukotrpnom dohvaćanju podataka. Svaka analiza zahtijevala je 10-15 minuta „predigre“ prije nego što bismo uopće došli do zanimljivog dijela. Izvezi CSV, otvori, izaberi relevantne kolone, kopiraj, pazi na formatiranje (ili jednostavno napravi copy-paste svih podataka), pa tek onda postavi pitanje.
A kad bih htio postaviti dodatno pitanje koje zahtijeva drugu vrstu podataka (npr. usporedba s prethodnim long runom), morao sam ponoviti cijeli proces. To je ubijalo moju spontanost. Postavio bih jedno pitanje, dobio odgovor, i onda često odustao od sljedećeg jer se nije isplatilo opet kopirati podatke.
Što je MCP i zašto je to drugačiji pristup
MCP (Model Context Protocol) je relativno nov standard koji omogućuje AI modelima da direktno komuniciraju s vanjskim aplikacijama i izvorima podataka. Umjesto da vi ručno donosite podatke u chat, AI sam zatraži podatke koji su mu potrebni za odgovor.
Pomislite na to kao razliku između “donesi mi mapu pa ću je pogledati” i “imam pristup tvojoj kartoteci, samo me pitaj”. Prvi pristup zahtijeva od vas da svaki put unaprijed znate što tražite. Drugi pristup omogućuje AI-u da sam istraži, postavi međupitanja, i vrati se s puno bogatijim odgovorom.
Za trkače koji već imaju nakupljene podatke u Stravi i Garminu, MCP konektori znače jedno: kraj copy-paste rituala. Postoji više konektora na tržištu, ali ja koristim GetFast (https://getfast.ai/) jer je specifično dizajniran za trkače i ima sve metrike koje me zanimaju.
Moj novi setup – Claude desktop i Getfast konektor
Postavka je jednostavnija nego što zvuči. Skinete Claude Desktop aplikaciju, registrirate se na GetFast platformi, povežete svoje Strava i Garmin račune (OAuth, kao i bilo koji drugi servis), te aktivirate GetFast konektor unutar Claude Desktopa.
Cijeli proces traje desetak minuta i radi se jednom. Nakon toga, Claude može na vaš zahtjev pristupiti aktivnostima, summary statistikama, HRV podacima, snu, i čak modelu za predikciju maratonskog vremena.
Imam i 2 konkretna primjera:
a) prijateljica trkačica me zamolila za slanjem svih bitnih informacija o polumaratonskoj stazi koju sam trčao dvaput (pa sam je imao u svojoj Garmin bazi), da pomognem prijateljici koja 1. put trči tu utrku. U samo nekoliko minuta Claude AI je izvukao sve bitne podatke iz mojih prethodnih utrka i čak napravio strategiju utrke… i to sam napravio na svom mobitelu, dok na putovanju u DU (supruga je vozila, nisam ja, da se ne shvati pogrešno).
b) otrčao sam nedavno jedan malo brži trening u zadnje vrijeme (po mojim kriterijima) i zanimalo me koliko mi je bilo najbržih 5 km kroz cijeli taj trening i ovo je AI odgovor:
„Najbrži 5 km segment nalazi se između 2,78 km i 7,81 km (otprilike od 18. do 44. minute trčanja):
Najbržih 5 km: ~25:18
Prosječni tempo: ~5:04/km
Za usporedbu, prosječni tempo cijelog treninga bio je 5:53/km – što znači da je taj srednji segment bio gotovo 50 sekundi po kilometru brži od prosjeka. To je konzistentno s fartlek strukturom gdje si ubacio nekoliko bržih trčanja upravo u tom dijelu.
Napomena: podaci su downsamplirani (200 točaka od originalnih 4.247), pa je preciznost u granicama ±5-10 sekundi.„
Bitno je razumjeti što to ne radi. To nije zamjena za moj primarni planer treninga (još uvijek koristim Trenaru, specijaliziranu trkačku aplikaciju za nedjeljni trening plan). Ovo je za one momente kad treba dublja analiza, validacija odluke, ili „promišljanje“ o specifičnom treningu/utrci.
