We bouwden een AI die perfecte squats telde. De knie van een 62-jarige zakte al die tijd in.

Er is één frame waar ik steeds naar terugkeer, ergens bevroren op een laptop in onze codebase: een skelet van 33 punten over een man heen die een squat op eigen lichaamsgewicht doet in zijn woonkamer. Frame 58 van ongeveer 90. Het is de tekening van onze software — de stippen op zijn heupen, knieën, enkels, de groene lijnen die ze verbinden. De telefooncamera legde het vast met 30 beelden per seconde, en ons systeem had de herhaling al beoordeeld.

Het beoordeelde die als goed.

De man was 62, acht weken na een operatie voor reconstructie van de voorste kruisband, en deed precies de oefening die zijn fysiotherapeut had voorgeschreven. En in dat frame zakte zijn linkerknie naar binnen — dreef zo'n vier centimeter richting de middellijn van zijn lichaam, weg van de rechte lijn die zijn heup en enkel hadden moeten aanhouden. Bij een gezonde dertigjarige is dat een slordige herhaling. Bij een knie na een kruisbandoperatie is dat naar binnen inzakken een van de specifieke mechanische patronen die het transplantaat waarvoor je net een chirurg hebt betaald opnieuw doen scheuren.

Onze AI telde het als een overwinning. Die ochtend is de reden dat ik je met enige zekerheid kan vertellen wat het echt lastige probleem in fitness-AI is — en waarom bijna niemand het deel oplost dat er werkelijk toe doet.

Pose-estimatie is de sensor. Het is niet het brein.

Dit is wat ik wou dat iemand me had verteld voordat we ook maar één regel code schreven: het deel dat iedereen moeilijk vindt, is gratis.

Een menselijk lichaam volgen via een camera — de gewrichten vinden, het skelet tekenen, 33 keypoints frame voor frame volgen — is een opgelost probleem. Google's BlazePose en MoveNet, het MediaPipe-framework, het is allemaal open source en draait op de telefoon in je zak. Elk fitness-AI-bedrijf ter wereld gebruikt dezelfde handvol bibliotheken voor pose-estimatie. Daar ligt geen slotgracht. Ik heb dit op de dure manier geleerd, door aanvankelijk het tegenovergestelde te geloven.

Pose-estimatie vertelt je waar de knie is. Het vertelt je niet of de knie in de problemen zit.

Het lastige probleem zit een laag hoger. Het is de interpretatie: weten dat een naar binnen driften van vier centimeter knievalgus betekent, dat knievalgus een risico op herblessering is voor deze specifieke patiënt met deze specifieke voorgeschiedenis, en dat het een waarschuwing voor de behandelaar zou moeten activeren in plaats van een "goed gedaan"-animatie. De sensor is een commodity geworden. Het brein niet. Die kloof — tussen het waarnemen van een beweging en het begrijpen ervan — is waar het helemaal om draait, en dat is uiteindelijk waarvoor we de engine voor oefeningverificatie hebben gebouwd.

Ik begreep de kloof pas toen ons eigen product er recht in viel.

De "goede herhaling"-teller die loog

Toen we begonnen, deden we wat vanzelfsprekend en snel voelde. We namen de keypoints die uit het pose-model kwamen, schreven wat geometrie om gewrichtshoeken te meten, stelden een drempel in — knie buigt voorbij deze hoek, tel een herhaling — en leverden een keurige kleine engine op die herhalingen telde en vormtips liet oplichten. Het deed het schitterend in demo's. De herhalingen liepen op. Groene vinkjes. In een vergaderzaal zag het eruit als een afgewerkt product.

De squatvideo verbrak die illusie. We hadden de data per frame daar zo liggen in een CSV — ik kon zien hoe de horizontale positie van de linkerknie van de patiënt tijdens de afdaling naar binnen (mediaal) schoof, frames 45 tot 72. Ik kon zien dat zijn knie slechts 78 graden flexie bereikte terwijl het voorgeschreven doel 90 was. Ik kon zien dat de afdaling ongeveer een seconde duurde en de weg terug omhoog meer dan twee keer zo lang — een verhouding van 2 op 1 die eruit schreeuwt dat hij op momentum in de squat liet zakken en zich vervolgens omhoog moest ploeteren.

