El experimento de seguimiento del sueño de Karpathy: dos meses, cuatro dispositivos, ¿un solo ganador?

Todo empezó con un vídeo visto dos meses antes: Bryan Johnson explicando cómo arregló su sueño, y Karpathy decidiendo ese día mejorar el suyo. Pero primero había que medirlo, porque solo se puede gestionar lo que se mide. En ese momento solo tenía un Apple Watch emparejado con AutoSleep; un Oura que le gustó en su día estaba apartado, y un nuevo 8Sleep Pod 4 Ultra estaba en pedido. La pregunta era sencilla: ¿cuál de los cuatro candidatos es realmente fiable? Lanzó un proyecto comparativo de dos meses y publicó los resultados el 24 de marzo de 2025.

Los cuatro candidatos difícilmente podrían ser más distintos. Whoop es una pulsera sin pantalla, el Apple Watch se probó mediante una app de terceros (AutoSleep), Oura es un anillo que se lleva en el dedo, y 8Sleep es la propia cama. Este último promete seguimiento más control de temperatura, pero no puede medir el pulso directamente, ya que está bajo el cuerpo y no sobre él. La carrera enfrentaba, pues, tres wearables y uno no wearable.

El método era simple y obstinado: cada mañana durante sesenta días, anotaba los números justo al despertar. Sueño ligero, REM y profundo más tiempo despierto; frecuencia cardíaca en reposo y variabilidad de la frecuencia cardíaca; la puntuación de sueño de cada app. Luego ponía esos números junto a cómo se sentía esa mañana. La hoja de cálculo en bruto es pública, así que cualquiera puede rehacer los cálculos.

Tras dos meses el veredicto era intuitivamente claro: Oura y Whoop son de primera categoría, sus puntuaciones en línea con las sensaciones matutinas en su mayoría. 8Sleep quedó en el medio, simplemente correcto. La combinación de Apple Watch con AutoSleep decepcionó; sus puntuaciones oscilaban casi al azar y apenas seguían la sensación matutina.

Los histogramas de puntuaciones afinan el panorama. AutoSleep y 8Sleep son generosos, pegados al techo de 100; Whoop también reparte 100 con regularidad. Oura es tacaño: su máximo en dos meses fue 92, la distribución parece una campana y el rango es amplio. Karpathy lo cuenta como una virtud, ya que una puntuación pegada al techo no deja margen para mejorar.

También midió cuánto coincidían los dispositivos entre sí. Whoop y Oura encabezan la lista con 0,65. Oura con 8Sleep llegó a 0,59, Oura con AutoSleep a 0,47, 8Sleep con AutoSleep a 0,42, Whoop con 8Sleep a 0,38. En el fondo están Whoop y AutoSleep: 0,14, prácticamente ninguna relación. Si se toma Whoop como bueno, AutoSleep parece un generador de ruido.

En frecuencia cardíaca el panorama cambia. Oura, Whoop y AutoSleep coinciden estrechamente en el pulso nocturno, con correlaciones entre 0,88 y 0,95. 8Sleep, al ser un colchón, es naturalmente el eslabón más débil, pero aun así sorprendentemente cercano. El vínculo entre pulso en reposo y puntuación de sueño es débil: una leve inclinación de 0,13 del lado de Whoop, nada del lado de Oura. Un pulso más bajo no compra de forma fiable una puntuación más alta.

El entrenamiento también quedó registrado: alrededor de media hora de cardio suave al día, más intervalos intensos de cuatro minutos dos veces por semana. En sesenta días el pulso en reposo mejoró un poco menos de 3 ppm. Ese es el lado encantador del experimento: los números reflejan no solo los dispositivos, sino la respuesta del cuerpo al entrenamiento.

El autor del vídeo, Aladdin Persson, replica, y desde un lugar informado: él mismo construyó una app para la misma necesidad. Correlacionar con la sensación matutina no es una vara de medir científica, argumenta; la pregunta correcta es la contraparte objetiva de cada fase del sueño. Peor aún, el Apple Watch compitió con una app de terceros mediocre en lugar de con su propio software. Enterrar el reloj porque el seguimiento nativo no incluye puntuación es injusto, ya que derivar una puntuación del gráfico en bruto es trabajo fácil; lo que merece atención es la tendencia y la consistencia de los números en bruto.

Entra Rob ter Horst, conocido como el Quantified Scientist. Doctor en análisis de datos biológicos, prueba los wearables contra referencias de laboratorio (EEG craneal nocturno, ZMax, Dreem 2, polisomnografía). Su hallazgo va en contra del de Karpathy: Whoop no es tan bueno, el Apple Watch es mucho mejor. Los sensores de Apple figuran entre los mejores del mercado según él; la culpa está en la app que interpreta el reloj, no en el reloj. Su resumen: Oura lidera en sueño, Whoop en deporte, y el Apple Watch es sólido en ambos.

El cierre hace el caso cotidiano de medir: el autor rastreó el empeoramiento de la variabilidad y del pulso en reposo hasta alergias al polen y actuó en consecuencia, y lee los retornos del entrenamiento en los números. Encuentra el movimiento Don't Die de Bryan Johnson un poco extremo pero interesante. Él mismo llevó Whoop y Apple Watch juntos durante cinco meses, luego regaló el Whoop y se quedó con el Apple Watch. La frase que me quedo: medir funciona, siempre que sepas qué estás midiendo y con qué.