¿Puede la IA entrenar de verdad a un atleta de resistencia? Coaching con LLM frente a apps de resistencia basadas en reglas

Sí: el software ya puede entrenar una gran parte del trabajo de resistencia. La pregunta más difícil es qué significa siquiera “coaching de resistencia con IA”, porque la frase agrupa tres máquinas completamente distintas.

Una es un motor de reglas de ciencia deportiva: fórmulas fisiológicas deterministas que convierten tus números en un plan. La segunda es un modelo de predicción con machine learning: software que aprende de tus datos para pronosticar rendimiento o señalar fatiga. La tercera es el razonamiento con LLM: la capacidad estilo ChatGPT de leer tus datos de recuperación desordenados, explicar el porqué y ajustar tu semana en lenguaje claro.

Solo la tercera puede hablar contigo sobre tu entrenamiento. Y aquí va la advertencia honesta desde el inicio: ninguna supera la física ni reemplaza la constancia. El valor del software no está en que un algoritmo “sepa más que tú”. Está en que el mecanismo correcto convierte datos diarios ruidosos —tu HRV, tu sueño, el vuelo nocturno que acabas de tomar— en una decisión que de otro modo podrías tomar mal.

Ya conoces los principios. La Zona 2 construye tu base. El entrenamiento polarizado supera a quedarse machacando el medio. Haces taper antes de una carrera. El problema nunca fue la teoría. El problema es aplicarla, semana tras semana, en un cuerpo que no lee manuales de entrenamiento.

Los tres mecanismos que se esconden detrás del “coaching de resistencia con IA”

Cuando una app dice que usa “IA” para entrenarte, está haciendo una de tres cosas fundamentalmente distintas. Saber cuál es la diferencia entre comprar una calculadora, un pronosticador o un entrenador.

1. Motores de reglas de ciencia deportiva

Un motor de reglas aplica fórmulas fisiológicas fijas: sin aprendizaje, sin conversación, solo matemáticas que en principio podrías hacer a mano.

Piensa en él como una hoja de cálculo muy buena que sabe ciencia del ejercicio. Toma tus resultados de pruebas y prescribe zonas, sesiones y progresiones a partir de modelos establecidos: Critical Power y Critical Pace, Training Stress Score, y la contabilidad de fitness y fatiga que impulsa la carga de entrenamiento crónica y aguda.

La relación de carga aguda a crónica —la carga de esta semana dividida por tu promedio móvil de cuatro semanas— es una entrada clásica de motor de reglas, popularizada como forma de detectar cuándo estás aumentando demasiado rápido.¹ Esos números de carga se apoyan a su vez en métodos de décadas de antigüedad, como la calificación de esfuerzo percibido por sesión, que validó una puntuación simple de esfuerzo por duración frente a la carga basada en frecuencia cardiaca.² Todo el enfoque se remonta a los modelos de impulso-respuesta de principios de los años 90, que mostraron que cada sesión produce una respuesta de fitness y una respuesta de fatiga, y que el rendimiento es, en esencia, fitness menos fatiga.³

Athletica.ai es un ejemplo claro. Su motor está construido sobre perfiles de Critical Power y Critical Pace, y periodiza natación, ciclismo y running a partir de esos números. La fortaleza es la transparencia: la fórmula tiene principios sólidos y puedes ver exactamente por qué prescribe lo que prescribe.

El límite es igual de claro. Un motor de reglas no puede razonar sobre el contexto. No sabe que dormiste cuatro horas, que tu Aquiles está molestando o que estás nervioso antes de una carrera en lugar de sobrepasado. Aplica la fórmula y sigue adelante.

2. Modelos de predicción del rendimiento con ML

Un modelo de machine learning aprende patrones de los datos de entrenamiento para predecir tu mejor plan o detectar fatiga antes de que la sientas, y no es un LLM.

