Wie genau sind KI-Kalorienzähler? Was Studien gemessen haben

Zusammenfassen mit: ChatGPT Claude AI Mode Perplexity

11. Oktober 2026 • Geschrieben vom NutriScan Team • ErnährungstechnologieApp-Funktionen

Ein KI-Kalorienzähler liegt bei einem einfachen, gut beleuchteten Teller ziemlich nah dran und bei einer großen, öligen oder gemischten Mahlzeit deutlich daneben. Ein systematischer Review von 2023 mit 52 Studien in den Annals of Medicine fand durchschnittliche Kalorienfehler von 0,10 % bis 38,3 % gegenüber dem tatsächlichen Wert. Der Großteil der Spanne kommt von der Portionsgröße und von Fett, das die Kamera nicht sieht.

Quellen geprüft am 11. Oktober 2026: ein systematischer Review, vier begutachtete Tests und ein Konferenz-Abstract, jeweils dort verlinkt, wo sie zitiert werden. Jede Zahl unten ist die Zahl der jeweiligen Studie für ihren eigenen Testdatensatz. Keine davon ist ein Ranking von Apps.

Zusammenfassung

• So funktioniert es: Die App benennt die Lebensmittel auf dem Foto, schätzt, wie viel von jedem da ist, und schlägt dann die Nährwerte für diese Menge nach. Jeder Schritt bringt seinen eigenen Fehler mit.
• Wie genau: Der Review von 2023 von Shonkoff und Kollegen fand durchschnittliche Kalorienfehler von 0,10 % bis 38,3 % über alle KI-Methoden, die niedrigsten bei einzelnen, einfachen Lebensmitteln.
• Wo es danebenliegt: Große Portionen werden unterschätzt, Kochöl ist unsichtbar und gemischte Gerichte verstecken ihre Zutaten.
• Im Vergleich zu Menschen: Derselbe Review nennt für menschliche Schätzungen eine Spanne von 30 % Unterschätzung bis 1 % Überschätzung. Die Spannen überlappen.
• So wird es besser: Sag der App, was sie nicht sehen kann (Menge, Garmethode, Öl), und korrigiere die Portion nach dem Scan.

Wie schätzt ein KI-Kalorienzähler Kalorien aus einem Foto?

Jeder Foto-Kalorienzähler durchläuft dieselben drei Schritte, egal welche Marke.

1. Erkennung. Ein Bildmodell benennt, was auf dem Teller liegt: Reis, gegrilltes Hähnchen, ein Curry.
2. Portionsschätzung. Das Modell schätzt Gewicht oder Volumen jedes Bestandteils. Ein Handyfoto ist flach, also muss die Größe aus Teller, Besteck und einer normalen Portion abgeleitet werden.
3. Nährwert-Abfrage. Die App multipliziert die geschätzte Menge mit den Kalorien und Makros pro Gramm aus einer Lebensmitteldatenbank, oder das Modell erzeugt die Zahlen direkt.

Fehler multiplizieren sich entlang der Kette. Ein richtiger Name mit einer um 40 % zu kleinen Portion ergibt eine um 40 % zu kleine Kalorienzahl. Eine richtige Portion, die dem falschen Datenbankeintrag zugeordnet wird, richtet denselben Schaden an. Unser Beitrag zu geprüften und von der Community stammenden Lebensmitteleinträgen (auf Englisch) behandelt diesen dritten Schritt.

Wie genau sind KI-Kalorienzähler in veröffentlichten Tests?

Forschende testen diese Systeme, indem sie Mahlzeiten fotografieren, deren Inhalt vorher gewogen wurde, und die Schätzung dann mit dem gewogenen Wert vergleichen.

Studie / Veröffentlicht von	Was getestet wurde	Was sie fanden
Shonkoff et al., 2023 Tufts University und Merrimack College, Annals of Medicine	Systematischer Review von 52 KI-Bildstudien	Durchschnittlicher Kalorienfehler 0,10 % bis 38,3 %, Volumenfehler 0,09 % bis 33 %
Thames et al., 2021 Google Research, CVPR	Ein Modell, trainiert auf etwa 5.000 Kantinengerichten, auf 1 g genau gewogen	Kalorienfehler 26,1 % aus einem 2D-Bild, 16,5 % mit Tiefendaten
O'Hara et al., 2025 Royal College of Surgeons in Ireland, Nutrients	114 Mahlzeitenfotos in kleinen, mittleren und großen Portionen, von ChatGPT-4 ausgewertet	Gewicht in 76,3 % der Fotos unterschätzt; mittlere Abweichung 27,8 %
Fridolfsson et al., 2025 Current Developments in Nutrition	52 standardisierte Essensfotos, drei allgemeine KI-Modelle	Energiefehler 35,8 % bei zwei Modellen und 64,2 % beim dritten
Isobe et al., 2026 Nutrients	15 gewogene Krankenhausmahlzeiten, 10 Ernährungsfachkräfte gegen 10 KI-Modelle	Energie innerhalb von 10 % bei 86,7 % der Mahlzeiten für Ernährungsfachkräfte, 73,3 % für das beste KI-Modell

