¿Puede la IA diseñar tu plan de entrenamiento? Lo que dice la ciencia

Resumen

En 2026, un grupo de investigadores puso a prueba algo que millones de personas ya hacen sin cuestionarlo: pedir a una inteligencia artificial que les diseñe la rutina del gimnasio. Pidieron a varios modelos de lenguaje que crearan planes de hipertrofia y de fuerza, y luego dejaron que diez entrenadores expertos los evaluaran con criterios profesionales. El resultado, ni catastrófico ni brillante, dibuja con precisión dónde ayuda y dónde falla la IA en el diseño del entrenamiento. Este artículo analiza ese estudio y lo que significa para deportistas y profesionales.

El caso

El trabajo, firmado por Havers, Jelonnek, Masur, Isenmann, Sperlich, Geisler y Düking (2026), evaluó la calidad de planes de entrenamiento de fuerza para hipertrofia y fuerza máxima generados por tres modelos de lenguaje de gran tamaño: GPT-3.5, en sus versiones a través de ChatGPT y de Microsoft Copilot, y Google Gemini. Diez entrenadores, todos con al menos un grado en ciencias del ejercicio y un mínimo de dos años de experiencia, puntuaron los planes en una escala del 1 al 5 sobre 27 criterios considerados esenciales para un buen diseño de entrenamiento. El veredicto global fue claro y matizado: la calidad de los planes generados por IA fue moderada. Ni un desastre ni un sustituto del profesional.

El problema

El uso de la inteligencia artificial para diseñar entrenamientos se ha disparado, y con él una pregunta que rara vez se responde con datos: ¿son buenos esos planes? La respuesta importa porque un plan de entrenamiento mal diseñado no es neutro. Puede desperdiciar meses de esfuerzo, generar desequilibrios, ignorar la progresión o pasar por alto el contexto individual del que entrena. Fiarse ciegamente de una herramienta que produce texto convincente pero de calidad solo moderada es un riesgo real, y entender exactamente dónde flaquea es la única forma de usarla bien.

Por qué ocurre: dónde acierta y dónde falla la IA

La estructura básica está, el criterio fino no siempre. Los modelos generan sin problema la arquitectura general de una rutina: ejercicios, series, repeticiones, distribución por grupos musculares. El estudio mostró que en el conjunto de 27 criterios los modelos apenas se diferenciaban entre sí en la mayoría. Google Gemini superó a GPT-3.5 en los planes de hipertrofia solo en 2 de los 27 criterios, relacionados con métodos avanzados de ejercicio y estrategias de recuperación, mientras que GPT-3.5 vía Copilot superó a Gemini en los de fuerza en 1 de los 27. Es decir, las diferencias entre modelos eran mínimas y la calidad general se quedaba en moderada.

La individualización, el gran punto débil. Un plan excelente no es el que enumera ejercicios correctos, sino el que se ajusta a la persona: su nivel, su historial de lesiones, su disponibilidad, su capacidad de recuperación, su progresión en el tiempo. Ahí es donde una herramienta genérica, que no conoce al individuo, se queda corta. La calidad moderada del estudio refleja precisamente esa brecha entre lo correcto en abstracto y lo adecuado en concreto.

La ausencia de juicio experto. El entrenador aporta algo que el modelo no tiene: criterio para decidir qué priorizar, cuándo desviarse de la norma y cómo leer las señales del cuerpo del deportista. En FHI insistimos en que la ciencia del entrenamiento no es una lista de reglas, sino un marco de decisiones, y ese juicio no se descarga de un chat. Formamos a nuestros alumnos para razonar la programación, no para copiarla.

Cómo se aplica: usar la IA como borrador, no como autoridad

- Trata el plan generado por IA como un punto de partida que revisar, no como una prescripción cerrada. Es un borrador, no un veredicto.

- Verifica siempre la progresión: muchos planes genéricos describen una semana pero no cómo evolucionar en el tiempo, que es donde se juega la adaptación real.

- Ajústalo a la persona: nivel, lesiones previas, material disponible, capacidad de recuperación. Ese ajuste es lo que separa un plan correcto de uno adecuado.

- Ante cualquier duda de técnica, dolor o patología, acude a un profesional. La herramienta no evalúa tu cuerpo ni tu contexto. En FHI enseñamos justamente ese criterio clínico y metodológico que ninguna IA reemplaza.

Aplicaciones prácticas

- Si usas IA para orientarte, pídele que justifique cada decisión (por qué esa frecuencia, ese volumen, esa progresión). Sus explicaciones te ayudan a detectar sus lagunas.

- Compara el plan con los principios básicos de la evidencia: volumen semanal suficiente, proximidad al fallo, progresión sostenida. Si el plan los ignora, descártalo.

- Usa la herramienta para ahorrar tiempo en lo mecánico y reserva tu criterio, o el de tu entrenador, para lo importante: la individualización y la progresión.

- Recuerda que un plan de calidad moderada aplicado a ciegas puede rendir menos que un plan sencillo bien ajustado a ti.

Conclusión

El estudio de Havers y colaboradores pone número a una intuición: la inteligencia artificial escribe rutinas de calidad moderada, útiles como borrador pero insuficientes como autoridad. Genera bien la estructura, se diferencia poco entre modelos y falla justo donde más importa, en la individualización y el juicio experto. La lección para deportistas y profesionales no es rechazar la herramienta ni idolatrarla, sino usarla en su sitio: como un asistente que ahorra tiempo en lo mecánico, siempre supervisado por el criterio que solo aporta la formación y la experiencia. En FHI enseñamos a nuestros alumnos a dominar ese criterio, porque la mejor tecnología del mundo sigue necesitando a alguien que sepa cuándo hacerle caso y cuándo no.

Referencias

Havers, T., Jelonnek, C., Masur, L., Isenmann, E., Sperlich, B., Geisler, S., & Düking, P. (2026). A professional assessment of training plans for muscle hypertrophy and maximal strength developed by generative artificial intelligence. https://pubmed.ncbi.nlm.nih.gov/41048240/

Schoenfeld, B. J., Grgic, J., Van Every, D. W., & Plotkin, D. L. (2021). Loading recommendations for muscle strength, hypertrophy, and local endurance. Sports, 9(2), 32.

American College of Sports Medicine (2026). Resistance Training Prescription for Muscle Function, Hypertrophy, and Physical Performance in Healthy Adults. Medicine & Science in Sports & Exercise.

Helms, E. R., Cronin, J., Storey, A., & Zourdos, M. C. (2016). Application of the Repetitions in Reserve-Based Rating of Perceived Exertion Scale for Resistance Training. Strength and Conditioning Journal, 38(4), 42-49.

Issurin, V. B. (2010). New horizons for the methodology and physiology of training periodization. Sports Medicine, 40(3), 189-206.

Javier Ortega

CEO de FHI · Presidente de la Asociación Internacional de Entrenadores Personales (AIEP)