Las herramientas de inteligencia artificial (IA) basadas en grandes modelos de lenguaje (LLM, por sus siglas en inglés) pueden generar planes estructurados de calentamiento y enfriamiento para el día de competición en natación, pero su capacidad para traducir los principios fisiológicos del sprint en prescripciones prácticas varía considerablemente según la herramienta utilizada y la sección del plan evaluada. Este hallazgo es relevante porque el uso de IA para crear contenido de entrenamiento crece rápidamente, y conocer sus fortalezas y limitaciones reales ayuda a los entrenadores a aprovecharla de forma responsable.
Qué se estudió: IA y planificación del día de competición en natación de velocidad
El estudio evaluó la relevancia fisiológica, la calidad del contenido y la estabilidad entre generaciones de planes de calentamiento precompetición e immediate post-race cool-down (enfriamiento inmediato tras la prueba) producidos por cuatro herramientas de IA de acceso público: ChatGPT, Gemini, DeepSeek y Doubao. El escenario simulado correspondía a un nadador de 100 metros libres en estilo libre.
Se utilizó un diseño de análisis de contenido basado en simulación con una estructura de medidas repetidas dentro del mismo evaluador. Cada una de las cuatro herramientas generó cinco salidas independientes empleando el mismo prompt estandarizado y detallado, lo que permitió analizar no solo la calidad media de cada herramienta, sino también la consistencia de sus respuestas entre una generación y otra. Los planes fueron anonimizados y aleatorizados antes de la evaluación.
La calificación corrió a cargo de 32 expertos con experiencia en el entrenamiento o la enseñanza de la prueba de 100 metros sprint. Cada plan fue valorado con un instrumento multidimensional de 40 ítems que cubría 10 dominios de calidad del contenido. Para el análisis estadístico principal se utilizó un modelo mixto de enlace acumulativo con efectos fijos para el modelo de IA, la sección del plan y su interacción, e interceptos aleatorios para el evaluador, el ítem y el identificador de generación. La fiabilidad entre evaluadores se estimó mediante coeficientes de correlación intraclase (CCI) y el alfa de Krippendorff.
Qué encontraron: ChatGPT lidera en calidad, Doubao en estabilidad
El modelo mixto reveló una interacción significativa entre herramienta y sección del plan (p < 0,001), lo que indica que las diferencias entre herramientas no fueron uniformes: dependieron de si se analizaba el calentamiento o el enfriamiento.
- ChatGPT obtuvo la puntuación descriptiva global más alta. En la sección de calentamiento superó a DeepSeek y Doubao; en la sección de enfriamiento superó a las tres herramientas restantes.
- Los análisis exploratorios por dominios mostraron diferencias entre herramientas en los 10 dominios de calidad del contenido evaluados.
- La estabilidad entre generaciones no se correspondió directamente con la calidad valorada por los expertos: Doubao fue la herramienta más estable de una generación a otra, mientras que ChatGPT mostró el perfil de calidad más favorable pero también la mayor variabilidad entre generaciones repetidas.
En otras palabras, una herramienta puede producir outputs muy consistentes entre sí y, al mismo tiempo, de menor calidad; otra puede generar planes de mayor calidad en promedio pero con mayor dispersión, lo que significa que no todos sus outputs alcanzan ese nivel.
Qué significa para el entrenamiento: la IA como borrador, no como prescripción
Esta es la sección más importante para la práctica diaria. Los autores son explícitos en su conclusión: los planes generados por IA no deben utilizarse como prescripciones autónomas. Sin embargo, sí pueden desempeñar un papel útil dentro de un flujo de trabajo supervisado por el entrenador. A continuación se detallan las implicaciones concretas.
Usar la IA para generar borradores iniciales, no planes definitivos
Las herramientas evaluadas son capaces de producir planes estructurados con una organización interna reconocible. Esto puede ahorrar tiempo en la fase de redacción inicial, especialmente cuando se necesita comparar rápidamente varias opciones de calentamiento o enfriamiento. Sin embargo, el entrenador debe asumir que el output de la IA es un punto de partida, no un producto terminado. La revisión experta es imprescindible antes de cualquier aplicación práctica.
Comparar y contrastar opciones como herramienta de apoyo a la decisión
Una de las aportaciones que los autores identifican explícitamente es que estas herramientas pueden ayudar a los entrenadores a generar estructuras alternativas de plan y a obtener detalles de prescripción más explícitos que sirvan de base para la reflexión. En lugar de partir de una hoja en blanco, el entrenador puede solicitar a varias herramientas distintos enfoques y luego comparar sus propuestas desde una perspectiva fisiológica fundamentada.