Drie onafhankelijke alarmsignalen. Onvoldoende diepte, een naar binnen inzakken en een compenserend tempo. Elke fysiotherapeut die even naar die clip keek, zou de sessie hebben stopgezet. Onze software, kijkend naar exact dezelfde cijfers, gaf terug: herhaling voltooid, goede vorm.

Dat was de mislukking waar ik persoonlijk voor had gepleit. Ik was degene geweest die zei "laten we iets hebben dat herhalingen telt en dat itereren" — het lean-ding, het uitleverbare ding. En het lean-ding was ronduit gevaarlijk, want het gaf een herstellende patiënt zelfverzekerde positieve feedback terwijl hij precies de beweging versterkte die zijn chirurg probeerde ongedaan te maken.

Een herhalingsteller die een veilige squat niet van een onveilige kan onderscheiden, is geen kleinere versie van het product. Het is het verkeerde product in de kleren van het juiste product.

De les onder dat frame: ruwe pose-data is noodzakelijk en bij lange na niet voldoende. 78 graden is niet "slecht" in het abstracte — voor een patiënt in week acht na een kruisbandoperatie die twee weken geleden op 60 graden zat, is het misschien precies de juiste mate van vooruitgang. Hetzelfde getal kan een succes of een waarschuwing zijn, geheel afhankelijk van wie er beweegt en waar diegene in het herstel zit. Een vaste drempel kan dat niet aan. De intelligentie moet dat doen.

Waarom de nauwkeurigheidskloof dit moeilijker maakt, niet makkelijker

Ik voeg het deel toe dat de demo's je nooit laten zien, want het kostte ons even om het te respecteren. Eén enkele telefooncamera is geen motion-capture-lab.

Toen onderzoekers monoculaire pose-estimatie rechtstreeks vergeleken met Qualisys — het gouden-standaard, multi-camera markersysteem dat klinieken gebruiken voor echte biomechanica — correleert MediaPipe rond de 0.80 voor de onderste ledematen en 0.91 voor de bovenste ledematen. Respectabel. Maar de fout op iets als de kniebuigingshoek loopt in 2D uiteen van 9 tot 22 graden, en een paper uit 2025 in Nature Scientific Reports was botweg dat systemen met één camera "geen nauwkeurige diepteschattingen leveren." Spiegels, gedempt woonkamerlicht, gemêleerde leggings, een bank die het halve lichaam aan het zicht onttrekt — elk daarvan verslechtert het signaal verder.

Je bouwt dus klinisch oordeel bovenop een ruizige sensor. Dat klinkt als een reden om op te geven. Het is juist de reden waarom de interpretatielaag slim moet zijn in plaats van letterlijk. Als je systeem een ruwe meting van 78 graden als evangelie behandelt, zal cameraruis alleen al het per herhaling laten heen en weer springen tussen "geslaagd" en "gezakt". Tot de taak van de intelligentielaag hoort het afwegen welke metingen te geloven — uitmiddelen over frames heen, de patronen die de ruis overleven (een consistente mediale drift) zwaarder laten wegen dan die het niet doen (een trilling van één frame), en eerlijk zijn over de betrouwbaarheid. We leunen hiervoor op temporele modellen; een soort netwerk dat een temporeel convolutioneel netwerk heet, kan 98.7% nauwkeurigheid halen bij bewegingsherkenning in ruim onder twee milliseconden op een middenklasse-telefoon, klein genoeg om volledig op het toestel te draaien. Maar de architectuur doet er minder toe dan het principe: je bouwt geen zekerheid door te doen alsof de sensor perfect is. Je bouwt haar door te ontwerpen voor het feit dat hij dat niet is.

Heeft Hinge Health dit niet al opgelost?

