ENTRENAR “BY FEEL” EN LA ERA DE LOS WEARABLES, EVITANDO EL TECNOESTRES.

En las últimas décadas, el entrenamiento deportivo ha experimentado una transformación sustancial impulsada por el desarrollo de tecnologías de monitorización. Variables como la frecuencia cardiaca, la velocidad de ejecución (VBT), el porcentaje de una repetición máxima (1RM) o la variabilidad de la frecuencia cardiaca (HRV) se han integrado de forma sistemática en los procesos de planificación y control de la carga.

No obstante, la creciente disponibilidad de datos no garantiza una mejora proporcional en la toma de decisiones. Cuando el volumen de información excede la capacidad de procesamiento del individuo, puede generar interferencias cognitivas que comprometen la calidad del rendimiento (Alberts, Lyngs, & Lukoff, 2024). Esto es especialmente evidente en situaciones donde múltiples métricas no convergen; por ejemplo, un corredor que mantiene el ritmo objetivo pero observa una frecuencia cardiaca anormalmente elevada puede experimentar incertidumbre que altera su ejecución.

En este contexto, surge una cuestión central para la práctica contemporánea:

¿Estamos favoreciendo el desarrollo de la autonomía del atleta o promoviendo una dependencia progresiva del feedback externo?

Tecnoestrés y sobrecarga de información

El concepto de tecnoestrés hace referencia al estrés derivado del uso intensivo o inadecuado de tecnologías (Tarafdar et al., 2007). En el ámbito deportivo, este fenómeno se manifiesta cuando el atleta depende excesivamente de métricas externas, gestiona múltiples fuentes de información simultáneamente o experimenta presión por cumplir valores predeterminados.

Desde una perspectiva cognitiva, la sobrecarga informativa incrementa la carga mental, lo que afecta negativamente a procesos como la atención, la toma de decisiones y el control motor. En la práctica, esto puede observarse cuando un atleta intenta ajustar simultáneamente ritmo, potencia y frecuencia cardiaca, generando conflictos internos que dificultan la selección de una estrategia clara. En este contexto, el problema no es la falta de información, sino la incapacidad para jerarquizarla.

El desplazamiento de la percepción interna

El control del ejercicio se sustenta en un sistema complejo de regulación interna basado en la integración de señales aferentes y procesos centrales (Marcora, 2008; Noakes, 2012). Estas señales permiten ajustar continuamente el esfuerzo en función del estado fisiológico.

Sin embargo, la priorización sistemática del feedback externo puede inducir un proceso de desentrenamiento interoceptivo. Por ejemplo, un levantador que prescribe todas sus cargas exclusivamente en función del %1RM puede ignorar señales claras de fatiga acumulada; en días de baja disponibilidad, esto se traduce en ejecuciones técnicamente deficientes o una incapacidad para sostener la intensidad planificada.

Este fenómeno se asocia con una menor capacidad de ajuste en tiempo real, un incremento de la rigidez de decisiones y un desacoplamiento entre el estado fisiológico y la respuesta motora. Desde el marco de la Teoría de la Autodeterminación, estos entornos favorecen formas de regulación externa que reducen la autonomía del atleta (Deci & Ryan, 2000).

Cuando el dato sustituye sistemáticamente a la percepción, el sistema de control deja de ser predominantemente biológico y pasa a estar externamente dirigido, con una pérdida inevitable de adaptabilidad.

Regulación externa y autorregulación: un continuo funcional

El comportamiento del atleta puede conceptualizarse como un continuo que oscila entre regulación externa y autorregulación (Deci & Ryan, 2000). En contextos de regulación externa, la conducta está guiada predominantemente por indicadores objetivos. Así, un atleta puede completar un protocolo de 5×5 al 80% de 1RM a pesar de percibir un esfuerzo extremadamente alto desde las primeras series, manteniendo la carga por adherencia al plan.

Por el contrario, en la autorregulación, el atleta integra la percepción interna con la información disponible y ajusta su comportamiento de forma dinámica. En el mismo escenario, podría reducir la carga o el volumen al detectar un aumento anómalo del esfuerzo percibido, preservando la calidad del estímulo.