Primjena 1: Trening plan s “guardrailsima”
Kad pitate AI za trening plan bez ikakvih ograničenja, dobit ćete generički odgovor koji djeluje smisleno na papiru. Ali generičan plan je upravo to – generičan. Nije usklađen s vašom razinom, povijesti ozljeda, ciljnom utrkom, ni s konkretnom trenažnom filozofijom koju želite slijediti.
Tu na scenu stupa pojam „guardrails” – jasnih okvira koje sami definirate prije nego što AI uopće počne pisati plan. Bez tih okvira, AI nema referentnu točku i bira nešto između mnogih mogućih pristupa.
Što ja konkretno navodim u svojim promptovima:
- koja trenažna filozofija mi je polazna točka (npr. Lydiardov pristup s naglaskom na aerobnu bazu prije specifičnog rada),
- maksimalni tjedni rast volumena (npr. ne više od 10 posto),
- broj kvalitetnih sesija tjedno,
- povijest ozljeda i trenutna kondicija,
- ciljna utrka i preostalo vrijeme do nje.
Bitno je razumjeti da AI ne odabire trenažnu filozofiju umjesto vas – on samo provodi ono što ste mu zadali. Ako mu ne kažete da želite Lydiardov bazni period, on neće sam zaključiti da ga trebate.
Tu odgovornost morate preuzeti vi sami: pročitati nešto o različitim školama (Lydiard, Daniels, sub-threshold pristup), razgovarati s trenerom ako ga imate, i odlučiti koji pristup vam ima smisla. Tek onda AI postaje koristan kao izvršitelj plana koji slijedi tu vašu odluku, a ne kao taj koji odlučuje umjesto vas.
Bez tih okvira, plan će biti generički… i robotski.
S Claude Desktopom plus GetFast konektorom imate dodatnu prednost. AI sam može pogledati sve moje dosadašnje treninge uključujući i zadnja 4-8 tjedna treninga i kalibrirati plan prema realnoj startnoj točki, ne onome što mu ja u nekoj rečenici opišem. To je razlika između “trenirao sam oko 50 km tjedno” i “tvoj prosjek zadnjih 6 tjedana je 47 km, s padom u petom tjednu zbog vjerojatnog umora”.
Realno gledano, ja Claude ne koristim za primarni plan treninga (za to imam svoju aplikaciju s trenerom u pozadini). Ali ga koristim za diskusiju o planu, validaciju mojih pretpostavki, i odogovoru na pitanja koja me muče.
Primjena 2: Realna predikcija vremena utrke
Predikcija vremena utrke je tema gdje je ego najveći neprijatelj. Svi želimo da nas AI pohvali i kaže “možeš sub-3 maraton”, ali to ne pomaže ako nas tjera da prebrzo krenemo i potrošimo se.
GetFast konektor ima funkciju za predikciju maratonskog vremena temeljenu na mojim stvarnim treninzima, a ne na željama. Kad zatražim predikciju, Claude pogleda zadnje long runove, prosječne tempo treninge, kvalitetne sesije, i vrati raspon koji ima smisla.
Ono što je još važnije, mogu nastaviti razgovor pitanjima poput što bi trebalo biti drugačije u sljedećih 8 tjedana da skinem 5 minuta s trenutne predikcije. AI tada može pogledati moj trend, vidjeti gdje su slabije točke (npr. nedostatak progresivnih long runova ili premalo tempo treninga), i predložiti konkretne intervencije.
Primjena 3: Analiza dugog trčanja (hipotetski scenarij)
Ovo je primjena gdje se svakodnevna korist najviše osjeti. Zamislite da ste u nedjelju imali long run od 25 km u sklopu maratonske pripreme. Vrijeme oko 2 sata 15 minuta, vrijeme bilo oko 12 stupnjeva, blagi povjetarac.
