¿Qué tan precisas son las calorías de los wearables? Apple Watch, Garmin, Fitbit y Oura a prueba

La cifra de calorías de tu reloj es el dato menos confiable que te muestra. Cada revisión sistemática del campo ha llegado al mismo veredicto: los dispositivos de muñeca de consumo no estiman el gasto energético con precisión. La evaluación de referencia de Stanford no encontró ningún dispositivo, entre los siete probados, con un error menor al 20%, y la mayor revisión de la literatura situó el error por encima del 30% para todas las marcas principales.¹²³

Ese mismo reloj registra tu frecuencia cardíaca con un error mediano inferior al 5%.¹⁴

Esa brecha no es un defecto de fabricación. Es la diferencia entre una magnitud que tu reloj mide y una que adivina, y una vez que ves cuál es cuál, todo el panel se lee distinto.

Esto es lo que encontraron los laboratorios al poner dispositivos de muñeca junto a la calorimetría indirecta, y para qué sirve realmente el número que llevas en la muñeca. No es que no sirva para nada. Simplemente no es lo que sugiere el anillo que se cierra.

¿Qué tan precisas son realmente las calorías de los wearables?

No lo suficiente como para planificar una dieta con ellas. Las tasas de error publicadas, medidas contra carritos metabólicos y agua doblemente marcada:

Estudio	Dispositivos probados	Hallazgo sobre gasto energético
Stanford, 2017 1 (n=60)	Apple Watch, Fitbit Surge, Samsung Gear S2, y 4 más	Ningún dispositivo por debajo del 20% de error. Apple Watch el mejor, Samsung Gear S2 el peor
Revisión sistemática, 2020 2 (158 estudios)	9 marcas	«Para el gasto energético, ninguna marca fue precisa»
Revisión sistemática, 2022 3 (65 estudios)	Todas las marcas principales de muñeca	MAPE >30% en todas las marcas
Prueba de campo, 2022 5 (n=20)	Apple Watch S6, Garmin FENIX 6, Huawei GT 2e	9,9%-32,0% de error; Apple y Garmin sobrestimaron ambos
Prueba de laboratorio, 2026 6 (n=62)	Apple, Galaxy, Fitbit, Garmin	GE subestimado en resistencia; casi aleatorio al levantar pesas

La revisión de 2022 de la Universidad McMaster es la más contundente. Federico Germini y sus colegas revisaron 65 artículos de validación y concluyeron que, si bien el Apple Watch registraba la frecuencia cardíaca con menos del 10% de error y Fitbit contaba pasos con menos del 25%, «ninguno de los dispositivos probados demostró ser preciso al medir el gasto energético».³

Léelo como un veredicto sobre toda la categoría, no como un problema de marca. Cambiar de reloj no lo soluciona.

Si estás evaluando qué dispositivo comprar, el planteamiento honesto es que se diferencian en las métricas que sí son confiables, una comparación que desarrollamos en detalle en nuestro análisis de Apple Watch vs Oura vs WHOOP vs Garmin. La precisión calórica no debería ser tu criterio de desempate, porque nadie lo gana.

¿Por qué la frecuencia cardíaca es precisa y las calorías no?

Porque tu reloj de hecho mide una de las dos.

La frecuencia cardíaca proviene de la fotopletismografía: LED verdes emiten luz hacia tu muñeca, un fotodiodo lee cuánta regresa y los cambios de volumen sanguíneo producen una señal que tu reloj cuenta. Es una medición física imperfecta de un evento real y físico que ocurre dos milímetros debajo del sensor.

Las calorías no se miden. Se infieren: un modelo que toma la frecuencia cardíaca, el movimiento del acelerómetro y los datos de perfil que escribiste (edad, peso, sexo, estatura) y produce una estimación del metabolismo oxidativo que ocurre en tejidos que el reloj no puede ver.

