Tu pulsera dice que quemaste 847 calorías. En realidad fueron 612.

El número en tu muñeca te está mintiendo

Terminé una sesión de 45 minutos en bicicleta el martes pasado. Mi smartwatch me felicitó: 523 calorías quemadas. Me sentí bien. Entonces recordé el estudio de Stanford que tenía abierto en el navegador—ese que demuestra que los sensores ópticos de frecuencia cardíaca sobreestiman el gasto en ciclismo en un promedio del 52%. ¿Mi quema real? Probablemente más cerca de 344 calorías.

Esto no es un problema menor de calibración. Un estudio de validación de 2025 publicado en Medicine & Science in Sports & Exercise probó siete wearables populares contra calorimetría indirecta (el estándar de oro, que mide el consumo real de oxígeno) y encontró sobreestimación sistemática en todos los dispositivos probados. Todos. Sin excepción.

La brecha entre lo que reporta tu tracker y lo que tu cuerpo realmente quema tiene consecuencias reales. La gente toma decisiones alimenticias basándose en estos números. Calculan déficits. Se preguntan por qué las cuentas no cuadran.

Por qué los wearables se equivocan: El problema de la física

Hay algo que la mayoría de las empresas de fitness no publicitan: estimar la quema calórica a partir del movimiento de la muñeca y la frecuencia cardíaca es genuinamente difícil. Del nivel de tesis doctoral.

Tu reloj usa algoritmos que predicen el gasto energético basándose en unas pocas variables: frecuencia cardíaca, patrones de movimiento, y quizás tu edad, peso y sexo. Pero estos algoritmos fueron típicamente validados caminando en cinta en condiciones de laboratorio. La vida real no se parece en nada a eso.

El problema fundamental es que la frecuencia cardíaca se correlaciona con el gasto energético... vagamente. Tu ritmo cardíaco se dispara cuando estás nervioso, con cafeína, deshidratado o viendo una película de terror. Nada de eso quema calorías significativas. Mientras tanto, el entrenamiento de fuerza puede quemar energía sustancial mientras apenas eleva la frecuencia cardíaca durante los descansos.

Un análisis de 2024 en el Journal of Personalized Medicine examinó 23 estudios de validación e identificó tres fuentes principales de error. Los artefactos de movimiento del brazo durante actividades como el ciclismo crean lecturas falsas del acelerómetro. Los sensores ópticos tienen problemas con tonos de piel más oscuros y muñecas tatuadas. Y las ecuaciones a nivel poblacional simplemente no contemplan la variación metabólica individual, que puede oscilar un 15% en cualquier dirección.

Las tasas de error específicas por actividad

No todas las actividades engañan a tu tracker por igual. El patrón es consistente en todos los estudios: cuanto más se desvía una actividad de caminar o correr a ritmo constante, peor es la estimación.

Caminar produce los errores más pequeños—típicamente 20-28% de sobreestimación. Los algoritmos fueron diseñados para esto. Correr muestra patrones similares, con sobreestimación alrededor del 25-35% dependiendo del ritmo y el terreno.

El ciclismo es donde las cosas se ponen raras. Como tu muñeca permanece relativamente quieta en el manillar, los datos del acelerómetro se vuelven casi inútiles. El dispositivo depende casi exclusivamente de la frecuencia cardíaca, que está influenciada por factores como la posición en la bici, la resistencia del viento y si estás subiendo una cuesta o bajando sin pedalear. Los estudios muestran una sobreestimación del 40-52% para ciclismo.

El entrenamiento de fuerza representa el peor escenario. Un estudio de 2025 hizo que los participantes realizaran circuitos de resistencia estandarizados mientras llevaban cinco dispositivos diferentes. Sobreestimación promedio: 93%. Un dispositivo reportó 412 calorías para una sesión que realmente quemó 214. El problema es estructural—la frecuencia cardíaca durante el levantamiento de pesas refleja el esfuerzo cardiovascular de aguantar la respiración y tensar los músculos, no el gasto energético aeróbico.