Esta es la distinción que confunde a todo el mundo. Estos son modelos basados en números, no en lenguaje. Ingieren tu potencia, ritmo, frecuencia cardiaca e historial de HRV, y devuelven un pronóstico o una alerta. AI Endurance es explícita sobre esto: sus propios modelos predicen el rendimiento futuro a partir de tu historial de entrenamiento, y la empresa los describe como IA “basada en números”, no como modelos de lenguaje tipo ChatGPT.

Adaptive Training de TrainerRoad y su función Red Light Green Light funcionan de forma parecida: un sistema de machine learning centrado primero en ciclismo que observa cómo respondes a cada salida y avisa cuando te diriges al agotamiento, cambiando automáticamente a sesiones más fáciles o descanso. Runna, la app pulida de planes de running adquirida por Strava en abril de 2025, adapta los planes a tus carreras recientes siguiendo una lógica similar.⁴

La fortaleza es real: estos modelos se adaptan a tus patrones, no al promedio de una población. El límite es la caja negra. El modelo ajusta un número; rara vez explica el razonamiento, y no puedes discutir con él sobre tu semana. Cuando AI Endurance quiso conversación, tuvo que añadir una capa separada de ChatGPT encima de sus modelos numéricos, precisamente porque el motor de predicción no puede hablar.

3. Razonamiento con LLM

Un coach con LLM lee tu contexto de salud conectado —HRV, frecuencia cardiaca en reposo, sueño, carga de entrenamiento— y razona sobre él en lenguaje claro, explicando el porqué y recordando tus restricciones a lo largo de las semanas.

Este es el mecanismo más nuevo y el que la mayoría de la gente quiere decir cuando dice “IA” en 2026: razonamiento estilo ChatGPT o Claude, no un modelo de predicción. No pronostica un número. Interpreta tu situación, sopesa explicaciones que compiten entre sí y ajusta un plan periodizado mediante conversación.

Este es el mecanismo sobre el que está construido SensAI. No es machine learning y no es una biblioteca de plantillas: es un LLM razonando sobre los datos de tus wearables conectados, regenerando tu semana y explicando sus decisiones en un lenguaje que puedes cuestionar. Pregúntale por qué recortó los intervalos de hoy y te lo dirá.

El límite honesto: un LLM es una capa de razonamiento sobre datos, no una bola de cristal. No puede ver el futuro y es tan inteligente como la calidad de los datos que recibe. No superará a un modelo numérico dedicado en una tarea estrecha de predicción. Lo que hace, en cambio, es razonar sobre entradas desordenadas, contradictorias y reales como lo haría un entrenador humano cuidadoso.

La mayoría de las apps de resistencia son exactamente una de estas tres cosas. Casi ninguna te da la capa de razonamiento conversacional encima de datos limpios de recuperación, que, como veremos, es donde realmente vive la adherencia semana a semana.

Qué exige realmente “entrenar resistencia”

Entrenar a un atleta de resistencia es un proceso con al menos seis trabajos distintos, y la mayoría de las apps solo cubren por completo cuatro de ellos.

Esta es la descripción completa del trabajo, en el orden en que se desarrolla una temporada:

1. Periodización: estructurar fases de base, construcción, pico y taper durante una temporada orientada a una carrera objetivo.
2. Distribución de intensidad: acertar con la mezcla, no solo con el volumen. La evidencia favorece una división polarizada 80/20 frente a machacar la zona media del umbral.
3. Gestión de la base en Zona 2: proteger suficiente volumen aeróbico fácil para construir el motor, lo que implica mantener la zona correcta de frecuencia cardiaca incluso cuando parece demasiado lenta.
4. Taper: soltar fatiga sin perder fitness en las últimas semanas antes de una carrera.
5. Ajuste guiado por recuperación: modificar el plan cuando tu cuerpo dice que hoy no es el día, incluida la capacidad de saber cuándo hacer una descarga.
6. Memoria de restricciones y explicación: recordar tu Aquiles, tu calendario de viajes, tu odio a los intervalos de las 5 a. m. y decirte por qué cambió el plan.