Piénsalo como juzgar el consumo de combustible de un auto por el ruido del motor. El ruido es real y está correlacionado. Pero la conversión de sonido a litros por cada cien kilómetros depende del motor, la carga, la transmisión y el combustible, y el micrófono no conoce ninguno de esos factores.

El estándar de oro, la calorimetría indirecta, funciona midiendo el oxígeno que consumes y el dióxido de carbono que produces. Esa es la química real de la liberación de energía. Un sensor de muñeca no tiene acceso a ninguno de los dos gases.

Así que el error se acumula: el error de frecuencia cardíaca (pequeño) alimenta un modelo de promedio poblacional (error grande) aplicado a un individuo cuya economía metabólica real puede quedar bastante lejos del promedio. Y lo crucial: los fabricantes no publican esos algoritmos, lo que significa que ni tú ni un investigador pueden auditar por qué salió el número que salió.

Esta es la distinción que determina cómo lee tus datos SensAI: las señales que el hardware realmente mide reciben peso, y las salidas modeladas se tratan como contexto blando en vez de verdad absoluta.

¿Cuál dispositivo es el peor? Apple Watch, Garmin, Fitbit y Oura

La dirección del error no es consistente entre marcas, y por eso dos relojes en la misma muñeca no coinciden entre sí ni con el laboratorio.

Apple Watch y Garmin tienden a sobrestimar durante el cardio. Un equipo de la Universidad Jiao Tong de Shanghái sometió a 20 adultos a caminatas al aire libre a 6 km/h y carreras a 10 km/h frente a un carrito metabólico portátil COSMED K5. El Apple Watch Series 6 se pasó por 19,8% al caminar y 24,4% al correr. El Garmin FENIX 6 fue peor caminando —32,0% de error, con una correlación intraclase de apenas 0,216, prácticamente ninguna concordancia— y 21,8% corriendo.⁵

Fitbit tiende a subestimar. Un metanálisis de 52 estudios de validación de Fitbit agrupó 29 comparaciones de gasto energético y encontró una subestimación promedio de 2,77 kcal por minuto, con límites de concordancia que van de −12,75 a +7,41 kcal/min.⁷ En una sesión de 45 minutos, el rango plausible abarca cientos de calorías.

Oura se valida bien en laboratorio y aun así se desvía en el mundo real. La primera validación del gasto energético del anillo Oura, de la Universidad de Gotemburgo, encontró una correlación fuerte en laboratorio frente a la calorimetría indirecta (r = 0,93), aunque incluso ahí el anillo tendía a subestimar, con la brecha ampliándose a medida que subía la intensidad. A lo largo de un estudio de vida libre de 14 días con 32 participantes, su gasto energético total difirió de los monitores de referencia entre 362 y 494 kcal.⁸

La lección de esos tres párrafos: una discrepancia de 400 calorías es normal, esperable y su dirección depende de la marca. Si te comes lo que tu reloj dice que quemaste, ese error aterriza directo en tu balance energético.

También es la razón por la que SensAI nunca te pide reconciliar las cifras calóricas de dos dispositivos. Sea cual sea el wearable que hayas conectado, la comparación útil es contra tus propias sesiones previas en ese mismo hardware.

Por qué el error calórico empeora cuando levantas pesas

El cardio es el caso fácil para estos algoritmos. Frecuencia cardíaca estable, movimiento rítmico, relación predecible entre ambos. El entrenamiento de fuerza rompe los tres supuestos.

La evidencia más reciente es la más clara. Un estudio de 2026 del Laboratorio de Fisiología del Ejercicio de la Universidad Yonsei sometió a 62 hombres adultos sanos a protocolos estandarizados de resistencia y de fuerza usando cuatro smartwatches simultáneamente —Apple, Galaxy, Fitbit y Garmin— con ECG y calorimetría indirecta como referencias.⁶

La frecuencia cardíaca aguantó estupendamente. Las correlaciones con el ECG fueron de 0,64 a 0,97, la fiabilidad fue excelente (ICC > 0,94) y los límites de concordancia se situaron alrededor de ±10 lpm. Durante el ejercicio de fuerza en específico, solo el Apple Watch no mostró diferencia significativa frente al ECG.

