PACE Engine: Wissenschaft, Kernfeatures & Validierung

Die wichtige Formulierung vorweg

PACE ist wissenschaftlich fundiert und intern systematisch validiert. Das Gesamtprodukt ist derzeit nicht durch eine prospektive kontrollierte Studie als „wissenschaftlich optimal“ bewiesen. Einzelne Studien stützen Prinzipien und Entscheidungen der Architektur; interne Testmatrizen prüfen die korrekte Softwarelogik. Beides ist wichtig – aber nicht dasselbe.

1. Real Load: PACE plant mit deiner echten Trainingshistorie

Was PACE wirklich macht: absolvierte, verpasste, zusätzliche und veränderte Läufe fließen in die nächste Planung ein. Ein ausgefallener Lauf wird nicht automatisch als Kilometerschuld behandelt. Die Engine berücksichtigt außerdem die nachgewiesene historische Belastbarkeit, statt nur einen generischen Wochenwert fortzuschreiben.

Was dir das bringt: Der Plan bleibt näher an deiner tatsächlichen Woche. Wenn du mehr oder weniger gelaufen bist als vorgesehen, muss nicht der Nutzer selbst entscheiden, welche Einheit jetzt noch sinnvoll ist.

Wissenschaftlicher Anker: Belastungssteuerung ist komplex und lässt sich nicht auf eine einzelne Kennzahl reduzieren. Eine große prospektive Kohorte mit 5.205 Läufern fand eine höhere Rate laufbezogener Überlastungsverletzungen bei deutlichen Sprüngen der Distanz einer einzelnen Laufeinheit. Das stützt vorsichtige Progression und persönliche Belastungsgrenzen – nicht eine universelle Prozentregel.

2. Readiness: HRV + Ruhepuls + Schlaf + subjektives Gefühl

Was PACE wirklich macht: Tagesform wird nicht aus einem einzigen „Readiness Score“ abgeleitet. HRV, Ruhepuls, Schlaf und subjektive Angaben werden zusammen mit Trainingshistorie und geplantem Workout eingeordnet.

Was dir das bringt: Ein einzelner schlechter Messwert wirft nicht automatisch den Plan um. Gleichzeitig wird dein eigenes Belastungsgefühl nicht gegenüber Wearable-Daten abgewertet.

Wissenschaftlicher Anker: Eine systematische Übersichtsarbeit zeigte, dass subjektive Wellbeing-Maße akute und chronische Trainingslast oft sensitiver und konsistenter abbildeten als häufig genutzte objektive Marker. Meta-Analysen zu HRV-geführtem Ausdauertraining zeigen mögliche Vorteile bei submaximalen physiologischen Parametern und bei der Responder-Verteilung, während Effekte auf Performance und VO₂peak nicht durchgehend signifikant sind. Genau deshalb behandelt PACE HRV als Signal – nicht als Orakel.

3. Persönliche Belastungsgrenze: Progression darf wachsen, aber nicht beliebig springen

Was PACE wirklich macht: die Kilometerobergrenze wird aus Trainingstagen, Leistungsstand und nachgewiesener Belastbarkeit abgeleitet und darf mit der Zeit wachsen. Long Run, Wochenvolumen und Quality-Verteilung werden nicht unabhängig voneinander hochgeschoben.

Was dir das bringt: Fortschritt kann in mehr Training übersetzt werden, ohne dass eine einzelne gute Woche automatisch einen aggressiven Sprung erzeugt. Gleichzeitig ist die Obergrenze nicht dauerhaft starr.

Wissenschaftlicher Anker: Die Laufkohorte von Nielsen et al. unterstützt die Vorsicht bei großen Single-Session-Distanzsprüngen. PACE nutzt diese Art Evidenz als Begründung für konservative Guards, aber nicht als Beweis für eine exakte „sichere“ Schwelle für jeden Läufer.

4. Race-Date-Logik: Training verändert sich mit der Phase

Was PACE wirklich macht: Race Date, aktuelle Phase, Readiness, Spezifität und Durability beeinflussen, welche Einheit jetzt Priorität bekommt. Richtung Rennen wird nicht einfach weiter Volumen aufgebaut; der Planner wechselt in Race Week und Taper-Logik.

Was dir das bringt: Du trainierst nicht in Woche 10 noch so, als wäre das Rennen 20 Wochen entfernt. Der verbleibende Zeitraum wird Teil der Entscheidung.

Wissenschaftlicher Anker: Eine Meta-Analyse von 14 Studien fand Leistungsverbesserungen durch Tapering und unterstützt Strategien, bei denen das Volumen reduziert wird, während Intensität und Frequenz weitgehend erhalten bleiben. Die optimale konkrete Ausgestaltung bleibt abhängig vom Athleten und Kontext.

Bonus: Race Learning Loop – dein Rennen verändert dein nächstes Training

Das ist eines der besonders differenzierenden PACE-Features: Nach einem explizit bestätigten Rennen analysiert Race Intelligence Splits, ersten vs. zweiten Rennteil, Startverhalten, späte Pace-Verluste, Heart-Rate-Verlauf und Durability. Daraus entstehen strukturierte Learnings wie Pacing Discipline, HM Durability, Fueling Rehearsal oder Conditions Adaptation.

Diese Learnings bleiben gespeichert und können später innerhalb des vorhandenen Quality-Budgets die Trainingspriorität verändern. Ein Durability-Limiter kann zum Beispiel spezifische lange HM-Blöcke priorisieren, ohne dass PACE einfach eine zusätzliche harte Einheit in die Woche drückt. Parallel wird die Race Strategy aus aktuellem Leistungsanker, Readiness und den gespeicherten Learnings neu berechnet.

Was dir das bringt: Dein Rennen ist nicht nur Vergangenheit. Es wird ein Datenpunkt für den nächsten Trainingszyklus und die nächste Race-Ausführung.

Wissenschaftlicher Anker: Eine aktuelle narrative Übersicht zu Halbmarathon und Marathon berichtet, dass leistungsstärkere Läufer tendenziell stabilere Pacing-Profile zeigen, während langsamere Läufer stärkere Variabilität und ausgeprägtere Pace-Abfälle aufweisen. Das belegt nicht den PACE-Algorithmus, unterstreicht aber, warum Pacing und Late-Race-Durability sinnvolle, leistungsrelevante Analyseziele sind.

Interne Validierung: viele Szenarien, deterministische Regeln

Zusätzlich zur externen Literatur wird die Engine mit reproduzierbaren Tests geprüft. Zwei dokumentierte Matrizen:

Planning Matrix: 420/420 PASS – 7 Phasen × 4 Leistungsniveaus × 3 Recovery-States × 5 Verfügbarkeitsstufen.
Race Readiness: 434/434 Behavior Checks PASS – Kombinationen aus Spezifität, Durability, Recovery und Race-Nähe.

Weitere Replay-/Simulationstests decken Progression, Recovery, verpasste und zusätzliche Läufe, Taper, Race Week, Post-Race-Recovery und Replanning ab. Das prüft, ob die Engine in definierten Grenzfällen konsistent handelt.

Was diese Tests nicht beweisen: Sie zeigen keine klinische Wirksamkeit und garantieren keine persönliche Bestzeit. Sie zeigen, dass die Softwarelogik reproduzierbar und gegen definierte Sicherheits- und Planungsregeln testbar ist.

Ausgewählte wissenschaftliche Quellen

Du sollst nicht an einen Algorithmus glauben müssen.

PACE soll zeigen, was sich verändert hat, warum eine Trainingsentscheidung plausibel ist und welche Grenzen das System selbst anerkennt.

Early Access vormerken