Die 5-Sekunden-Antwort: Wer hauptsächlich Schritttrends sehen will, kommt mit der Wochenansicht von Google Fit oft schon ans Ziel
Die Idee war simpel: Schritte und Aktivitätsminuten, die ein Android-Handy ohnehin aufzeichnet, für ChatGPT verfügbar machen und dann Fragen stellen wie „Gehe ich diese Woche mehr?“, „Wie stark ist der Anstieg gegenüber letzter Woche?“ oder „Wenn ich gleich viel esse, in welche Richtung sollte diese höhere Aktivität mein Gewicht bewegen?“.
Technisch funktioniert das. Unter Android lässt sich folgende Kette aufbauen:
Google Fit → Health Connect → freddy → ChatGPT
Nach der Verbindung kann ChatGPT echte Werte wie Schritte, Distanz, geschätzte Kalorien und Trainingsdauer abfragen, statt nur einen Screenshot zu interpretieren. [1][2][3]
Dann kommt die Pointe: Der aktuell beworbene Free-Tarif von freddy bietet 1 Datenquelle und 7 Tage Verlauf. [4] Sobald man fragt „Vergleiche Mai bis heute mit der Zeit davor“, fährt die futuristische KI-Analysemaschine frontal in eine sieben Tage breite Mauer.
Für langfristige Schritttrends sind die eingebauten Ansichten Tag / Woche / Monat von Google Fit oft schlicht praktischer. [5] Wir haben eine Rakete gebaut und anschließend festgestellt, dass die Treppe funktioniert.
Was sollte eigentlich entstehen? Google-Fit-Daten sollten mit einer KI sprechen können
Google Fit zeichnet Schritte, Distanz, Aktivitätszeit und Workouts auf. Die App ist aber nicht primär als frei formulierbarer Analyst gedacht, der jede beliebige Frage zu mehreren Monaten persönlicher Daten beantwortet.
Health Connect übernimmt unter Android die Vermittlerrolle. Google stellt es als zentrale Schicht zum Verwalten und Teilen von Gesundheits- und Fitnessdaten bereit, mit Berechtigungen je Datentyp. [1][2]
Die Architektur sieht damit so aus:
Google Fit zeichnet auf → Health Connect vermittelt → freddy liefert an die KI → ChatGPT analysiert
Der Name klingt zwar, als müsste danach eine Nachtschicht in einer verfluchten Pizzeria beginnen, aber dieser freddy ist nicht der Bär aus Five Nights at Freddy's. Es handelt sich um einen MCP-Dienst für Gesundheitsdaten. [4][6]
Was sieht man nach der Verbindung? Nicht nur Schritte, sondern auch Distanz und Aktivitätsdauer
Wenn freddy Leserechte für Health Connect erhält, kann der Dienst die freigegebenen Datentypen abrufen: Schritte, Distanz, Kalorien, Workouts, Herzfrequenz, Schlaf und weitere — vorausgesetzt, eine App oder ein Gerät hat diese Daten tatsächlich in Health Connect geschrieben. freddy beschreibt die Health-Connect-Integration als read-only und schreibt keine Daten zurück. [3]
Dadurch kann ChatGPT Werte nach Datum abrufen und direkt vergleichen. Auch ein Liniendiagramm lässt sich aus der echten Zeitreihe erstellen.
Ein typischer KI-Unfall: Man sagt „Mach ein Liniendiagramm“, und die KI startet stattdessen eine Bildgenerierung. Das ist nicht dasselbe. Gesucht ist Datenvisualisierung, kein Kunstwerk mit Schrittzähler-Motiv. Bei quantitativen Daten müssen die realen Zahlen geplottet werden.
Wird das Google-Konto unsicherer? Kontosicherheit und Gesundheitsdaten-Privatsphäre getrennt betrachten
Health Connect verwaltet Berechtigungen nach Gesundheitsdatentyp und Lese-/Schreibzugriff. Apps fordern konkrete Rechte an, und Nutzer können diese erlauben, ablehnen oder später entziehen. [2][7]
Eine Verbindung über Health Connect ist daher nicht dasselbe wie das Weitergeben des Google-Passworts an einen Drittanbieter.
