Die Activas-App ist eine App fürs iPhone und iPad, deren unmittelbarer Nutzen sich derzeit (für mich) noch in Grenzen hält. Ich stelle sie trotzdem vor, weil ich ihr Konzept wegweisend finde.
Es handelt sich um einen Assistenten aus dem Fitness- und Gesundheitsbereich. Die App sammelt selbst keine Daten, sondern zapft die zentral gespeicherten Fitness- und Gesundheitsdaten an. Health fungiert bei Apples Mobilgeräten als Drehscheibe für diesen Datenbestand: Tracking-Apps wie Garmin Connect legen dort ihre Messwerte ab, die von anderen Anwendungen ausgewertet werden können. Ein früher besprochenes Beispiel ist Health Fit. Es versucht, Mankos von Apples eigener Health-App wettzumachen. Vor zehn Jahren bezeichnete ich die als Witz. Das war ein hartes Urteil. Trotzdem – und auch wenn die App inzwischen zugelegt hat, gibt es noch immer Luft nach oben.
Activas trägt dem Umstand Rechnung, dass viele Leute sich ihren Datenbestand nicht in Form von Diagrammen und grafischen Auswertungen zu Gemüte führen möchten, sondern lieber eine ausformulierte Analyse hätten. Denn in Textform kann sie Trends, Anomalien und Besonderheiten klar benennen. Das ist im Idealfall ein wichtiger Schritt, bei dem aus dem Datenmaterial eine aussagekräftige Auslegung entsteht.
Die Offline-KI-Analyse
Die App tut das – natürlich – mittels künstlicher Intelligenz. Dafür verwendet sie Apple Intelligence, und zwar das auf dem Gerät gespeicherte Sprachmodell. Die Beschreibung verspricht:
Activas funktioniert komplett offline, und Ihre Daten verlassen niemals Ihr Gerät.
Nun ist dieses lokale Modell nicht zu vergleichen mit den LLMs, die in der Cloud laufen. Es ist im Vergleich winzig und auf einfache Aufgaben wie das Umschreiben und Zusammenfassen kurzer Textschnipsel getrimmt. Es verkraftet auch keine riesigen Datenmengen, sondern höchstens die Messwerte der letzten paar Tage. In Activas wählen wir für einen Bericht die letzten sieben, 15 oder dreissig Tage aus. Viel interessanter wäre eine Beobachtung über Monate oder Jahre. Aber das scheint mir Apples lokales LLM nicht herzugeben. Die Textanalyse wirkt generisch und etwas hölzern. Und sie neigt in KI-typischer Weise zu sehr zu besänftigenden, ermutigenden Formulierungen:
Bei meinem Test gab es zusätzlich das Handicap, dass ich keine Daten zu meiner Ernährung erfasse. Ich bin seinerzeit beim Test der Yazio-App zum Schluss gekommen, dass Kalorienzählen sich nicht lohnt, my darling. Diese Angaben würde die KI aber gern in ihrem Bericht berücksichtigen, wie sie mir auf allzu diplomatische Weise zu verstehen gibt («Your nutrition data seems to be a bit of a mystery, but don’t worry – it’s okay to focus on what you can control.»).
So könnten Apps in Zukunft funktionieren
Fazit: Activas ist derzeit eine Machbarkeitsstudie (Proof of Concept). Für aussagekräftige Analysen scheint das lokale LLM derzeit zu beschränkt. Aber das Potenzial dieser Methode ist bewiesen. Ein speziell auf die Fitnessanalyse zugeschnittenes LLM, das ein grösseres Kontextfenster aufweist, dürfte in der Lage sein, nützliche Informationen zu liefern. Denn dazu ist die künstliche Intelligenz ausgezeichnet in der Lage. Das bewies im letzten Jahr mein Test von Athlete Intelligence von Strava, vor allem jedoch mein Test von «Doktor ChatGPT».
Mir gefällt diese Herangehensweise ausgezeichnet: Sie erlaubt es uns, Nutzen aus der KI zu ziehen, ohne unsere Privatsphäre komplett aufgeben zu müssen. In dieser Erkenntnis steckt auch eine Antwort auf die Frage, ob die KI zu einem grossen App-Sterben führen wird. Es gibt Leute wie den Technikchef des Meta-Konzerns, Andrew Bosworth, die dieser Ansicht sind. Ich glaube das nicht. Viele Leute werden den Weg vorziehen, bei dem mittels App auch bei einer KI die Selbstbestimmung und Datenautonomie nicht verloren gehen.