El entrenamiento de intervalos de alta intensidad (HIIT) queda en algún punto intermedio, con un 35-50% de sobreestimación. Las transiciones rápidas entre esfuerzo y descanso confunden a los algoritmos que esperan patrones de estado estable.

La variación individual lo empeora todo

Los promedios poblacionales ya son preocupantes. Pero la variación individual es lo que realmente socava la confianza en estos números.

Ese estudio de validación de Medicine & Science in Sports & Exercise incluyó 147 participantes de diferentes edades, composiciones corporales y niveles de fitness. Para el mismo protocolo de 30 minutos en cinta, los errores individuales de los dispositivos oscilaron entre -12% (subestimación rara) y +67% de sobreestimación. Mismo dispositivo. Misma actividad. Precisión radicalmente diferente dependiendo de quién lo llevaba puesto.

El nivel de fitness juega un papel significativo. Los atletas entrenados tienden a ver mayores sobreestimaciones porque sus sistemas cardiovasculares son más eficientes—queman menos calorías a cualquier frecuencia cardíaca dada que la persona promedio que asumen los algoritmos. Un estudio encontró que ex atletas universitarios experimentaron tasas de error un 41% más altas que los participantes sedentarios.

La composición corporal también importa. Las ecuaciones asumen porcentajes de grasa corporal promedio. Si tienes más masa muscular que la media, quemarás más calorías de las predichas (subestimación rara). ¿Más masa grasa que la media? Tu quema real cae por debajo de la estimación.

Factores de corrección basados en evidencia

Los investigadores han empezado a publicar factores de corrección que pueden acercar las estimaciones de los wearables a la realidad. No son perfectos, pero son mejores que tomar los números crudos al pie de la letra.

Para caminar y correr, multiplica la estimación de calorías de tu dispositivo por 0,75-0,80. Una carrera reportada de 400 calorías se convierte en 300-320 calorías reales. Esta corrección se mantuvo en múltiples marcas de dispositivos en el análisis de 2024 del Journal of Personalized Medicine.

Para ciclismo, multiplica por 0,65-0,70. ¿Esa salida de 500 calorías? Probablemente 325-350.

Para entrenamiento de fuerza, la corrección es más agresiva: multiplica por 0,50-0,55. ¿Tu reloj dice 300 calorías? Espera 150-165.

Para HIIT y actividades mixtas, usa 0,60-0,70.

Estos factores provienen de comparar estimaciones de wearables con calorimetría indirecta en múltiples estudios. Son promedios poblacionales, así que los resultados individuales variarán. Pero te acercarán más que los números sin procesar.

Qué funciona mejor realmente

Si la precisión te importa—y para el control de peso, probablemente debería—hay alternativas a la fe ciega en las estimaciones de muñeca.

Los monitores de frecuencia cardíaca con banda pectoral mejoran la precisión aproximadamente un 15-20% comparados con los sensores ópticos de muñeca. Son menos cómodos, pero el contacto del electrodo proporciona datos de frecuencia cardíaca más limpios con menos artefactos de movimiento.

Los potenciómetros para ciclismo miden el trabajo mecánico real. Un promedio de 200 vatios durante 45 minutos representa aproximadamente 540 kilojulios de trabajo mecánico, lo que se traduce en aproximadamente 650-700 calorías de gasto metabólico (contando las pérdidas por eficiencia). Esto es mucho más preciso que las estimaciones basadas en frecuencia cardíaca.

Para entrenamiento de fuerza, las estimaciones basadas en tiempo pueden superar a los wearables. La investigación sugiere una estimación aproximada de 4-6 calorías por minuto para entrenamiento de resistencia de intensidad moderada, ajustado por peso corporal. Una persona de 70 kg haciendo 40 minutos de pesas quema aproximadamente 160-240 calorías. No es preciso, pero más realista que los números inflados de los wearables.