La ciencia detrás de los trabajos 1 a 4 está lo suficientemente asentada como para formalizarse. El modelo polarizado —aproximadamente 80% de sesiones fáciles y 20% realmente duras— viene de observar cómo los atletas de resistencia de élite organizan su propio entrenamiento, con cerca del 80% de las sesiones a baja intensidad y el 20% con el trabajo duro.⁵ Cuando los investigadores lo probaron cara a cara, el entrenamiento polarizado produjo las mayores mejoras en VO2 max y tiempo hasta el agotamiento frente a enfoques de umbral, alta intensidad o alto volumen.⁶

El taper es igual de formalizable. El metaanálisis clásico encontró que el taper óptimo reduce el volumen de entrenamiento entre 41 y 60% durante unas dos semanas mientras mantiene alta la intensidad.⁷ Una revisión sistemática más reciente sobre taper en resistencia convergió en una ventana óptima de aproximadamente 8 a 14 días.⁸

Aquí está la conclusión. Los motores de reglas clavan mecánicamente los trabajos 1 a 4: periodización y taper son matemáticas que hacen bien. El ML ayuda con el trabajo 5 de forma estrecha y opaca: puede señalar fatiga, pero no explicarla. Solo un LLM hace el trabajo 6, y el trabajo 6 es donde vive la adherencia semana a semana. El plan que realmente sigues supera al plan óptimo que abandonas porque ignoró tu vida.

La parte honesta: ¿funciona de verdad el coaching guiado por datos de recuperación?

Este es el hallazgo que el marketing suele saltarse: el entrenamiento guiado por HRV mejora de forma fiable tus marcadores autonómicos, pero su beneficio de rendimiento frente a un plan predefinido bien construido sigue siendo inconcluso en los metaanálisis.

Vale la pena detenerse ahí. Una revisión sistemática metodológica y metaanálisis de 2021 sobre entrenamiento guiado por HRV encontró que producía un efecto de tamaño medio en parámetros fisiológicos submáximos —tus marcadores vagales y parasimpáticos realmente mejoran—, pero solo una influencia pequeña y no significativa en el rendimiento y el VO2 pico en comparación con el entrenamiento predefinido.⁹ La evidencia es mixta en la literatura: otro metaanálisis de 2020 coescrito por el investigador de HRV Daniel Plews encontró un efecto pequeño pero positivo sobre el VO2 max para el entrenamiento guiado por HRV, más fuerte en atletas amateurs y mujeres.¹⁰ Al juntar todo el cuerpo de evidencia, la lectura honesta es: prometedor para la adaptación autonómica, todavía no una victoria clara para los resultados en carrera.

Así que si “el algoritmo guía tu entrenamiento según la HRV” fuera toda la propuesta de valor, harías bien en ser escéptico. Los datos no respaldan que “el algoritmo sabe más”.

Pero ahí no está el valor. El valor está en la interpretación.

Piensa qué hace cada mecanismo cuando tu reloj muestra un mal número. Un motor de reglas no puede distinguir “nervios antes de una carrera” de “sobrecarga”; ambos deprimen la HRV, y la fórmula los trata igual. Un modelo de ML ajusta un número sin decirte cuál cree que eres. Un LLM sopesa el contexto —tu carrera es el sábado, dormiste bien, tu carga está bajando por el taper— y concluye que estás activado, no roto, y luego explica ese razonamiento para que puedas revisarlo con sentido común.

Por eso el desacoplamiento aeróbico y el drift cardiaco son ejemplos tan útiles: la señal bruta no significa nada hasta que algo la interpreta contra tu línea base y tu contexto. Un desacoplamiento del 6% después de una semana dura de entrenamiento con calor se lee de forma muy distinta que el mismo número con piernas frescas.