El gasto energético se desmoronó. Durante el trabajo de resistencia se subestimó de forma consistente y con límites de concordancia amplios. Durante el entrenamiento de fuerza, las correlaciones con la calorimetría indirecta se derrumbaron a r = 0,10-0,34 y la fiabilidad cayó por debajo de un ICC de 0,45.⁶

Una correlación de 0,10 es, a efectos prácticos, ajena a la verdad.

El mecanismo es intuitivo una vez que lo visualizas. Una serie pesada de cinco repeticiones es enormemente demandante a nivel metabólico, pero implica casi nada de movimiento de muñeca y una respuesta de frecuencia cardíaca que va rezagada respecto al esfuerzo y alcanza su pico después de que sueltas la barra. El acelerómetro ve quietud. El sensor óptico está peleando con el artefacto de la tensión muscular. El modelo, entrenado sobre todo con actividad ambulatoria, no tiene nada útil con qué trabajar.

Así que si tu entrenamiento es mayormente trabajo con barra, la cifra calórica de tu reloj está más cerca de un número aleatorio que de una estimación. Vale la pena saberlo antes de usarla para decidir si tu programa está dando resultados.

Para las sesiones de fuerza, SensAI juzga el trabajo por la carga, las repeticiones y cómo responde tu recuperación en los días siguientes —las cosas que realmente se movieron— en vez de por una estimación que el sensor nunca estuvo en posición de hacer.

¿A quién le falla más? La brecha de precisión que nadie revela

El estudio de Stanford que estableció el punto de referencia también encontró que el error no está distribuido de forma pareja.

Anna Shcherbina y sus colegas, trabajando bajo la dirección de Euan Ashley —profesor de medicina y genética en Stanford y uno de los fundadores del programa de salud de precisión de la universidad— probaron siete dispositivos en 60 voluntarios de edad, estatura, peso, tono de piel y condición física deliberadamente variados, en sedestación, caminata, carrera y ciclismo.

Seis de siete dispositivos midieron la frecuencia cardíaca con un error mediano inferior al 5% durante el ciclismo. Ninguno alcanzó un error menor al 20% en gasto energético.¹

Y los errores fueron sistemáticamente mayores en hombres, en personas con índice de masa corporal más alto, en personas con tonos de piel más oscuros y durante la caminata.¹

Ese último conjunto de hallazgos importa más que el titular. Una métrica que está equivocada es un problema. Una métrica que está diferentemente equivocada según tu composición corporal y tu tono de piel es otro, porque significa que la población a la que perteneces determina cuánto te engaña, y nada en la interfaz te dice a qué grupo perteneces.

Trabajos más recientes siguen indagando el desempeño de los sensores ópticos según los tipos de piel de Fitzpatrick, y la dirección del campo apunta a reconocer la brecha más que a cerrarla.⁹

El problema de fondo: las «calorías gastadas» no son un número fijo de todas formas

Supongamos que el sensor fuera perfecto. Aun así estarías malinterpretando el resultado, porque el modelo subyacente de cómo el ejercicio afecta el gasto energético diario está equivocado.

El modelo intuitivo es aditivo: quemas 400 calorías en la bici y tu total diario sube 400. Herman Pontzer, profesor de antropología evolutiva en la Universidad de Duke, lleva una década demostrando que los humanos no funcionamos así.

En un análisis de 2026 en Current Biology, Pontzer y Eric Trexler compararon modelos aditivos y restringidos contra datos experimentales y de vida libre. Su hallazgo: en intervenciones de ejercicio aeróbico en humanos, el gasto energético diario total subió solo alrededor del 30% del cambio que predecía el modelo aditivo.¹⁰ El cuerpo recupera calladamente el resto: recorta la tasa metabólica basal y del sueño, y reduce el movimiento espontáneo.

