De strijd in het moderne wielrennen wordt al lang niet meer alleen op de weg beslist. Data, algoritmes en simulaties spelen een steeds grotere rol achter de schermen. Toen Visma | Lease a Bike eind februari 2026 een samenwerking aankondigde met Mistral AI, leek het alsof AI plots zijn intrede deed in het peloton. Toch zetten zij deze keer niet de trend, maar dichten ze net een gat op de concurrentie.
G42, ServiceNow en Vekta
De technologie van Mistral AI moet Team Visma | Lease a Bike helpen bij prestatie-analyse, besluitvorming en voorbereiding op wedstrijden. Hoewel Visma’s aankondiging veel aandacht kreeg, zijn meerdere WorldTour-teams al een tijdje bezig met AI en geavanceerde dataplatformen.
Bij Lidl -Trek werd bijvoorbeeld een partnership afgesloten met softwarebedrijf ServiceNow. Als officiële AI-partner ondersteunen zij het team bij workflow-automatisering, data-analyse en besluitvorming binnen de ploeg. Ook UAE Team Emirates XRG werkt al enige tijd samen met het AI-bedrijf G42. Dat partnership richt zich onder meer op geavanceerde data-analyse rond training, race-strategie en prestatieoptimalisatie.
Verschillende andere grote teams werken met het AI-gedreven performanceplatform Vekta, dat trainingsplanning, data-analyse en prestatie-inzichten integreert in 1 systeem. Visma start dus niet zozeer een revolutie, maar springt nog net op tijd op een trein die ze dreigden te missen.
Het nut van AI binnen de wielersport kunnen we snel duidelijk maken. Beeld je de enorme datahoeveelheden in die het moderne wielrennen produceert en het gaat je al snel duizelen. Vermogens-, hartslag-, slaapdata en voedingstracking vormen nog maar het topje van de ijsberg. Bedenk dat tegenwoordig van seconde tot seconde heel wat variabelen geregistreerd worden. Combineer die en je krijgt een oneindige schat aan informatie.
AI kan in die gigantische datasets patronen herkennen die voor mensen moeilijk zichtbaar zijn. Dat leidt tot toepassingen op verschillende niveaus. 1 van de meest interessante toepassingen ligt in pacing-strategieën. Door historische koersdata, windmodellen, parcoursinformatie en vermogensdata te combineren, kunnen AI-systemen simuleren hoe een renner zijn inspanning best verdeelt. Dat is vooral relevant in tijdritten, maar kan ook nuttig zijn bij lange beklimmingen waar te fel starten aan de voet minuten kan kosten aan de top.
Koerssimulatie en personalisatie
De touch van de ploegleider of de last-minute beslissingen van de kopman in koers blijven natuurlijk belangrijk in de wedstrijdtactiek. Die beslissingen worden beter als je weet wanneer een aanval statistisch de meeste kans op succes heeft. Of met koerssimulaties welke ploegentactiek het meeste rendement oplevert. Denk maar aan de ploegentijdrit in Parijs-Nice, waarbij de tijd van de 1e renner telt. Met AI kan je simuleren of het loont om de kopman te lanceren of tot de finish samen te blijven.
Het klinkt contradictorisch, maar AI opent mogelijkheden om training veel meer te personaliseren. Traditionele sportwetenschap werkt vaak met gemiddelden. Hoeveel intervaltraining werkt ‘voor de meeste atleten’? Hoeveel herstel is er nodig na een zware inspanning? Hoe bouwt trainingsbelasting zich op?
Topprestaties zijn echter per definitie individueel. AI-systemen kunnen jaren aan trainingsdata analyseren en patronen ontdekken die uniek zijn voor 1 renner. Plots wordt het mogelijk om zo exact te weten hoe die éne renner herstelt na specifieke inspanningen of wanneer overbelasting dreigt. Platforms zoals Vekta proberen precies dat te doen: trainingsplanning koppelen aan analyse en de mogelijkheid tot continue feedback uit de constante toestroom aan data.
Ook voeding is een domein waar AI steeds vaker wordt ingezet. Credits voor Visma, dat al in 2024 een AI-model ontwikkelde dat de voedingsbehoefte van renners tijdens wedstrijden nauwkeuriger voorspelt op basis van intensiteit, duur en omstandigheden. Zo weten renners exact hoeveel en wanneer zij koolhydraten nodig hebben, afgestemd op het parcours en de weersomstandigheden.
Paradigmashift
Veel teams werken samen met universiteiten en onderzoekscentra. Maar daar zit een fundamenteel spanningsveld. Academisch onderzoek focust vaak op groepen atleten. Om wetenschappelijk valide conclusies te trekken, worden studies uitgevoerd op populatiegemiddeldes. In het profwielrennen gaat het echter net om het individu. AI kan hier een brug slaan. Door enorme datasets van individuele renners te analyseren, kunnen modellen patronen ontdekken die niet zichtbaar zijn in groepsstudies.
Zo krijg je een paradigmashift weg van ‘deze trainingsvorm werkt gemiddeld goed’. Voortaan luidt het ‘voor deze specifieke renner werkt dit type training vooral na 2 rustdagen.’ Toch zal AI de coach niet vervangen, maar vooral versterken. Data kunnen patronen tonen, maar context blijft cruciaal. Mentale factoren, teamdynamiek, koersgevoel en ervaring blijven moeilijk in algoritmes te vatten.
De rol van de coach verandert wel. Van iemand die vooral op ervaring beslist, naar iemand die beslissingen neemt met ondersteuning van data en AI-modellen. Wat vandaag gebeurt in het profpeloton is dus geen plotse technologische revolutie. Het is eerder de volgende stap in een proces dat al jaren bezig is.
In een sport waar verschillen soms in seconden worden gemeten, kan het vermogen om net iets beter te begrijpen hoe 1 individuele renner functioneert uiteindelijk het verschil maken tussen een plaats in de anonimiteit van het peloton en een plek op het podium.
