¿Qué precisión tienen los contadores de calorías con IA? Lo que midieron los estudios
ChatGPT 
Claude 
AI Mode 
Perplexity 
Un contador de calorías con IA se acerca bastante en un plato simple y bien iluminado, y falla de forma notable en una comida grande, aceitosa o mezclada. Una revisión sistemática de 2023 con 52 estudios, publicada en Annals of Medicine, encontró errores medios en calorías de 0,10 % a 38,3 % frente al valor real. La mayor parte de la diferencia viene del tamaño de la porción y de la grasa que la cámara no ve.
Fuentes comprobadas el 11 de octubre de 2026: una revisión sistemática, cuatro pruebas revisadas por pares y un resumen de congreso, cada una enlazada donde se cita. Cada cifra de abajo es la del propio estudio para su propio conjunto de prueba. Ninguna es un ranking de apps.
Resumen
- Cómo funciona: la app nombra los alimentos de la foto, estima cuánto hay de cada uno y luego busca los valores nutricionales para esa cantidad. Cada paso añade su propio error.
- Qué precisión tiene: la revisión de 2023 de Shonkoff y colegas encontró errores medios en calorías de 0,10 % a 38,3 % entre los métodos de IA, los más bajos en alimentos simples y sueltos.
- Dónde falla: las porciones grandes se subestiman, el aceite de cocción es invisible y los platos mezclados esconden sus ingredientes.
- Frente a las personas: la misma revisión indica estimaciones humanas desde una subestimación del 30 % hasta una sobrestimación del 1 %. Los rangos se solapan.
- Cómo mejorarlo: dile a la app lo que no puede ver (cantidad, forma de cocinar, aceite) y corrige la porción después del escaneo.
¿Cómo estima calorías a partir de una foto un contador de calorías con IA?
Todos los contadores de calorías por foto siguen los mismos tres pasos, sea cual sea la marca.
- Reconocimiento. Un modelo de visión nombra lo que hay en el plato: arroz, pollo a la plancha, un curry.
- Estimación de la porción. El modelo estima el peso o el volumen de cada alimento. La foto del móvil es plana, así que el tamaño hay que deducirlo del plato, los cubiertos y lo que es una ración normal.
- Consulta nutricional. La app multiplica la cantidad estimada por las calorías y macros por gramo de una base de datos de alimentos, o deja que el modelo genere los números directamente.
Los errores se multiplican a lo largo de la cadena. Un nombre correcto con una porción un 40 % más pequeña da un total de calorías un 40 % más pequeño. Una porción correcta asignada al registro equivocado de la base de datos causa el mismo tipo de daño. Nuestra nota sobre los registros de alimentos verificados frente a los de la comunidad (en inglés) trata ese tercer paso.
¿Qué precisión tienen los contadores de calorías con IA en las pruebas publicadas?
Los investigadores prueban estos sistemas fotografiando comidas cuyo contenido se pesó antes y comparando después la estimación con el valor pesado.
| Estudio / Publicado por | Qué se probó | Qué encontraron |
|---|---|---|
| Shonkoff et al., 2023 Tufts University y Merrimack College, Annals of Medicine | Revisión sistemática de 52 estudios de imágenes con IA | Error medio en calorías de 0,10 % a 38,3 %, error de volumen de 0,09 % a 33 % |
| Thames et al., 2021 Google Research, CVPR | Un modelo entrenado con unos 5000 platos de comedor pesados con precisión de 1 g | Error en calorías de 26,1 % con una imagen 2D, 16,5 % con datos de profundidad |
| O'Hara et al., 2025 Royal College of Surgeons in Ireland, Nutrients | 114 fotos de comidas en porciones pequeñas, medianas y grandes, leídas por ChatGPT-4 | Peso subestimado en el 76,3 % de las fotos; diferencia media del 27,8 % |
| Fridolfsson et al., 2025 Current Developments in Nutrition | 52 fotos de comida estandarizadas, tres modelos de IA generales | Error de energía del 35,8 % en dos modelos y del 64,2 % en el tercero |
| Isobe et al., 2026 Nutrients | 15 comidas de hospital pesadas, 10 dietistas frente a 10 modelos de IA | Energía dentro del 10 % en el 86,7 % de las comidas para los dietistas, 73,3 % para el mejor modelo de IA |
El rango es amplio porque las comidas de prueba son distintas. Shonkoff y colegas indican que los errores fueron menores en alimentos simples y sueltos, y mayores en platos mezclados como los currys y en alimentos superpuestos. No pudieron reunir los estudios en una sola cifra porque los métodos variaban demasiado. Solo el 27 % de los estudios usó comida pesada como referencia; el 51 % usó tablas de nutrientes.
La profundidad ayuda. En Nutrition5k, el equipo de Google Research escaneó platos en un montaje con báscula digital y cámara de profundidad. El error absoluto medio de su modelo en calorías fue de 70,6 kcal (26,1 %) con una imagen plana y de 41,3 kcal (16,5 %) cuando se añadió el volumen calculado a partir de la profundidad. La mayoría de las fotos de móvil solo le dan a una app la imagen plana.