Dos matices que vale la pena llevarse:

• La compensación resultó menor con el entrenamiento de fuerza: un argumento más a favor de levantar pesas si la meta es la composición corporal.¹⁰
• La compensación se amplificó cuando el ejercicio aeróbico se combinó con restricción dietética: precisamente la combinación que la mayoría de la gente intenta.¹⁰

Así que el reloj te dice 400. La fisiología entrega algo más cercano a 120 en términos netos diarios, y lo hace con un retraso que no puedes observar. Súmale un 25% de error del sensor a un efecto de compensación del 70% y «cómete de vuelta las calorías del ejercicio» deja de ser una aproximación y se convierte en una forma confiable de estancarte.

Si estás fijando objetivos de ingesta, parte de cálculos anclados en el peso corporal y ajusta según la tendencia observada —el enfoque que exponemos en cuántas calorías deberías comer realmente— y no de un número que tu muñeca se inventó.

¿Qué deberías hacer realmente con la cifra de calorías?

No borres la métrica. Degrádala.

Úsala como marcador relativo de carga de trabajo, no como cantidad absoluta. El error de tu reloj es razonablemente consistente para ti, en un tipo de actividad dado. Así que 500 hoy frente a 300 el martes es información real sobre el esfuerzo relativo, aunque ninguna de las dos cifras sea metabólicamente cierta. Compara el número solo con tu propio historial, en el mismo dispositivo, para el mismo tipo de sesión.

Nunca compares entre dispositivos ni entre personas. Un 500 de Garmin y un 500 de Apple Watch son afirmaciones distintas sobre el mundo, y los datos de campo de 2022 muestran que pueden diferir en más de 12 puntos porcentuales de error en la misma actividad.⁵

Nunca te la comas de vuelta al pie de la letra. Si la usas para algo relacionado con la ingesta, descuéntala mucho: la literatura sobre compensación sugiere que algo del orden de un tercio de su valor nominal está más cerca de la verdad neta diaria.¹⁰

Apóyate en las métricas que sí superaron la validación. La frecuencia cardíaca es sólida. Los pasos son sólidos. La duración del sueño y las tendencias de frecuencia cardíaca en reposo son utilizables. Estas son las entradas sobre las que vale la pena construir decisiones, y son las que nuestra guía de precisión de los datos de wearables trata como estructurales.

Mira la tendencia, no la lectura. La cifra de un solo día es en su mayoría ruido. La dirección de dos semanas lleva señal.

Este es exactamente el razonamiento que SensAI aplica a los datos de salud conectados: lee la frecuencia cardíaca, la recuperación y las tendencias de sueño de Apple Watch, Garmin, Oura y WHOOP a través de HealthKit, y las pondera según qué tan bien se valida cada señal, en vez de tratar cada número del panel como igualmente cierto. Una estimación calórica modelada y una frecuencia cardíaca medida no merecen la misma confianza, y un coach que no sabe distinguirlas te dará consejos seguros de sí mismos construidos sobre la más débil.

Preguntas frecuentes

¿Son precisas las calorías del Apple Watch?

No, aunque el Apple Watch está entre los que mejor rinden. La evaluación de Stanford encontró que tenía el menor error global de gasto energético entre siete dispositivos probados, pero aun así por encima del umbral del 20%, sin que ninguno lo superara.¹ Las pruebas de campo situaron su error en 19,8% al caminar y 24,4% al correr, en dirección de sobrestimación.⁵

¿El Apple Watch sobrestima o subestima las calorías?

Durante la caminata y la carrera al aire libre, sobrestima, y de forma significativa frente a un carrito metabólico.⁵ Durante el entrenamiento de fuerza, las estimaciones de los smartwatches como categoría tienden a subestimar, y se correlacionan tan débilmente con el gasto real (r = 0,10-0,34) que la dirección resulta casi irrelevante.⁶

¿Cuánto se equivoca un rastreador de actividad con las calorías?