Die Spanne ist breit, weil die Testmahlzeiten sich unterscheiden. Shonkoff und Kollegen berichten, dass die Fehler bei einzelnen und einfachen Lebensmitteln niedriger und bei gemischten Gerichten wie Currys und bei sich überlappenden Lebensmitteln höher waren. Die Studien ließen sich nicht zu einer Zahl zusammenfassen, weil die Methoden zu stark abwichen. Nur 27 % der Studien nutzten gewogenes Essen als Referenz; 51 % nutzten Nährwerttabellen.

Tiefe hilft. In Nutrition5k scannte das Team von Google Research Gerichte auf einem Aufbau mit digitaler Waage und Tiefenkamera. Der mittlere absolute Kalorienfehler ihres Modells lag bei 70,6 kcal (26,1 %) aus einem flachen Bild und bei 41,3 kcal (16,5 %), wenn das aus der Tiefe berechnete Volumen dazukam. Die meisten Handyfotos liefern einer App nur das flache Bild.

Geschulte Menschen liegen bei kontrollierten Mahlzeiten weiter vorn. In der Isobe-Studie wurde jede Mahlzeit bei festem Licht direkt von oben fotografiert. Diplomierte Ernährungsfachkräfte lagen bei 86,7 % der Mahlzeiten innerhalb von 10 % der tatsächlichen Energie, ChatGPT-4o bei 73,3 % und Gemini 1.5 Pro bei 60,0 %. Die Autoren empfehlen, einen Menschen im Ablauf zu behalten und dem Foto Angaben zum Kochen beizufügen.

Und die Kalorien-Apps selbst?

Die meisten veröffentlichten Tests nutzen Forschungsmodelle oder allgemeine Chatbots. Zu Verbraucher-Apps gibt es bisher einen Test, und er wurde nicht begutachtet. Auf der NUTRITION 2026, der Tagung der American Society for Nutrition im Juli 2026, stellten Forschende des US-amerikanischen National Institute of Diabetes and Digestive and Kidney Diseases ein Abstract vor: 102 Mahlzeiten aus einer Stoffwechselküche, deren Zutaten auf 0,1 g genau gewogen wurden, wurden fotografiert und durch vier Apps geschickt: MyFitnessPal, LoseIt!, CalAI und Appediet.

Alle vier unterschätzten die Kalorien, im Schnitt um etwa 250 bis 345 kcal pro Mahlzeit, und das Fett um etwa 30 g. Kohlenhydrate wurden gleichmäßiger geschätzt, und fettreiche ketogene Mahlzeiten waren am schwierigsten. Behandle diese Zahlen als vorläufig, bis die vollständige Arbeit vorliegt. Der Rat der Forschenden in der Mitteilung (aus dem Englischen übersetzt): "Wer eine fotobasierte Tracking-App nutzt, ohne die Portionen anzupassen oder die Essensmengen einzugeben, sollte die Ergebnisse mit Vorsicht genießen."

Wo gehen Foto-Kalorienschätzungen schief?

Portionsgröße

Die Portion ist die größte einzelne Fehlerquelle, und bei großen Mahlzeiten geht der Fehler in eine Richtung. In der Studie von O'Hara vom Royal College of Surgeons in Ireland, die Portionsgrößen aus Irlands National Adult Nutrition Survey verwendete, schätzte ChatGPT-4 kleine Mahlzeiten gut (408 g tatsächlich gegen 431 g geschätzt). Mittlere Mahlzeiten mit 581 g wurden auf 426 g geschätzt, große Mahlzeiten mit 798 g auf 530 g.

Fridolfsson und Kollegen fanden dasselbe Gefälle bei ChatGPT-4o, Claude 3.5 Sonnet und Gemini 1.5 Pro: je größer die Portion, desto größer die Unterschätzung. In einem Fall wurde eine Portion Linsencurry von 480 g auf 255 g geschätzt.