Las personas entrenadas siguen por delante en comidas controladas. En el estudio de Isobe, cada comida se fotografió desde justo arriba con iluminación fija. Los dietistas registrados quedaron a menos del 10 % de la energía real en el 86,7 % de las comidas, ChatGPT-4o en el 73,3 % y Gemini 1.5 Pro en el 60,0 %. Los autores recomiendan mantener a una persona en el proceso y añadir detalles de cocción a la foto.
¿Y las apps de calorías en sí?
La mayoría de las pruebas publicadas usan modelos de investigación o chatbots generales. Hasta ahora existe una prueba de apps de consumo, y no ha sido revisada por pares. En NUTRITION 2026, la reunión de la American Society for Nutrition de julio de 2026, investigadores del National Institute of Diabetes and Digestive and Kidney Diseases de EE. UU. presentaron un resumen en el que 102 comidas de una cocina metabólica, con los ingredientes pesados a 0,1 g, se fotografiaron y se pasaron por cuatro apps: MyFitnessPal, LoseIt!, CalAI y Appediet.
Las cuatro subestimaron las calorías, en torno a 250 a 345 kcal por comida de media, y la grasa en unos 30 g. Los carbohidratos se estimaron de forma más consistente, y las comidas cetogénicas ricas en grasa fueron las más difíciles. Trata estas cifras como preliminares hasta que salga el artículo completo. El consejo de los propios investigadores en el comunicado (traducido del inglés): "Quien use una app de seguimiento por foto sin ajustar las porciones ni introducir las cantidades de comida debería tomarse los resultados con pinzas."
¿Dónde fallan las estimaciones de calorías por foto?
Tamaño de la porción
La porción es la mayor fuente de error por sí sola, y en las comidas grandes el error va en una sola dirección. En el estudio de O'Hara del Royal College of Surgeons in Ireland, que usó tamaños de porción de la Encuesta Nacional de Nutrición de Adultos de Irlanda, ChatGPT-4 estimó bien las comidas pequeñas (408 g reales frente a 431 g estimados). Las comidas medianas de 581 g se juzgaron en 426 g, y las grandes de 798 g en 530 g.
Fridolfsson y colegas encontraron la misma pendiente en ChatGPT-4o, Claude 3.5 Sonnet y Gemini 1.5 Pro: cuanto mayor la porción, mayor la subestimación. En un caso, una ración de 480 g de curry de lentejas se estimó en 255 g.
Aceite y grasa ocultos
Una cucharada de aceite absorbida por el arroz o mezclada en una salsa casi no deja rastro visual, y la grasa aporta más del doble de calorías por gramo que los carbohidratos o las proteínas. La grasa es también donde más discrepan los estudios. El resumen del NIH encontró que las cuatro apps subestimaban la grasa en unos 30 g por comida. El estudio de Isobe encontró que todos los modelos de IA sobrestimaban la grasa en las comidas de hospital, con un sesgo medio superior al 20 %. De un modo u otro, la grasa es la cifra que conviene revisar primero.
Platos mezclados y comida tapada
Una cámara ve la capa de arriba. La revisión de Shonkoff señala los platos mezclados y los alimentos superpuestos como de mayor riesgo, y el estudio de Fridolfsson vio caer la precisión cuando las verduras del frente del plato tapaban el almidón y la proteína de detrás. El reconocimiento también puede fallar: el mismo artículo registra un modelo que leyó huevos revueltos como pasta, lo que descuadró la cifra de carbohidratos en un 1788 %.
¿Cómo se compara una estimación por foto con registrar a mano?
Las personas tampoco son una referencia precisa. La revisión de Shonkoff cita trabajos anteriores que sitúan la estimación humana entre una subestimación del 30 % y una sobrestimación del 1 %. Otra revisión sistemática sobre la evaluación de la dieta frente al agua doblemente marcada, el método de referencia para medir el gasto de energía, incluye un estudio estadounidense de Park y colegas en el que los registros de comida de 4 días subdeclaraban la ingesta de energía entre un 18 y un 21 %, y los cuestionarios de frecuencia de consumo entre un 29 y un 34 %.
Así que una foto y un registro escrito fallan en un rango parecido. Una foto captura la comida en segundos, y luego corriges las una o dos cosas que no pudo ver.
¿Qué precisión tiene NutriScan?
NutriScan identifica los alimentos con una precisión del 95 % o más en los productos que cubre nuestra propia base de datos de alimentos. Es nuestra cifra, obtenida de la verificación interna de datos de alimentos. Ningún tercero la ha certificado y no es el resultado de un estudio. Además, describe un solo paso, nombrar la comida. No dice nada de cuánta comida hay en el plato.
Explicamos los límites en nuestra página de fuentes de datos: el tamaño de la porción es la parte difícil, y un plato fuera de la base de datos recurre a la búsqueda y a la estimación por IA, donde el error es mayor. Por eso cada comida escaneada se puede editar.
¿Cómo conseguir mejores resultados con un contador de calorías por foto?
Estos pasos salen de los puntos donde los estudios encontraron los errores. Los nombres en negrita de la app son los de NutriScan; la mayoría de los trackers por foto tienen algo parecido.