Espera un 20-30% de error como piso realista, y más en campo. Para una sesión que tu reloj reporta como 500 calorías, un rango real plausible es de aproximadamente 350-650. Los límites de concordancia agrupados de Fitbit van de −12,75 a +7,41 kcal por minuto, lo que en una hora es una ventana de varios cientos de calorías.⁷

¿Garmin o Apple Watch es más preciso para calorías?

En la prueba comparativa al aire libre, el Apple Watch Series 6 fue más preciso que el Garmin FENIX 6 al caminar (19,8% vs 32,0% de error), mientras que el Garmin fue ligeramente mejor al correr (21,8% vs 24,4%).⁵ Ninguno es preciso en términos absolutos, y el orden se invierte según la actividad, lo que en sí mismo es el argumento para no confiar en ninguna de las dos cifras.

¿El anillo Oura es preciso para calorías?

Mejor que la mayoría en un entorno de laboratorio (r = 0,93 frente a la calorimetría indirecta), pero subestima más a medida que sube la intensidad, y a lo largo de 14 días de uso en vida libre su gasto energético total difirió de los monitores de referencia entre 362 y 494 kcal.⁸

¿Debería comerme de vuelta las calorías del ejercicio?

No al pie de la letra. Se acumulan dos errores independientes: el sensor exagera o subestima la sesión, y tu cuerpo compensa alrededor del 70% del gasto añadido en los días siguientes.¹⁰ Si te comes el número completo, es probable que estés borrando el déficit que creaste.

¿En qué métricas de los wearables puedo confiar realmente?

Frecuencia cardíaca (típicamente menos del 5-10% de error en dispositivos validados), conteo de pasos (los modelos Fitbit Charge por debajo del 25% de error en 20 estudios) y las tendencias de sueño y de frecuencia cardíaca en reposo.¹³⁴ El gasto energético es la excepción, y es la métrica en la que más se apoyan la mayoría de las apps de fitness.

¿Mejorará la precisión calórica?

Lentamente. El metanálisis muestra que combinar la frecuencia cardíaca o la medición de flujo de calor con la acelerometría reduce el error de forma apreciable, que es la dirección hacia la que se mueve el hardware.¹¹ Pero el problema de fondo —inferir el metabolismo a nivel de tejido desde el exterior de una muñeca— no se resuelve con una actualización de firmware.

En resumen

Tu reloj mide la frecuencia cardíaca. Adivina las calorías. Ninguna revisión sistemática de las marcas principales ha concluido todavía que esa suposición sea precisa, a lo largo de nueve años y cientos de validaciones publicadas.¹²³

Trata la cifra calórica como un marcador aproximado de esfuerzo relativo en un solo dispositivo, comparado únicamente contra tu propio historial. Trata la frecuencia cardíaca, los pasos y las tendencias de recuperación de varias semanas como los datos reales. Y cuando estés decidiendo qué cambiar en tu entrenamiento, ánclate en lo que tu cuerpo está haciendo de verdad —la fuerza progresando, las sesiones toleradas, la recuperación sosteniéndose— y no en un número modelado que un carrito metabólico contradiría por 400 calorías.

El trabajo del wearable es capturar señal. Decidir qué significa esa señal para tu próxima sesión es un trabajo completamente distinto, y es el que vale la pena hacer bien.