Verstecktes Öl und Fett

Ein Esslöffel Öl, der in Reis einzieht oder in eine Sauce gerührt wird, hinterlässt kaum eine sichtbare Spur, und Fett hat mehr als doppelt so viele Kalorien pro Gramm wie Kohlenhydrate oder Eiweiß. Beim Fett sind sich die Studien zudem am wenigsten einig. Das NIH-Abstract fand, dass die vier Apps das Fett um etwa 30 g pro Mahlzeit unterschätzten. Die Isobe-Studie fand, dass jedes KI-Modell das Fett bei Krankenhausmahlzeiten überschätzte, mit einer mittleren Abweichung über 20 %. So oder so ist Fett die Zahl, die du zuerst prüfen solltest.

Gemischte Gerichte und verdecktes Essen

Eine Kamera sieht die oberste Schicht. Shonkoffs Review nennt gemischte Gerichte und sich überlappende Lebensmittel als höheres Risiko, und in der Fridolfsson-Studie sank die Genauigkeit, wenn Gemüse vorn auf dem Teller die Stärke und das Eiweiß dahinter verdeckte. Auch die Erkennung kann scheitern: Dieselbe Arbeit hält fest, dass ein Modell Rührei für Pasta hielt, was den Kohlenhydratwert um 1.788 % verfälschte.

Wie schneidet eine Foto-Schätzung gegenüber dem Handeintragen ab?

Auch Menschen sind keine genaue Vergleichsgröße. Shonkoffs Review verweist auf frühere Arbeiten, die menschliche Schätzungen zwischen 30 % Unterschätzung und 1 % Überschätzung einordnen. Ein weiterer systematischer Review zur Ernährungserfassung im Vergleich zu doppelt markiertem Wasser, der Referenzmethode für die Messung des Energieverbrauchs, enthält eine US-Studie von Park und Kollegen, in der 4-Tage-Ernährungsprotokolle die Energiezufuhr um 18 bis 21 % zu niedrig angaben und Fragebögen zur Verzehrshäufigkeit um 29 bis 34 %.

Ein Foto und ein schriftliches Protokoll verfehlen den Wert also in ähnlicher Größenordnung. Ein Foto erfasst die Mahlzeit in Sekunden, und danach korrigierst du die ein oder zwei Dinge, die es nicht sehen konnte.

Wie genau ist NutriScan?

NutriScan erkennt Lebensmittel mit einer Genauigkeit von 95 % oder mehr, soweit sie in unserer eigenen Lebensmitteldatenbank enthalten sind. Das ist unsere Angabe aus der internen Prüfung der Lebensmitteldaten. Kein Dritter hat sie bestätigt, und sie ist kein Studienergebnis. Außerdem beschreibt sie nur einen Schritt, nämlich das Benennen des Essens. Über die Menge auf dem Teller sagt sie nichts.

Die Grenzen nennen wir auf unserer Seite zu den Datenquellen: Die Portionsgröße ist der schwierige Teil, und ein Gericht außerhalb der Datenbank fällt auf Suche und KI-Schätzung zurück, wo der Fehler größer ist. Deshalb bleibt jede gescannte Mahlzeit bearbeitbar.

Wie bekommst du bessere Ergebnisse von einem Foto-Kalorienzähler?

Diese Schritte ergeben sich daraus, wo die Studien die Fehler gefunden haben. Die fett gedruckten Namen aus der App sind die von NutriScan; die meisten Foto-Tracker haben etwas Ähnliches.

1. Fotografiere von oben, bei gutem Licht und mit dem ganzen Teller im Bild. Die Isobe-Studie nutzte einen Winkel von 90 Grad von oben, und der Tellerrand gibt dem Modell eine Größenreferenz.
2. Verteile das Essen vor dem Foto. Das Modell kann nur zählen, was es sieht.
3. Nenne die Menge, wenn du sie kennst. In NutriScan kannst du vor der Verarbeitung des Scans Textangaben wie Portionsgröße und Namen der Lebensmittel hinzufügen.
4. Sag ihm etwas zum Fett. Setze das Tag Cooking Method (Garmethode) und den Regler Oil/Butter (Öl/Butter: No, Low, Default oder High), damit das Öl, das die Kamera nicht sieht, mitgezählt wird.
5. Korrigiere die Portion danach. Tippe in den Nutrition Details bei einem Lebensmittel auf die Portions-Kapsel, um Menge, Einheit oder Gramm zu ändern. Nutze Type missing item (fehlendes Lebensmittel eintippen) für alles, was der Scan ausgelassen hat, und entferne, was er erfunden hat.
6. Wiege kalorienreiche Lebensmittel einmal ab. Eine Küchenwaage bei Öl, Nüssen, Käse und Reis, eine Woche lang, zeigt deinem Auge, was deine üblichen Portionen wiegen.