Rond deze tijd kreeg ik de vraag "is dit niet al opgelost?", meestal van investeerders, af en toe van mezelf om 2 uur 's nachts. De reuzen in MSK-zorg zijn echt en ze zijn groot. Laat me dus precies zijn over wat ze doen en waar de deur nog openstaat.

Hinge Health voorspelt $732 miljoen aan omzet voor 2026. Ze bouwden TrueMotion-computervisie voor gewrichtsanalyse en een triage-assistent genaamd Robin, en ze hebben de klinische resultaten om het te onderbouwen — onder hun patiënten dramatisch minder wervelfusies en knievervangingen dan bij traditionele zorg. Sword Health kocht Kaia Health in januari 2026 voor $285 miljoen en vouwde Kaia's "Motion Coach"-computervisie in Sword's platform met draagbare sensoren, en haalt naar verluidt nog eens een half miljard op. Dit zijn geduchte bedrijven.

Het zijn ook gesloten dozen. Hun verificatietechnologie is vastgelast aan hun eigen zorgmodel, verkocht aan zakelijke werkgevers, geprijsd en verpakt als een bestemming — niet als iets wat je kunt inbouwen in het PT-platform of de wellness-app die je al aan het bouwen bent. Als je een softwarebedrijf voor fysiotherapie runt en je wilt geverifieerde oefendata binnen jouw product, dan verkopen Hinge en Sword je dat niet. Ze verkopen je het ding dat met je concurreert.

De rest van het veld valt netjes uiteen. Peloton IQ lanceerde in oktober 2025 camera's die de bewegingsvorm volgen — maar het is consumentenfitness, vastgeklonken aan Peloton-hardware, zonder enige klinische mogelijkheid. Kemtai biedt een browsergebaseerd B2B-visieplatform dat 44 landmarks volgt, wat oprecht nuttig is, maar het is algemene fitness en de vormregels zijn eenheidsworst, niet instelbaar per patiënt per oefening. Aan de factureringskant handelen Limber Health en MedBridge de workflow voor monitoring op afstand goed af — de patiënten van Limber voltooien meer dan drie keer zoveel thuisoefensessies — maar zij beheren het papierwerk van het monitoren; ze verifiëren niet onafhankelijk of de oefening correct is uitgevoerd.

De markt heeft bedrijven die beweging verifiëren maar je er niet op laten bouwen, en bedrijven die de facturering afhandelen maar de beweging niet kunnen verifiëren. Het gat is een engine die de verificatie doet en binnen jouw product leeft.

Dat gat is geen onderzoeksprobleem. Het is een integratie-engineeringprobleem, en dat onderscheid is de hele reden waarom een gefocust team hier kan winnen.

Waarom zakt een herhalingstelling voor een RTM-audit?

Voor de fysiotherapieplatforms waarmee we werken, hield dit op academisch te zijn op het moment dat de rekensom van de vergoedingen veranderde.

Slechts ongeveer 35% van de patiënten houdt zich volledig aan hun thuisoefenprogramma's — de meeste van de rest haken binnen de eerste maand af — en patiënten rapporteren notoir te veel wanneer je het ze vraagt. Behandelaars weten dat de zelfgerapporteerde data fictie is. Wat ze willen is Remote Therapeutic Monitoring: een set CMS-factureringscodes (98975 tot en met 98981) die betalen voor het monitoren van het musculoskeletale herstel van een patiënt tussen bezoeken door. Echte terugkerende omzet.

Het addertje onder het gras is wat RTM-documentatie vereist. Om het te factureren en een audit te overleven, heb je door het apparaat verzamelde data nodig — met tijdstempels, gekoppeld aan een daadwerkelijke klinische beslissing die het behandelplan veranderde. Een herhalingstelling haalt die lat niet. "Patiënt deed 30 squats" is niet hetzelfde als "de bewegingskwaliteit van de patiënt verslechterde, wat op deze datum een aanpassing van het protocol in gang zette." Dit is precies waar onze herhalingsteller een kliniek kwetsbaar zou hebben achtergelaten. Ik herinner me dat een fysiotherapeut ons beleefd vertelde dat ze niet op onze data kon factureren omdat die haar vertelde dát hij oefende, niet hóe — en "hoe" was het hele klinische en juridische punt.