---

References

Footnotes

1. Shcherbina A, Mattsson CM, Waggott D, Salisbury H, Christle JW, Hastie T, Wheeler MT, Ashley EA. “Accuracy in Wrist-Worn, Sensor-Based Measurements of Heart Rate and Energy Expenditure in a Diverse Cohort.” Journal of Personalized Medicine, 2017; 7(2): 3. https://pubmed.ncbi.nlm.nih.gov/28538708/ ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶ ↩⁷ ↩⁸

2. Fuller D, Colwell E, Low J, Orychock K, Tobin MA, Simango B, Buote R, Van Heerden D, Luan H, Cullen K, Slade L, Taylor NGA. “Reliability and Validity of Commercially Available Wearable Devices for Measuring Steps, Energy Expenditure, and Heart Rate: Systematic Review.” JMIR mHealth and uHealth, 2020; 8(9): e18694. https://pubmed.ncbi.nlm.nih.gov/32897239/ ↩ ↩² ↩³

3. Germini F, Noronha N, Borg Debono V, Abraham Philip B, Pete D, Navarro T, Keepanasseril A, Parpia S, de Wit K, Iorio A. “Accuracy and Acceptability of Wrist-Wearable Activity-Tracking Devices: Systematic Review of the Literature.” Journal of Medical Internet Research, 2022; 24(1): e30791. https://pubmed.ncbi.nlm.nih.gov/35060915/ ↩ ↩² ↩³ ↩⁴ ↩⁵

4. Nelson BW, Allen NB. “Accuracy of Consumer Wearable Heart Rate Measurement During an Ecologically Valid 24-Hour Period: Intraindividual Validation Study.” JMIR mHealth and uHealth, 2019; 7(3): e10828. https://pubmed.ncbi.nlm.nih.gov/30855232/ ↩ ↩²

5. Le S, Wang X, Zhang T, Lei SM, Cheng S, Yao W, Schumann M. “Validity of three smartwatches in estimating energy expenditure during outdoor walking and running.” Frontiers in Physiology, 2022; 13: 995575. https://pubmed.ncbi.nlm.nih.gov/36225296/ ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶

6. Lee TH, Jun DU, Bae JY, Roh HT, Cho SY. “Comparative Validity of Smartwatch-Derived Heart Rate and Energy Expenditure During Endurance and Resistance Exercise.” Sensors, 2026; 26(8): 2526. https://pubmed.ncbi.nlm.nih.gov/42076635/ ↩ ↩² ↩³ ↩⁴

7. Chevance G, Golaszewski NM, Tipton E, Hekler EB, Buman M, Welk GJ, Patrick K, Godino JG. “Accuracy and Precision of Energy Expenditure, Heart Rate, and Steps Measured by Combined-Sensing Fitbits Against Reference Measures: Systematic Review and Meta-analysis.” JMIR mHealth and uHealth, 2022; 10(4): e35626. https://pubmed.ncbi.nlm.nih.gov/35416777/ ↩ ↩²

8. Kristiansson E, Fridolfsson J, Arvidsson D, Holmäng A, Börjesson M, Andersson-Hall U. “Validation of Oura ring energy expenditure and steps in laboratory and free-living.” BMC Medical Research Methodology, 2023; 23(1): 50. https://pubmed.ncbi.nlm.nih.gov/36829120/ ↩ ↩²

9. Kostrna J, Oparina E, Palacios C, Rodriguez AJ, Pei J, Ajmal A, Ramella-Roman JC. “PPG-Based Heart Rate Accuracy in Hispanic Adults with Fitzpatrick III-V Skin Tones: An Evaluation of Body Composition and Skin-Tone Effects.” Sensors, 2026; 26(10): 2922. https://pubmed.ncbi.nlm.nih.gov/42197732/ ↩

10. Pontzer H, Trexler ET. “The evidence for constrained total energy expenditure in humans and other animals.” Current Biology, 2026; 36(4): 1013-1025.e4. https://pubmed.ncbi.nlm.nih.gov/41653928/ ↩ ↩² ↩³ ↩⁴ ↩⁵

11. O’Driscoll R, Turicchi J, Beaulieu K, Scott S, Matu J, Deighton K, Finlayson G, Stubbs J. “How well do activity monitors estimate energy expenditure? A systematic review and meta-analysis of the validity of current technologies.” British Journal of Sports Medicine, 2020; 54(6): 332-340. https://pubmed.ncbi.nlm.nih.gov/30194221/ ↩