Trotzdem erhöht ein zusätzlicher Gesundheitsdatendienst die Angriffs- und Datenschutzoberfläche. freddy synchronisiert Daten aus verbundenen Quellen in den eigenen Dienst und liefert sie aus, wenn ein autorisierter KI-Client sie abfragt. [6][8]
freddy gibt an, Gesundheitsdaten und Zugangsdaten zu verschlüsseln, Gesundheitsdaten nicht zu verkaufen und sie nicht zum Modelltraining zu verwenden. [8] Das ist positiv, macht Speicherung bei einem Drittanbieter aber nicht risikofrei.
Besonders wichtig ist die persönliche MCP-URL. In den Nutzungsbedingungen warnt freddy ausdrücklich, dass jede Person mit dieser URL Gesundheitsdaten abfragen kann. [6] Sie sollte daher wie ein geheimer Token behandelt werden, nicht wie ein gewöhnlicher Weblink. Nicht in öffentliche Screenshots, Foren oder soziale Netzwerke packen.
Und die Schlafqualität? Health Connect ist ein Lager, kein Schlafsensor
Die Installation von Health Connect sorgt nicht dafür, dass das Smartphone plötzlich Tiefschlaf- oder REM-Anteile kennt.
Health Connect ist eine Austauschschicht. Eine Uhr, ein Ring, eine Schlaf-App oder eine andere Quelle muss zunächst Schlafdatensätze erzeugen. Erst danach können andere autorisierte Apps sie lesen. [2][3]
Deshalb ist es völlig normal, Schritte zu sehen und beim Schlaf gar nichts. Google Fit kann Aktivitätsdaten schreiben, während kein Gerät Schlafdaten liefert.
Wenn für einen einzigen „Sleep Score“ noch eine App installiert, eine weitere Berechtigung verwaltet und ein zusätzliches Gerät geladen werden muss, erreicht man irgendwann den Zustand, in dem das Schlaftracking selbst Schlaf kostet. Manchmal reicht die tatsächliche Schlafdauer als Kennzahl völlig aus.
Gleich viel essen und mehr gehen: Sinkt dann das Gewicht? Die Richtung ist meist abwärts, die Realität aber keine Gerade
Nach einfachem Energiegleichgewicht erzeugt dauerhaft höherer Energieverbrauch bei tatsächlich unveränderter Zufuhr langfristig Druck in Richtung Gewichtsabnahme.
Im Alltag gibt es jedoch Kompensation. Nach Bewegung kann man unbewusst etwas mehr essen oder aus Müdigkeit andere Alltagsaktivität reduzieren. Ein Review aus dem Jahr 2023 fand in einem relevanten Anteil von Trainingsstudien kompensatorische Rückgänge der körperlichen Aktivität außerhalb des eigentlichen Trainings. [9]
Außerdem schwankt das Tagesgewicht durch Wasser, Glykogen, Natrium und Verdauungsinhalt. „Gestern viel gelaufen und heute zeigt die Waage nichts“ ist daher keine besonders aussagekräftige Analyse.
Sinnvoller sind Durchschnittswerte über mehrere Wochen: wöchentliche Aktivität gegen wöchentliches Durchschnittsgewicht.
Die größte Grenze: „Vergleiche ein Jahr“ trifft auf 7 Tage im Free-Tarif
Die Verbindung funktionierte. Die Daten waren echt. Die KI konnte sie abrufen. Dieser Teil war tatsächlich nützlich.
Das Problem beginnt bei der Historie. freddy bewirbt Free derzeit mit 1 Quelle und 7 Tagen Verlauf. [4]
Das eignet sich gut für Fragen zur aktuellen Woche, aber nicht für kostenlose Vergleiche wie „seit dem Frühling vs. davor“ oder „letzter Sommer vs. dieser Sommer“.
Das macht freddy nicht nutzlos. Der Dienst richtet sich eher an Menschen, die Garmin, Oura, WHOOP, CGM, Schlaf, HRV, Krafttraining und weitere Datenquellen gemeinsam per KI auswerten wollen. [4]
Wenn die gesamte Anforderung aber nur lautet „Gehe ich seit einigen Monaten mehr?“, wird der Vergleich leicht komisch:
Google Fit: Tag/Woche/Monat kostenlos ansehen. freddy Free: KI darf fragen, aber nur über 7 Tage.