Así que reformula toda la categoría. Un coach de IA no es una bala mágica que supera a la fisiología en predicción. Es una capa de razonamiento que convierte datos diarios ruidosos en una decisión defendible. La propuesta honesta de SensAI no es “nuestro algoritmo supera a tu plan de entrenamiento”. Es “leemos los mismos datos desordenados que tienes y razonamos sobre ellos en voz alta, para que tomes menos malas decisiones”. La investigación respalda la segunda afirmación, no la primera, y confundirlas es la forma en que todo este espacio pierde credibilidad.

Los propios investigadores enmarcan así el monitoreo. Martin Buchheit, PhD, cuya revisión sobre monitoreo basado en frecuencia cardiaca se titula “¿todos los caminos llevan a Roma?”, sostiene que la mayoría de los hallazgos contradictorios provienen de interpretar mal los datos, no de límites de las medidas en sí.¹¹ La interpretación es el cuello de botella. Ese es el trabajo.

Cinco apps reales de resistencia, por mecanismo (sin ganador aquí)

Antes de poder elegir una herramienta, tienes que ver qué máquina lleva dentro. Aquí van cinco apps reales de resistencia ordenadas por mecanismo, sin veredicto ni estrellas.

App	Mecanismo central	Enfoque deportivo	Periodización	Adaptación con datos de recuperación	Coaching conversacional (LLM)
Athletica.ai	Motor de reglas de ciencia deportiva (Critical Power / Critical Pace)	Running, triatlón, ciclismo, remo, HYROX	Sí, guiada por fórmulas	Limitada, basada en reglas; usa HRV para sugerir alternativas de sesión	No: capa de chat, no coaching LLM completo
AI Endurance	Modelo de predicción del rendimiento con ML	Running, ciclismo, triatlón	Seleccionada por ML	Predictiva pero opaca (modelos basados en números)	No (complemento separado de ChatGPT, no el motor principal)
TrainerRoad (Adaptive Training / Red Light Green Light)	Modelo de detección de fatiga con ML	Primero ciclismo	Basada en planes	Alertas de fatiga con ML, cambia automáticamente a sesiones más fáciles	No
Runna	Planes adaptativos de running con ML	Running	Planes adaptativos	Integración limitada de recuperación	No
TrainingPeaks	Planificación manual + analítica	Multideporte	Manual (creada por entrenador o atleta)	Solo analítica (CTL / ATL / TSB); sin ajuste automatizado	No
SensAI	Razonamiento con LLM sobre datos de salud conectados	Multideporte + fuerza, movilidad, recuperación	Plan ajustado semanalmente	Lee HRV, sueño y carga; adapta el plan y explica por qué	Sí: conversacional, recuerda restricciones

Los planes de running de Runna son lo bastante buenos como para que Strava adquiriera la empresa en 2025 con el objetivo de incorporar esa capacidad de planes adaptativos a su ecosistema.⁴

Qué mecanismo encaja contigo depende de una sola pregunta: ¿quieres una fórmula transparente, un motor predictivo sin intervención o un entrenador con el que puedas discutir tu semana?

Un marco de decisión: ¿qué mecanismo debería entrenarte?

Haz coincidir la máquina con la forma en que realmente entrenas. Este es el árbol de decisión.

Si quieres un plan transparente, guiado por fórmulas, y confías en tu propio criterio de recuperación → elige un motor de reglas (estilo Athletica). Obtendrás una periodización con principios basada en Critical Power o Critical Pace, y tú gestionarás las decisiones diarias de “¿empujo o aflojo?”.

Si priorizas el ciclismo y quieres ajustes automáticos sensibles a la fatiga → elige un sistema adaptativo de ML (Red Light Green Light de TrainerRoad o AI Endurance). Vigilará tus salidas y te frenará antes de que caves un agujero, sin demasiada explicación, pero también sin requerir demasiado de ti.

Si corres principalmente y quieres un plan adaptativo pulido → elige una app de ML centrada en running (estilo Runna). Ejecución limpia, sólida para la estructura de planes de carrera, más ligera en razonamiento sobre recuperación.