Home > + > Scan Meal. Garmethode und Ölmenge sind die zwei Angaben, die ein Foto nicht zeigen kann. Die ganze Anleitung steht in unserem Leitfaden zum Mahlzeitenscan.

Nutrition Details. Jedes Lebensmittel hat seine eigene Portions-Kapsel, und wenn du die Gramm änderst, werden Kalorien und Makros für dieses Lebensmittel neu berechnet.

Sieht ein Ergebnis trotzdem falsch aus, startet Refresh Meal die Analyse noch einmal mit dem Grund, den du wählst, und mit Edit Macros überschreibst du die Summen mit Zahlen von einem Etikett.

Welchen KI-Kalorienzähler solltest du nutzen?

Nimm den, mit dem du Fehler schnell korrigieren kannst. Die NIH-Forschenden und die Isobe-Autoren nennen beide die menschliche Korrektur als den Schritt, der die Lücke schließt. Prüfe drei Dinge, bevor du dich festlegst: ob du die Portion jedes Lebensmittels bearbeiten kannst, ob du Kochfett hinzufügen kannst und woher die Nährwertdaten kommen.

Im kostenlosen Tarif von NutriScan sind 5 Scans pro Woche enthalten, und die App hat über 150.000 Downloads und eine Bewertung von 4,6 Sternen. Für direkte Vergleiche lies unsere Beiträge zu NutriScan als Cal-AI-Alternative, NutriScan vs. SnapCalorie (beide auf Englisch) und zu den besten kostenlosen KI-Kalorientracking-Apps. Wenn du nur ein Tagesziel zum Abgleichen brauchst, liefert dir der Online-Kalorienrechner eines ohne Konto.

Ein Hinweis zur Gesundheit

Kalorienschätzungen dienen dem allgemeinen Tracking. Wenn du Diabetes, eine Essstörung oder eine andere Erkrankung hast, richte dich danach, was deine Ärztin, dein Arzt oder deine Ernährungsberatung dir zu Was und Wie des Trackings rät.

Was fragen Leute sonst noch zu KI-Kalorienzählern?

Wie genau sind KI-Kalorienzähler?

Das hängt von der Mahlzeit ab. Ein systematischer Review von 2023 in den Annals of Medicine, der 52 Studien umfasst, fand durchschnittliche Kalorienfehler von 0,10 % bis 38,3 % gegenüber dem tatsächlichen Wert. Einzelne, einfache Lebensmittel liegen am unteren Ende. Große Portionen, gemischte Gerichte und fettreiche Mahlzeiten liegen am oberen Ende.

Warum unterschätzen KI-Kalorienzähler Kalorien?

In veröffentlichten Tests zeigen sich zwei Gründe. Erstens unterschätzen Modelle große Portionen: In einer Studie von 2025 in Nutrients beurteilte ChatGPT-4 kleine Mahlzeiten richtig, schätzte Mahlzeiten mit 798 g aber im Schnitt auf 530 g. Zweitens ist Kochfett schwer zu sehen. Ein vorläufiger NIH-Test mit vier Apps an 102 gewogenen Mahlzeiten ergab ein um etwa 30 g pro Mahlzeit unterschätztes Fett.

Kann KI die Portionsgröße auf einem Foto erkennen?

Nur grob. Ein einzelnes Foto enthält keine Tiefeninformation, also schließt das Modell die Größe aus Teller, Besteck und dem, wie Essen üblicherweise aussieht. In der Nutrition5k-Studie von Google Research senkten Tiefendaten den Kalorienfehler von 26,1 % auf 16,5 %. Wenn du die Menge eintippst oder die Portion nach dem Scan anpasst, entfällt der größte Teil des Ratens.

Ist ein KI-Kalorienzähler genauer als Handeintragen?

Die veröffentlichten Ergebnisse überlappen. Der Review von 2023 in den Annals of Medicine nennt für menschliche Schätzungen eine Spanne von 30 % Unterschätzung bis 1 % Überschätzung, gegenüber 0,10 % bis 38,3 % durchschnittlichem Fehler bei KI-Methoden. Ein Foto geht schneller, und ein Foto, das du danach von Hand korrigierst, nutzt die Stärken beider Wege.

Wie genau ist NutriScan?

NutriScan erkennt Lebensmittel mit einer Genauigkeit von 95 % oder mehr, soweit sie in der eigenen Lebensmitteldatenbank enthalten sind. Das ist die eigene Angabe von NutriScan aus der internen Prüfung der Lebensmitteldaten. Keine externe Studie hat sie getestet, und sie beschreibt nur das richtige Benennen des Essens. Die Menge auf dem Teller ist eine eigene Schätzung, die du bei jeder Mahlzeit bearbeiten kannst.