Toen werd de lat lager en de inzet tegelijkertijd hoger. De CMS 2026 Final Rule voegde twee nieuwe codes toe — 98979 en 98985 — en verlaagde de monitoringdrempel van 16 dagen naar slechts 2, en het minimum aan managementtijd van 20 minuten naar 10. Opeens zijn veel meer patiënten factureerbaar. Maar de documentatiestandaard versoepelde niet: die eist nog steeds apparaatdata gekoppeld aan behandelbeslissingen. Meer klinieken die zich in RTM storten, betekent meer klinieken die precies het soort dunne data genereren dat alleen telt en geen stand houdt. De vergoedingskans en het documentatierisico groeiden in dezelfde ademtocht.

Hier loopt een regelgevingskant naast die bepaalt hoe je bouwt. De FDA-richtlijn van januari 2026 laat een tool dat puur als "wellness" wordt gepositioneerd de classificatie als medisch hulpmiddel omzeilen — prima voor een stappenteller. Maar op het moment dat je een klinische claim maakt, wat RTM-verificatie inherent doet, zit je mogelijk in het gebied van software-als-medisch-hulpmiddel, met de validatie en het toezicht die daarbij horen. Dezelfde engine moet dus zo worden gearchitecteerd dat hij aan beide kanten van die lijn kan leven, afhankelijk van wat de klant claimt, en dat is geen beslissing die je laat wilt ontdekken.

De engine voor geverifieerde oefeningen is dus geen leuk-om-te-hebben-functie voor deze platforms. Het is het verschil tussen RTM-omzet die een audit overleeft en RTM-omzet die een terugvordering wordt.

De andere koper in de kamer: wellness zonder surveillance

Ik had deze tweede koper bijna tekortgedaan, en ik ben blij dat we dat niet deden — het menselijke materiaal is net zo scherp.

Directeuren van bedrijfswellness staren naar een andere versie van hetzelfde probleem. Musculoskeletale problemen kosten een werkgever ergens rond de $486 per jaar per werknemer aan directe uitgaven, plus een geschatte $3,105 aan productiviteitsverlies — $3,591 per hoofd. Wel 36% van de MSK-operaties is onnodig, een rem van zo'n $90 miljard op het personeelsbestand. De marktreactie is enorm: de uitgaven aan bedrijfswellness bereiken $100 miljard in 2026, en waar 83% van de grote werkgevers in 2025 virtuele MSK-zorg aanbood, is bijna allemaal — 96% — van plan dat tegen 2027 te doen.

En toch gebruikt slechts ongeveer een kwart van de werknemers de programma's die hun worden aangeboden daadwerkelijk. Meer dan de helft zegt terughoudend te zijn om überhaupt gezondheidsdata met hun werkgever te delen. Na jaren van schandalen met het schudden van Fitbits en het faken van stappen hebben werknemers geleerd dat "wellnessverificatie" vaak "mijn baas kijkt mee" betekent. Een CHRO in een van onze vroege pilots vroeg me, op die gekscherend-maar-niet-echt manier, of wat we hadden gebouwd "als surveillance voelde". Het was de nuttigste vraag die iemand ons stelde, want het eerlijke eerste antwoord was: dat zou kunnen.

Dat bezwaar bedradde onze architectuur opnieuw. Dezelfde skeletkeypoints die oefeningverificatie mogelijk maken, zijn juridisch gezien een mijnenveld — bewegingspatronen van het lichaam kunnen een persoon opnieuw identificeren zoals een vingerafdruk dat doet, wat pose-data pal in het gesprek plaatst over biometrische privacywetten zoals de BIPA van Illinois en de AVG van Europa. Alleen al in 2025 werden er in Illinois 107 nieuwe BIPA-class-actions aangespannen. Nog niemand heeft een fitness-app aangeklaagd wegens pose-estimatie, maar de juridische theorie is volledig in elkaar gezet en wacht.