Si quieres un coach con el que puedas hablar —uno que lea tu HRV, sueño y carga, recuerde tu Aquiles y tus viajes, ajuste la semana y explique por qué— → elige una capa de razonamiento con LLM como SensAI. Esta es la única categoría que cubre el trabajo 6.

Si ya tienes un entrenador humano → elige analítica manual (TrainingPeaks) y deja que tu entrenador haga el razonamiento. El Performance Management Chart de la plataforma es el modelo de referencia para seguir la carga, pero no ajusta nada por sí solo: es un panel, no un tomador de decisiones.

El cierre honesto: cuanto más se descarrila tu entrenamiento por la vida —viajes, deuda de sueño, una molestia que se enciende— y no por un plan mal diseñado, más importa la capa de razonamiento y explicación. Si tus semanas son limpias y predecibles, un motor de reglas o una app de ML puede ser suficiente. Si son caóticas, quieres algo que pueda razonar sobre el caos.

Qué hace realmente un coach con LLM con tus datos de resistencia

Un coach con LLM convierte tus datos de salud conectados en una decisión semanal razonada que puedes interrogar: no un número mágico, sino una recomendación con rastro explicativo.

Imagina una mañana concreta. Te despiertas después de un vuelo nocturno y tu reloj muestra tu HRV alrededor de 12% por debajo de la tendencia de tu línea base. La frecuencia cardiaca en reposo está elevada. Dormiste poco y mal. El plan dice intervalos de umbral hoy.

Un motor de reglas ve la HRV deprimida y la ignora o degrada la sesión de forma mecánica. Un modelo de ML marca fatiga y cambia el entrenamiento, pero no te dice que cree que tienes jet lag en lugar de sobreentrenamiento.

SensAI lee la HRV nocturna, la frecuencia cardiaca en reposo y el sueño desde HealthKit, reconoce que la caída está impulsada por el viaje y no por un sobrealcance acumulado —porque tu carga de entrenamiento en realidad está bajando por el taper y la caída es aguda, no un descenso de varios días—, degrada la sesión de umbral de hoy a una carrera fácil en Zona 2 y te dice exactamente por qué. Puedes contradecirlo. “Me siento bien, quiero mantener los intervalos”. Razonará contigo sobre el riesgo en lugar de anularte en silencio.

Ese es el mecanismo, dicho con honestidad: un LLM razonando sobre datos de wearables conectados. Apple Watch lo alimenta directamente; Garmin, Oura y WHOOP fluyen a través de HealthKit. Regenera tu plan semanal, mantiene tus restricciones en memoria entre sesiones y explica sus decisiones en lenguaje claro. No es un modelo de predicción con machine learning y no es una biblioteca de plantillas: es la capa de razonamiento.

Y solo es tan bueno como los datos que recibe. Daniel Plews, PhD, el fisiólogo aplicado cuyo trabajo estableció que la HRV se entiende mejor como una tendencia contra tu línea base personal y no como un valor de un solo día, ha mostrado cuánto importan la calidad del dispositivo y la metodología para que esa señal sea utilizable.¹² Basura entra, basura sale también aplica a entrenadores hechos de lenguaje, que es exactamente por eso que tu elección de wearable determina qué tan bueno puede ser cualquier coach guiado por datos.

La interpretación solo es tan confiable como los números que hay debajo. Limpia los datos, y la capa de razonamiento justifica su lugar.

Conclusión

Sí, el software puede entrenar a atletas de resistencia, pero decide por mecanismo, no por la palabra “IA” en la página de marketing. Los motores de reglas te dan estructura transparente y con principios, y esperan que tú manejes los juicios diarios. Los modelos de ML te dan adaptación automática sensible a la fatiga dentro de una caja negra. El razonamiento con LLM te da un coach con el que realmente puedes hablar, uno que lee tus datos de recuperación y explica sus decisiones.