Die Frage ist also weniger „Wer benutzt das?“ als vielmehr: Der passende Nutzerkreis ist ziemlich klar abgegrenzt.
Für langfristige Schrittvergleiche reichen Wochen- und Monatsansicht von Google Fit
Die offizielle Google-Fit-Hilfe erlaubt das Umschalten der Aktivitätsansicht zwischen Tag, Woche und Monat. [5]
Damit lassen sich viele normale Fragen bereits beantworten:
- Gehe ich in letzter Zeit mehr?
- War diese Woche aktiver als die vorige?
- Steigt oder sinkt meine monatliche Aktivität?
- Ist der große Trend klar aufwärtsgerichtet?
Wenn ein bestimmter Zeitraum tiefer analysiert werden soll, kann man genau diesen Screenshot oder Datenausschnitt an ChatGPT geben. Das Langzeitarchiv bleibt auf der Fitnessplattform, und nur der relevante Teil geht an die KI.
Nicht jedes Problem braucht eine dauerhafte Pipeline aus vier Diensten.
Für wen freddy passt und für wen Google Fit reicht
freddy passt gut, wenn
- mehrere Wearables oder Gesundheitsplattformen genutzt werden;
- Schritte, Schlaf, HRV, Herzfrequenz, Erholung und Trainingslast gemeinsam analysiert werden sollen;
- Fragen wie „Warum bin ich diese Woche ungewöhnlich müde?“ gestellt werden;
- ein kostenpflichtiger Langzeitverlauf direkt für die KI sinnvoll ist;
- MCP- und KI-Agenten-Integrationen ohnehin interessant sind.
Google Fit reicht wahrscheinlich, wenn
- hauptsächlich Schritte und Aktivitätszeit wichtig sind;
- Wochen- und Monatstrends die Frage beantworten;
- kein weiterer Gesundheitsdaten-Verarbeiter gewünscht ist;
- kein weiteres Abo nötig sein soll;
- gelegentliche Screenshots für ChatGPT genügen.
Wer zur zweiten Gruppe gehört, bekommt keinen Pokal dafür, aus einem Schrittzähler ein Distributed-Systems-Projekt zu machen.
Endfazit: Die KI-Integration funktioniert — aber „Schau einfach in die Wochenansicht“ war ebenfalls richtig
Google Fit → Health Connect → freddy → ChatGPT kann tatsächlich funktionieren und erlaubt der KI, reale Aktivitätsdaten zu lesen und auszuwerten. [1][3]
Das Sicherheitsmodell lautet nicht „das komplette Google-Konto abgeben“, aber Gesundheitsdaten werden zu einem Drittanbieter synchronisiert und die MCP-URL muss geschützt werden. [2][6][8]
Schlafdaten brauchen eine echte Quelle; Health Connect kann sie nicht selbst erfinden. [3]
Und für langfristige Schrittanalysen ist die 7-Tage-Grenze des Free-Tarifs erheblich. [4]
Die sauberste Aufteilung lautet daher:
Google Fit für normale Tag/Woche/Monat-Trends; freddy, wenn die KI wirklich mehrere Gesundheits- und Fitnessdatenströme gemeinsam analysieren soll.
Wir verbinden die komplette moderne Gesundheitsdaten-Infrastruktur und drücken am Ende in Google Fit auf „Woche“.
Technisch erfolgreich. Im Alltag eine volle Runde gedreht und wieder in der ursprünglichen App angekommen.
Quellen
- Google Fit Help — Health Connect in Google Fit support.google.com
- Android Developers — Get started with Health Connect developer.android.com
- freddy — Connect Health Connect (Android) freddy.coach
- freddy — Official product / current Free-plan limits freddy.coach
- Google Fit Help — Find your activity support.google.com
- freddy — Terms of Service freddy.coach
- Android Developers — Read raw data from Health Connect developer.android.com
- freddy — Privacy Policy freddy.coach
- PubMed — Compensatory Responses to Exercise Training As Barriers to Weight Loss (2023 review) pubmed.ncbi.nlm.nih.gov