U starom workflowu, ja bih u nedjelju navečer otvorio Garmin Connect, izvezao detalje, kopirao u prompt, i postavio pitanje “analiziraj mi ovaj long run”. Nešto kao 15 minuta priprema za jedan razgovor.
S novim setupom, otvaram Claude Desktop i pitam “analiziraj moj nedjeljni long run i reci mi što je dobro, što je za poboljšati, i kako se uklapa u širi kontekst priprema”. Claude sam dohvati cijelu aktivnost, vidi moje split-ove, puls po kilometru, kadencu, GAP, i poveže to s mojim training load podacima zadnjih tjedan dana.
Tipičan output koji dobijem: “tvoj puls je u prva 2 sata bio stabilan u Zoni 2, ali u zadnjih 25 minuta vidim cardiac drift od oko 8 posto što može značiti rani znak dehidracije. Tvoja kadenca je pala s 178 spm na 172 spm u drugoj polovici, što sugerira umor stražnjih loža. U kontekstu tjedna, ovaj long run dolazi nakon 5 dana s ukupnim opterećenjem od 8 sati – moj prijedlog za sljedeći tjedan je easy ponedjeljak i naglasak na recovery prije sljedećeg kvalitetnog treninga”.
Sve to bez da sam išta kopirao. I onda mogu nastaviti razgovor s “usporedi mi ovaj long run s long runom od prije tri tjedna na sličnoj dužini” – Claude opet sam dohvati podatke i napravi usporedbu.
Što je i dalje ograničenje
Da ne ispadne da je sve sad savršeno, moram biti iskren oko granica. AI s pristupom mojim podacima i dalje ne može osjetiti kako mi nešto stvarno izgleda u praksi. Ne zna npr. da sam noć prije slabo spavao zbog briga, ne zna da li me smeta ili ne stražnja loža iako, i ne zna kako mi je tijelo kalibrirano nakon 30 godina sjedenja prije početka trčanja.
Zato ostaju dvije stvari koje AI ne može zamijeniti:
- prvo, vlastito slušanje tijela koje se gradi godinama iskustva,
- drugo, ljudski trener koji vas poznaje kao osobu, vidi vas trčati, i može na licu mjesta procijeniti je li ona vaša “lagana” sesija stvarno lagana.
Pisao sam o tome u svom prvom članku o AI-u i ta poruka stoji čvršće nego ikada. Alat je samo alat, koliko god bio dobar.
Za one koji žele probati ovaj setup, GetFast nudi besplatan trial period i dovoljno funkcionalnosti za prve eksperimente. Claude Desktop je također besplatan u svojoj osnovnoj verziji. Moja preporuka je da se prvo poigrate s analizama vlastitih starih utrka i dugih trčanja prije nego što počnete koristiti AI za buduće odluke.
Ako AI dobro razumije vašu prošlost, mnogo će bolje razumjeti i vašu sadašnjost.
NAPOMENA / DISCLAIMER
Autor ovog teksta nije nutricionist, dijetetičar, sportski liječnik niti zdravstveni stručnjak bilo koje vrste, niti je profesionalni IT-evangelist za Claude Desktop, GetFast ili bilo koji drugi spomenuti alat. Sve navedeno temelji se isključivo na osobnom iskustvu trčanja i osobnom korištenju AI alata. Tehnologija se brzo mijenja, pa je moguće da su neki detalji u trenutku čitanja ovog teksta već zastarjeli. Provjerite uvijek aktualne uvjete korištenja, politike privatnosti i ograničenja servisa prije nego što povežete svoje osobne podatke. Ovaj tekst ne predstavlja medicinski ni nutricionistički savjet i ne zamjenjuje konzultaciju s kvalificiranim stručnjakom. Ako imate zdravstvenih tegoba, kroničnih bolesti ili niste sigurni koji pristup odgovara vašoj situaciji, obratite se liječniku ili certificiranom stručnjaku.
Vaši komentari