El enfoque más preciso sigue siendo la calorimetría indirecta, pero requiere equipamiento de laboratorio que cuesta decenas de miles de euros. Algunas universidades y centros de rendimiento deportivo ofrecen pruebas metabólicas por 100-300€, que pueden establecer tu línea base personal.

El argumento de los datos de tendencia

Los fabricantes de wearables a menudo contrarrestan las críticas de precisión enfatizando la consistencia relativa. Tu reloj podría sobreestimar un 30%, pero si sobreestima aproximadamente lo mismo cada vez, aún puedes seguir tendencias.

Este argumento tiene mérito. Si tu carrera del martes reporta 450 calorías y la del jueves reporta 480 calorías, la del jueves probablemente fue más exigente—aunque ambos números estén inflados. Para seguir el progreso del fitness a lo largo de semanas y meses, la sobreestimación consistente importa menos que el error aleatorio.

Pero el argumento se desmorona cuando usas estos números para decisiones nutricionales. Una sobreestimación del 30% en un gasto calórico activo diario reportado de 2.400 significa que realmente estás quemando 1.680 calorías activas. Si estás "reponiendo tus calorías de ejercicio," eso es un superávit diario de 720 calorías. En una semana, eso es medio kilo de grasa ganada en lugar del mantenimiento que esperabas.

El argumento de tendencia también asume tasas de error consistentes entre actividades. Pero si haces más ciclismo una semana y más running la siguiente, el perfil de error cambia. La sobreestimación "consistente" se vuelve inconsistente.

Hacia dónde va la tecnología

La próxima generación de wearables podría abordar algunas de estas limitaciones. Varias empresas están desarrollando enfoques multi-sensor que combinan frecuencia cardíaca óptica con temperatura de la piel, respuesta galvánica y saturación de oxígeno en sangre. La teoría es que múltiples señales fisiológicas pueden distinguir la demanda metabólica real de los factores de confusión.

Los modelos de machine learning entrenados en conjuntos de datos más grandes y diversos muestran promesa en investigaciones tempranas. Un estudio piloto de 2025 usando algoritmos personalizados—entrenados con los propios datos de pruebas metabólicas del individuo—redujo el error de estimación al 12-15% en todas las actividades. El problema: requería una sesión de calibración inicial con equipamiento de laboratorio.

Algunos investigadores están explorando la monitorización continua de glucosa como proxy del gasto energético. La utilización de glucosa se correlaciona con la tasa metabólica, y la tecnología CGM se ha vuelto cada vez más precisa. Los estudios iniciales muestran potencial, aunque la relación es lo suficientemente compleja como para que probablemente estemos a años de aplicaciones para consumidores.

Por ahora, la respuesta honesta es que la estimación calórica basada en la muñeca tiene limitaciones fundamentales que mejores algoritmos solo pueden abordar parcialmente.

Haciendo las paces con datos imperfectos

Sigo usando mi pulsera de actividad. El conteo de pasos es razonablemente preciso. Las tendencias de frecuencia cardíaca me ayudan a notar cuando estoy sobreentrenando o enfermando. El análisis del sueño es... bueno, eso es otro artículo.

Pero he dejado de tratar los números de calorías como datos accionables. Cuando mi reloj reporta un entrenamiento de 600 calorías, mentalmente anoto "probablemente 400-450" y sigo adelante. No repongo las calorías del ejercicio. No calculo déficits precisos.

La tecnología nos da la ilusión de precisión—cuatro cifras significativas en un número que probablemente está desviado un 30%. Esa falsa confianza podría ser peor que no tener datos, porque fomenta decisiones basadas en inputs defectuosos.

Hasta que la precisión de los wearables mejore sustancialmente, el enfoque más útil podría ser tratar estos dispositivos como lo que realmente son: indicadores aproximados de tendencias, no laboratorios metabólicos. Tu cuerpo está quemando calorías. Tu reloj está adivinando cuántas. Son cosas diferentes.