- Fotografía desde arriba, con buena luz y el plato entero en el encuadre. El estudio de Isobe usó un ángulo de 90 grados desde arriba, y el borde del plato le da al modelo una referencia de tamaño.
- Extiende la comida antes de la foto. El modelo solo puede contar lo que ve.
- Di cuánto hay, si lo sabes. En NutriScan puedes añadir detalles en texto, como el tamaño de la porción y el nombre de los alimentos, antes de que se procese el escaneo.
- Cuéntale lo de la grasa. Ajusta la etiqueta Cooking Method (forma de cocinar) y el control Oil/Butter (aceite/mantequilla: No, Low, Default o High) para que se cuente el aceite que la cámara no ve.
- Corrige la porción después. Toca la píldora de porción de cualquier alimento en Nutrition Details para cambiar la cantidad, la unidad o los gramos. Usa Type missing item (escribir alimento que falta) para lo que el escaneo omitió y quita lo que se inventó.
- Pesa una vez los alimentos con muchas calorías. Una báscula de cocina con el aceite, los frutos secos, el queso y el arroz durante una semana le enseña a tu ojo cuánto pesan tus porciones habituales.
Home > + > Scan Meal. La forma de cocinar y la cantidad de aceite son los dos detalles que una foto no puede mostrar. La guía completa está en nuestra guía de escaneo de comidas.
Nutrition Details. Cada alimento tiene su propia píldora de porción, y al cambiar los gramos se recalculan las calorías y los macros de ese alimento.
Si un resultado sigue pareciendo raro, Refresh Meal vuelve a ejecutar el análisis con el motivo que elijas, y Edit Macros te deja sobrescribir los totales con los números de una etiqueta.
¿Qué contador de calorías con IA deberías usar?
Elige el que te deje corregirlo rápido. Los investigadores del NIH y los autores de Isobe señalan la corrección humana como el paso que cierra la brecha. Comprueba tres cosas antes de decidirte: si puedes editar la porción de cada alimento, si puedes añadir la grasa de cocción y de dónde salen los datos nutricionales.
El plan gratuito de NutriScan incluye 5 escaneos a la semana, y la app tiene más de 150 000 descargas y una valoración de 4,6 estrellas. Para comparaciones directas, mira nuestros artículos sobre NutriScan como alternativa a Cal AI, NutriScan frente a SnapCalorie (ambos en inglés) y las mejores apps gratuitas de seguimiento de calorías con IA. Si solo necesitas un objetivo diario para hacer seguimiento, la calculadora de calorías online te da uno sin cuenta.
Una nota sobre la salud
Las estimaciones de calorías sirven para el seguimiento general. Si tienes diabetes, un trastorno de la conducta alimentaria u otra condición médica, sigue el consejo de tu médico o dietista sobre qué registrar y cómo.
¿Qué más se pregunta sobre los contadores de calorías con IA?
¿Qué precisión tienen los contadores de calorías con IA?
Depende de la comida. Una revisión sistemática de 2023 en Annals of Medicine, que cubre 52 estudios, encontró errores medios en calorías de 0,10 % a 38,3 % frente al valor real. Los alimentos simples y sueltos están en el extremo bajo. Las porciones grandes, los platos mezclados y las comidas ricas en grasa están en el extremo alto.
¿Por qué los contadores de calorías con IA subestiman las calorías?
En las pruebas publicadas aparecen dos motivos. Primero, los modelos subestiman las porciones grandes: en un estudio de 2025 en Nutrients, ChatGPT-4 juzgó bien las comidas pequeñas, pero estimó en 530 g, de media, las comidas de 798 g. Segundo, la grasa de cocción es difícil de ver. Una prueba preliminar del NIH con cuatro apps y 102 comidas pesadas encontró la grasa subestimada en unos 30 g por comida.
¿Puede la IA calcular el tamaño de la porción a partir de una foto?
Solo de forma aproximada. Una sola foto no tiene información de profundidad, así que el modelo deduce el tamaño por el plato, los cubiertos y el aspecto habitual de la comida. En el estudio Nutrition5k de Google Research, añadir datos de profundidad redujo el error en calorías de 26,1 % a 16,5 %. Escribir la cantidad, o ajustar la porción después del escaneo, elimina la mayor parte de esa suposición.
¿Es un contador de calorías con IA más preciso que registrar a mano?
Los resultados publicados se solapan. La revisión de 2023 en Annals of Medicine indica que la estimación humana va de una subestimación del 30 % a una sobrestimación del 1 %, frente a un error medio de 0,10 % a 38,3 % en los métodos de IA. Una foto es más rápida, y una foto que luego corriges a mano aprovecha lo mejor de ambas.
¿Qué precisión tiene NutriScan?
NutriScan identifica los alimentos con una precisión del 95 % o más en los productos que cubre su propia base de datos de alimentos. Es la cifra propia de NutriScan, obtenida de la verificación interna de datos de alimentos. Ningún estudio externo la ha probado, y describe solo el hecho de nombrar bien la comida. La cantidad que hay en el plato es una estimación aparte que puedes editar en cada comida.