Prestar especial atención a la sección de enfriamiento
La interacción significativa entre herramienta y sección del plan indica que las diferencias de calidad son especialmente pronunciadas en el enfriamiento postcompetición. Esto sugiere que, si se emplea IA para este tipo de planificación, la revisión crítica del entrenador debe ser particularmente rigurosa en los planes de enfriamiento, ya que es donde las herramientas muestran mayor divergencia entre sí y, aparentemente, mayor dificultad para aplicar correctamente los principios fisiológicos del sprint.
No asumir que mayor estabilidad implica mayor calidad
El resultado sobre Doubao —la herramienta más estable pero con puntuaciones más bajas— es un aviso importante: la consistencia de los outputs de la IA no es un indicador fiable de su calidad fisiológica. Del mismo modo, la variabilidad de ChatGPT entre generaciones recuerda que, aunque en promedio produce planes mejor valorados, un output concreto puede alejarse de ese nivel. Conviene, por tanto, no utilizar un único output de ninguna herramienta sin revisión, independientemente de cuántas veces se haya consultado previamente.
Mantener bajo supervisión experta las decisiones críticas
Los autores señalan de forma explícita que las decisiones sobre intensidad, secuenciación, recuperación, gestión del riesgo y adaptación individual deben permanecer bajo la supervisión de un entrenador cualificado. Esto es especialmente relevante en el contexto del sprint de 100 metros libres, donde el calentamiento tiene un impacto directo sobre la temperatura muscular, la activación del sistema neuromuscular y la preparación metabólica, y donde un enfriamiento mal prescrito puede comprometer la recuperación entre series o entre jornadas de competición.
Considerar quién puede beneficiarse de estas herramientas
Aunque el estudio no estratifica los resultados por nivel de experiencia del entrenador, la lógica aplicada sugiere que estas herramientas pueden ser más útiles para entrenadores que buscan referencias estructurales o que trabajan en contextos con acceso limitado a recursos especializados, siempre que cuenten con la formación fisiológica suficiente para identificar errores o imprecisiones en los planes generados. Para entrenadores con amplia experiencia en natación de velocidad, su valor más probable es el de ahorrar tiempo en la redacción, no el de aportar conocimiento nuevo.
Limitaciones del estudio
Conviene señalar varias restricciones que condicionan la generalización de estos resultados. En primer lugar, el diseño es de simulación basada en análisis de contenido: no se evaluó el efecto real de estos planes sobre el rendimiento de nadadores, sino la valoración experta de su calidad fisiológica percibida. En segundo lugar, el escenario se limitó a un único perfil simulado (nadador de 100 metros libres), por lo que los resultados no son directamente extrapolables a otras pruebas, distancias o estilos. En tercer lugar, las herramientas de IA se actualizan con frecuencia, por lo que los resultados reflejan el comportamiento de versiones específicas en el momento del estudio. Finalmente, aunque se utilizaron 32 expertos y un instrumento de 40 ítems, la evaluación subjetiva de la calidad de contenido lleva asociada cierta variabilidad inherente, aunque se controlara mediante índices de fiabilidad entre evaluadores.
Conclusiones aplicables
- Las herramientas de IA basadas en LLM pueden generar planes estructurados de calentamiento y enfriamiento para el día de competición en natación de 100 metros libres, pero su capacidad para aplicar correctamente los principios fisiológicos del sprint varía entre herramientas y entre secciones del plan.
- ChatGPT mostró el perfil de calidad global más favorable según la valoración experta en este escenario simulado, aunque con mayor variabilidad entre generaciones; Doubao produjo outputs más estables pero con puntuaciones más bajas.
- La estabilidad de los outputs entre generaciones no es un indicador fiable de su calidad fisiológica: no conviene confundir consistencia con corrección.
- Los planes generados por IA no deben emplearse como prescripciones autónomas; su uso más adecuado es como borradores iniciales o estructuras alternativas para revisión y refinamiento por parte del entrenador.
- Las decisiones sobre intensidad, secuenciación, recuperación, gestión del riesgo y adaptación individual deben permanecer bajo supervisión de un entrenador cualificado.
- La revisión experta debe ser especialmente rigurosa en la sección de enfriamiento, donde las diferencias entre herramientas son más pronunciadas.