La salvedad, una vez más porque es la honesta: ninguna app supera la física ni reemplaza la constancia. El coaching guiado por HRV mejora de forma fiable tus marcadores autonómicos, pero su ventaja en resultados de carrera frente a un plan bien construido sigue sin estar probada. La ventaja real de la capa de razonamiento no es vencer a tu plan de entrenamiento: es interpretar los datos desordenados de la vida que lo descarrilan.

Así que si lo que realmente quieres es “un coach que lea mis datos de recuperación y explique la semana”, estás describiendo la categoría LLM. SensAI está construido exactamente sobre ese mecanismo: no una plantilla, no un modelo de predicción, sino razonamiento sobre tus datos de salud conectados, en voz alta.

---

References

Footnotes

1. Gabbett TJ. “The training-injury prevention paradox: should athletes be training smarter and harder?” British Journal of Sports Medicine, 2016. https://pubmed.ncbi.nlm.nih.gov/26758673/ ↩

2. Foster C, Florhaug JA, Franklin J, et al. “A new approach to monitoring exercise training.” Journal of Strength and Conditioning Research, 2001. https://pubmed.ncbi.nlm.nih.gov/11708692/ ↩

3. Morton RH, Fitz-Clarke JR, Banister EW. “Modeling human performance in running.” Journal of Applied Physiology, 1990. https://pubmed.ncbi.nlm.nih.gov/2246166/ ↩

4. Strava. “Strava to Acquire Runna, A Leading Running Training App.” Strava Press, April 17, 2025. https://press.strava.com/articles/strava-to-acquire-runna-a-leading-running-training-app ↩ ↩²

5. Seiler S. “What is best practice for training intensity and duration distribution in endurance athletes?” International Journal of Sports Physiology and Performance, 2010. https://pubmed.ncbi.nlm.nih.gov/20861519/ ↩

6. Stöggl T, Sperlich B. “Polarized training has greater impact on key endurance variables than threshold, high intensity, or high volume training.” Frontiers in Physiology, 2014. https://www.frontiersin.org/journals/physiology/articles/10.3389/fphys.2014.00033/full ↩

7. Bosquet L, Montpetit J, Arvisais D, Mujika I. “Effects of tapering on performance: a meta-analysis.” Medicine & Science in Sports & Exercise, 2007. https://pubmed.ncbi.nlm.nih.gov/17762369/ ↩

8. Wang Z, Wang Y, Gao W, Zhong Y. “Effects of tapering on performance in endurance athletes: a systematic review and meta-analysis.” PLoS One, 2023. https://pmc.ncbi.nlm.nih.gov/articles/PMC10171681/ ↩

9. Manresa-Rocamora A, Sarabia JM, Javaloyes A, Flatt AA, Moya-Ramón M. “Heart Rate Variability-Guided Training for Enhancing Cardiac-Vagal Modulation, Aerobic Fitness, and Endurance Performance: A Methodological Systematic Review with Meta-Analysis.” International Journal of Environmental Research and Public Health, 2021. https://pmc.ncbi.nlm.nih.gov/articles/PMC8507742/ ↩

10. Granero-Gallegos A, González-Quílez A, Plews D, Carrasco-Poyatos M. “HRV-Based Training for Improving VO2max in Endurance Athletes. A Systematic Review with Meta-Analysis.” International Journal of Environmental Research and Public Health, 2020. https://pmc.ncbi.nlm.nih.gov/articles/PMC7663087/ ↩

11. Buchheit M. “Monitoring training status with HR measures: do all roads lead to Rome?” Frontiers in Physiology, 2014. https://pmc.ncbi.nlm.nih.gov/articles/PMC3936188/ ↩

12. Plews DJ, Laursen PB, Stanley J, Kilding AE, Buchheit M. “Training adaptation and heart rate variability in elite endurance athletes: opening the door to effective monitoring.” Sports Medicine, 2013. https://pubmed.ncbi.nlm.nih.gov/23852425/ ↩