Estos dos enfoques reflejan modelos distintos de control:

Dato → decisión → ejecución

Percepción interna → integración → ajuste → ejecución

Esta diferencia no es trivial, sino estructural: el primer modelo asume estabilidad, mientras que el segundo asume variabilidad.

Base fisiológica de la autorregulación

La autorregulación del rendimiento se fundamenta en mecanismos fisiológicos y neurocognitivos complejos. La percepción del esfuerzo constituye una representación consciente del coste psicofisiológico del ejercicio (Marcora, 2008), mientras que el cerebro modula la producción de esfuerzo.

En este contexto, el cerebro puede entenderse como el sistema de procesamiento más avanzado disponible para el análisis del estado interno del organismo. A diferencia de cualquier dispositivo externo, integra en tiempo real señales aferentes de origen metabólico, mecánico, hormonal y emocional, generando una interpretación global del estado del sistema. Esta capacidad no solo permite detectar cambios, sino contextualizarlos dentro de una experiencia dinámica y continua.

Durante una serie de entrenamiento, la disminución progresiva de la velocidad de ejecución junto con el aumento del esfuerzo percibido refleja precisamente esta integración de señales periféricas y centrales. El cerebro no solo “recibe datos”, sino que los pondera, los compara con experiencias previas y ajusta la respuesta motora en consecuencia. Esta información permite al atleta modular voluntariamente la intensidad o finalizar la serie antes de que la fatiga comprometa la calidad del movimiento.

Desde esta perspectiva, la autorregulación no es una aproximación subjetiva ni imprecisa, sino la expresión funcional de un sistema de control altamente sofisticado, capaz de procesar más información relevante y con mayor contexto que cualquier tecnología externa actualmente disponible.

Evidencia empírica sobre métodos autoregulados

La literatura científica respalda de forma consistente la eficacia de los métodos autoregulados en comparación con modelos tradicionales basados en cargas fijas (Mann, Ivey, & Sayers, 2020; Zourdos et al., 2016). Estos enfoques parten de una premisa clave: la capacidad de rendimiento no es estable, sino que fluctúa diariamente en función de variables como la fatiga acumulada, el estado del sistema nervioso, el sueño, el estrés o la nutrición.

En este contexto, la autorregulación permite reducir la discrepancia entre la carga planificada y la capacidad real del atleta en cada sesión. No se trata únicamente de ajustar el entrenamiento, sino de optimizar la relación entre estímulo y adaptación, asegurando que la carga aplicada sea suficientemente exigente para generar mejora, pero no excesiva como para comprometer la recuperación o la calidad técnica.

En la práctica, esto se traduce en estrategias como prescribir series a un rango de RPE (por ejemplo, 7–8), lo que permite que la carga absoluta varíe en función de la disponibilidad diaria del atleta. De este modo, un mismo objetivo de intensidad relativa puede alcanzarse con diferentes pesos en función del estado del sistema.

Estos métodos no solo ajustan la carga, sino que modifican la naturaleza del proceso de entrenamiento: el foco deja de estar en cumplir un número predeterminado y pasa a centrarse en mantener la calidad del estímulo. En consecuencia, el atleta entrena en un rango más cercano a su capacidad real, lo que favorece adaptaciones más consistentes y reduce la exposición a estímulos inadecuados.

Sin embargo, estos enfoques no están exentos de limitaciones. Su eficacia depende en gran medida de la capacidad del atleta para interpretar correctamente sus propias sensaciones, lo que puede estar menos desarrollado en poblaciones novatas. Además, la percepción del esfuerzo puede verse influida por factores psicológicos, expectativas o sesgos cognitivos, lo que introduce variabilidad en la toma de decisiones. Por ello, la autorregulación no debe entenderse como una sustitución del control externo, sino como un proceso que requiere aprendizaje, calibración y supervisión por parte del entrenador.