De oplossing voor "voelt dit als surveillance" bleek geen privacybeleid te zijn. Het was een ontwerpbeperking: de ruwe video en het skelet verlaten de telefoon nooit.

We verwerken de beweging op het toestel en verzenden alleen geaggregeerde compliance-signalen — het voorgeschreven werk is gedaan, met deze kwaliteit, op deze datum — nooit de video, nooit de keypoints. De werkgever krijgt geverifieerde deelname. De lichaamsdata van de werknemer blijven op het toestel van de werknemer. Dat is de enige versie van bedrijfsoefeningverificatie die ik daadwerkelijk op mezelf toegepast zou willen zien.

"Maar kan een telefooncamera nooit nauwkeurig genoeg zijn?"

Mensen halen het nauwkeurigheidsplafond aan als reden waarom dit niet kan werken, en ik neem dat serieus — ik denk alleen dat het voor de tegenovergestelde conclusie pleit. Ja, een monoculaire camera zal nooit tippen aan een markerlab van $100,000. Maar klinische bruikbaarheid vereist geen hoeken van laboratoriumkwaliteit. Het vereist het betrouwbaar opvangen van de patronen die ertoe doen: een consistente naar binnen driftende knie, een diepte die week na week terugloopt, een tempo dat compensatie signaleert. Dat zijn robuuste signalen, zelfs door cameraruis heen, als de interpretatielaag is gebouwd om ze te vinden en de trillingen te negeren. Het doel was nooit om 90.0 graden te meten. Het was om te weten dat deze herhaling, voor deze persoon, vandaag, de verkeerde kant op beweegt.

De andere vraag die ik krijg is of de nieuwe golf van "agentic AI" waar iedereen op conferenties over hoort, maatwerk in biomechanica overbodig maakt. Het is precies andersom. Een autonome gezondheidsagent die het oefenplan van een patiënt aanpast, is slechts zo betrouwbaar als de data eronder. Richt een agent op herhalingstellingen en hij zal een patiënt vol vertrouwen dieper de blessure in optimaliseren. De oefenintelligentielaag is datgene wat agentische monitoring veilig maakt in plaats van roekeloos. Hoe slimmer de agent erbovenop, hoe meer het uitmaakt dat de verificatie eronder daadwerkelijk beweging begrijpt.

Wat dat bevroren frame me leerde

We herbouwden de engine rond één enkel idee: de drempel is geen getal, het is een klinische beslissing, en hij hoort toe aan de behandelaar. Een squatdiepte-doel gekoppeld aan "week 8 na een kruisbandoperatie" is niet hetzelfde doel als "70 jaar, na een knievervanging" of "30-jarige bedrijfsatleet." Dus maakten we de drempels instelbaar — vastgesteld door de behandelaar, per patiënt, per oefening — en bouwden we de output zo dat het datgene werd wat RTM-facturering en een nerveuze wellnesskoper beiden daadwerkelijk nodig hebben: gestructureerde, van tijdstempels voorziene, aan het protocol gekoppelde, privacyrespecterende compliance-data. Camera erin, klinisch betekenisvolle beslissing eruit. Als je het volledige beeld wilt van hoe die pijplijn in elkaar past, dat vind je op onze oplossingenpagina.

Ik denk nog steeds aan die 62-jarige man die zijn squats deed, vertrouwend op een groen vinkje dat geen idee had dat zijn knie inzakte. Hij deed alles goed. Hij kwam opdagen, hij deed het werk, hij volgde de instructies. De software liet hem stilletjes in de steek, op een manier die alleen een getraind oog zou hebben opgemerkt — en de hele belofte van AI in zijn woonkamer was dat het getrainde oog er altijd zou zijn.

Een herhalingsteller kijkt hoe een lichaam beweegt. Een engine voor oefeningverificatie weet wat de beweging betekent. Tussen die twee zinnen zitten een herstellende knie, een factureerbare klinische beslissing en een werknemer die beslist of hij het ding dat naar hem kijkt vertrouwt. Dat is geen kloof in de technologie. Het is het hele werk.