MethodStrength — Von der Idee zum Live-Produkt in 8 Wochen.

Die Ausgangslage: Eine klare Marktlücke — und kein Produkt, das sie schließt.

Der Markt für Fitness-Apps ist gesättigt. Aber keine davon adressiert Erwachsene über 40 mit dem, was sie tatsächlich brauchen: gelenkschonende Übungsalternativen, altersgerechte Regenerationssteuerung und ein Trainingssystem, das sich an körperliche Einschränkungen anpasst — nicht eines, das sie ignoriert.

Das Problem ist nicht mangelnde Technologie. Das Problem ist, dass niemand langjährige eigene Trainingserfahrung mit moderner KI-Architektur zusammenbringt. Bestehende Apps geben einem 45-Jährigen mit Schulterproblemen denselben Plan wie einem 22-Jährigen Einsteiger.

Die Hypothese: Ein LLM-basierter Feedback-Loop, der aus jedem absolvierten Workout lernt, kann diese Lücke schließen — wenn die KI-Prompts mit echtem trainingswissenschaftlichem Kontext gefüttert werden.

Die Lösung: Ein adaptives Trainingssystem mit KI im Kern

MethodStrength ist eine Progressive Web App, bei der KI nicht als Feature-Label dient, sondern die zentrale Produktlogik bildet. Der Feedback-Loop ist das Differenzierungsmerkmal: Jedes absolvierte Workout — Gewichte, Sätze, RPE-Werte, subjektive Tags — fließt zurück in die KI, die daraus den nächsten Plan ableitet.

Was die App im Detail kann:

• Individualisierte Plangenerierung: Das Onboarding erfasst Alter, Ausrüstung, Einschränkungen, Ziele und Frequenz. Die KI generiert daraus einen Trainingsplan — kein Template, sondern eine adaptive Struktur.
• Post-Workout-Feedback: Nach jeder Einheit analysiert die KI Leistungsdaten und gibt konkrete Anpassungsempfehlungen.
• Wöchentliche und monatliche Reviews: Strukturierte KI-Analysen mit Apply/Skip-Mechanik — der Nutzer entscheidet, welche Empfehlungen in den Plan übernommen werden.
• Übertraining-Erkennung: Automatische Deload-Generierung bei Anzeichen von Überlastung.
• Intelligente Übungssubstitution: Bei körperlichen Einschränkungen ersetzt das System Übungen anhand wissenschaftlich fundierter Sicherheitsratings.
• Offline-first: Volle Funktionalität ohne Internetverbindung — kritisch für die Nutzung im Gym.
• Bilingual (DE/EN): Vollständig lokalisiert für den DACH-Markt und internationale Expansion.
• Metrisch/Imperial: US-Marktreadiness mit automatischer Einheitenkonvertierung.

Technische Architektur: Was unter der Haube steckt

Drei Aspekte machen dieses Projekt technisch anspruchsvoll — und als Referenz relevant:

1. KI-Integration mit Domänenkontext
Die Claude API generiert keine generischen Fitnesstipps. Jeder Prompt enthält trainingswissenschaftlichen Kontext: SFR-Klassifizierungen (Stimulus-to-Fatigue Ratio), Sicherheitsratings pro Übung und Einschränkung, altersgerechte Periodisierungslogik. Die Prompt-Architektur wurde über mehrere Iterationen optimiert — Token-Verbrauch pro Plangenerierung um 77% reduziert (von ~64.600 auf ~15.000 Tokens), ohne Qualitätsverlust.

2. Offline-first mit Sync-Architektur
IndexedDB (via Dexie.js) als lokale Datenschicht, Supabase als Server-Backend, Serwist als Service Worker. Das System muss zuverlässig funktionieren, wenn der Nutzer im Fitnessstudio kein Netz hat — und danach sauber synchronisieren. Datenintegrität bei Konflikten, IDB-Isolation zwischen Accounts und automatische PWA-Updates waren zentrale Herausforderungen.

3. SEO/GEO Growth Engine
220+ statisch generierte Übungsseiten (Next.js SSG) in zwei Sprachen mit lokalisierter URL-Struktur, JSON-LD FAQ-Schema, hreflang-Tags, dynamischer Sitemap und llms.txt für AI-Crawler-Guidance. Jede Übungsseite enthält wissenschaftlich fundierte Inhalte: Sicherheitsbewertungen, Modifikationen, Kontraindikationen, verwandte Übungen. Content-Tiefe statt Content-Farm.

Ergebnisse

Entwicklungsprozess: Wie ein Solo-Entwickler Startup-Geschwindigkeit erreicht

MethodStrength wurde nicht in einem Wasserfallmodell entwickelt, sondern mit einer eigenen Methodik: GSD (Get Shit Done) — ein strukturierter Workflow für KI-gestützte Entwicklung mit Claude Code.

Jede Phase durchläuft einen festen Zyklus: Discuss → Plan → Execute → Verify. Jeder Plan hat ein klares Scope-Dokument, definierte Akzeptanzkriterien und eine automatisierte Verifikation. Das Ergebnis: 74 Arbeitspakete in ~389 Minuten reiner Execution-Time — bei gleichzeitiger Dokumentation jeder Entscheidung.