Limitaciones del feedback externo

A pesar de su utilidad, las métricas externas presentan limitaciones relevantes. Muchas de ellas reflejan estados pasados y no capturan completamente la complejidad del estado actual del atleta. Esto se debe a que suelen derivarse de medidas puntuales o de promedios que, aunque informativos, no integran la naturaleza dinámica y multidimensional del rendimiento.

Además, estas métricas tienden a aislar variables que en el organismo funcionan de forma interdependiente. La fatiga, por ejemplo, no es exclusivamente periférica o central, sino una experiencia emergente que combina factores fisiológicos, psicológicos y contextuales. Ningún indicador único es capaz de representar esta complejidad en su totalidad.

Por ejemplo, una HRV dentro de valores normales puede sugerir un buen estado de recuperación desde una perspectiva autonómica, pero no reflejar fatiga psicológica, estrés laboral o falta de motivación. Del mismo modo, una velocidad de ejecución adecuada en las primeras repeticiones no garantiza la sostenibilidad del rendimiento si existen factores subyacentes no capturados por el dispositivo.

Esta limitación se amplifica cuando el dato se interpreta de forma aislada o normativa, es decir, comparándolo con valores esperados sin considerar el contexto individual del atleta. En estos casos, el dato deja de ser una herramienta informativa y pasa a convertirse en un criterio rígido de decisión.

El problema, por tanto, no reside en el dato en sí, sino en su uso descontextualizado y en la tendencia a otorgarle una autoridad superior a la experiencia interna del propio atleta.

Hacia un modelo integrado de entrenamiento

El enfoque óptimo no es dicotómico, sino integrativo. En un modelo eficaz, la percepción interna actúa como eje primario de regulación, mientras que los datos externos cumplen una función secundaria de validación y contextualización.

Por ejemplo, un atleta puede ajustar la carga de una sesión en función de su RPE y, posteriormente, analizar los datos de velocidad o frecuencia cardiaca para contextualizar su rendimiento. De este modo, se mantiene una jerarquía funcional en la que el dato no sustituye, sino que complementa.

Este modelo puede entenderse como un sistema de primacía interoceptiva con soporte tecnológico.

Conclusión

El avance tecnológico ha ampliado la capacidad de cuantificación del entrenamiento, pero también ha introducido desafíos relacionados con la interpretación de la información.

El rendimiento sostenible no depende únicamente de la precisión de las métricas, sino de la capacidad del atleta para integrar y jerarquizar la información disponible en función de su estado real.

En este sentido, la autorregulación se configura como una competencia central del entrenamiento moderno.

El desafío ya no es medir más, sino decidir mejor qué información merece guiar la acción.

COACH MANU

Bibliografía

• Alberts, L., Lyngs, U., & Lukoff, K. (2024). Designing for sustained motivation: A review of self-determination theory in behavior change technologies. arXiv.

• Deci, E. L., & Ryan, R. M. (2000). The "what" and "why" of goal pursuits: Human needs and the self-determination of behavior. Psychological Inquiry, 11(4), 227–268.

• Latinjak, A. T. (2025). Integrative self-regulation model for sport and exercise. Performance Enhancement & Health.

• Mann, J. B., Ivey, P. A., & Sayers, S. P. (2020). Autoregulation in resistance training: Addressing the inconsistencies. Sports Medicine.

• Marcora, S. M. (2008). Do we really need a central governor to explain brain regulation of exercise performance? European Journal of Applied Physiology.

• Noakes, T. (2012). Fatigue is a brain-derived emotion that regulates the exercise behavior to ensure the protection of whole body homeostasis. Frontiers in Physiology.

• Otte, F. W., Davids, K., Millar, S.-K., & Klatt, S. (2020). When and how to provide feedback and instructions to athletes. Frontiers in Psychology.

• Tarafdar, M., Tu, Q., Ragu-Nathan, B. S., & Ragu-Nathan, T. (2007). The impact of technostress on role stress and productivity. Journal of Management Information Systems.

• Zourdos, M. C., et al. (2016). Novel resistance training–specific rating of perceived exertion scale measuring repetitions in reserve. Journal of Strength and Conditioning Research.