Wie genau sind KI-Kalorienzähler? Was eine NIH-Studie 2026 zeigt

Aktualisiert am 11. Oktober 2026: Studien zu ChatGPT, Claude und Gemini bei Essensfotos und das veröffentlichte Abstract der NIH-Studie ergänzt.

Ein Foto vom Teller, und in Sekunden steht die Kalorienzahl da: Das fühlt sich ein bisschen wie Zauberei an. Es macht das Tracken auch viel weniger mühsam, denn jede Zutat einzutippen, nervt schnell. Doch Bequemlichkeit hilft nur, wenn die Zahl ungefähr stimmt. Wie genau sind KI-Kalorienzähler also wirklich?

Im Juli 2026 stellten Forschende der National Institutes of Health (NIH), der zentralen medizinischen Forschungsbehörde der USA, den nach ihrer Beschreibung ersten direkten, hochwertigen Vergleich dieser Art vor. Die Kurzfassung: Ohne Nachbesserung lagen die Fotoschätzungen zu niedrig, vor allem wegen des Fetts. Die ausführliche Fassung ist nützlicher, denn die größten Fehler sind auch die, die du am leichtesten selbst korrigieren kannst.

Was die NIH-Studie getestet hat

Die Studie stammt von Forschenden des National Institute of Diabetes and Digestive and Kidney Diseases (NIDDK) und wurde laut Mitteilung der Fachgesellschaft auf der NUTRITION 2026 vorgestellt, der Jahrestagung der American Society for Nutrition. Das Abstract von Olivia Charles und ihrem Team ist in der Fachzeitschrift Current Developments in Nutrition erschienen (doi:10.1016/j.cdnut.2026.108738).

Die Testmahlzeiten stammten aus einer größeren Studie des NIH Clinical Center, die eine kohlenhydratarme ketogene Ernährung mit einer Standardernährung verglich. Sie wurden in einer Stoffwechselküche zubereitet, in der Zutaten auf 0,1 Gramm genau abgewogen werden. Die Forschenden wussten also genau, was auf jedem Teller lag. Standardisierte Fotos von 102 dieser Mahlzeiten ließen sie von den Fotofunktionen dieser vier Apps auswerten: MyFitnessPal, Lose It!, Cal AI und Appediet.

Eine wichtige Einschränkung: Es handelte sich um ein Kongress-Abstract. Die Veranstalter weisen darauf hin, dass solche Ergebnisse noch nicht das vollständige Peer-Review durchlaufen haben, das für eine Veröffentlichung in einer Fachzeitschrift nötig ist, und als vorläufig gelten sollten.

Was die Forschenden herausfanden

Alle vier Apps unterschätzten die Kalorien, im Schnitt um etwa 250 bis 345 Kalorien pro Mahlzeit, also rund ein Drittel. Das US-Fachportal Healio nannte den Durchschnitt für jede App:

Ein paar weitere Ergebnisse fallen auf:

• Beim Fett lagen die Apps am weitesten daneben. Alle vier unterschätzten das Fett um etwa 30 Gramm pro Mahlzeit.
• Kohlenhydrate waren stabiler. Die Schätzungen für Kohlenhydrate waren konsistenter als die für andere Makronährstoffe, auch wenn Lose It! und Cal AI die Kohlenhydrate trotzdem um etwa 14 Gramm unterschätzten.
• Bei manchen Apps spielte die Größe der Mahlzeit eine Rolle. MyFitnessPal und Lose It! schätzten kalorienreichere Mahlzeiten genauer als kalorienärmere.
• Fettreiche Mahlzeiten schienen am schwierigsten. Bei einer Folgeauswertung mit mehr als 200 weiteren Mahlzeiten deuteten erste Ergebnisse darauf hin, dass die Apps mit ketogenen Mahlzeiten mehr Mühe hatten, vermutlich weil ihr höherer Fettgehalt durchgehend unterschätzt wurde.

Apps werden oft aktualisiert. Diese Ergebnisse beschreiben also die für die Studie getesteten Versionen, nicht unbedingt, wie gut jede App heute abschneidet. Calorix war nicht Teil der Studie, und wir gehen nicht davon aus, dass eine reine Fotoschätzung irgendeiner App, unsere eingeschlossen, von denselben Problemen verschont bliebe.

Der Rat von Aaron Hengist, einem der Forschenden, war deutlich: Wer eine Foto-App nutzt, „ohne die Portionen anzupassen oder die Mengen einzugeben“, sollte die Ergebnisse „mit Vorsicht genießen“.

Das ist nicht nur ein KI-Problem

Es hilft, die Apps mit der üblichen Alternative zu vergleichen: Menschen, die selbst schätzen. Die Forschenden wiesen darauf hin, dass eine Unterschätzung um ein Drittel in etwa dem entspricht, was für selbst berichtete Ernährungsangaben bekannt ist.

Das passt zu jahrzehntelanger Forschung. In der OPEN-Studie, die die Selbstauskünfte von 484 Erwachsenen mit objektiven Biomarkern abglich, wurde die Energiezufuhr in 24-Stunden-Erinnerungsprotokollen um etwa 12 bis 20 % zu niedrig angegeben, in Verzehrhäufigkeitsfragebögen um rund ein Drittel. Eine systematische Übersichtsarbeit von 2019 über 59 Studien mit der Methode des doppelt markierten Wassers ergab, dass die meisten eine signifikante Untererfassung feststellten, auch Studien zu technologiegestützten Methoden.

Fotos lösen das nicht automatisch. Eine Metaanalyse von 2020 ergab, dass auch bildbasierte Ernährungserhebungen die Energiezufuhr tendenziell zu niedrig erfassten, und kam zu dem Schluss, dass sie wie herkömmliche Methoden mit erheblichen Messfehlern behaftet sind. Eine systematische Übersichtsarbeit von 2023 zu vollautomatischen KI-Methoden fand je nach Studie durchschnittliche Kalorienfehler von unter 1 % bis etwa 38 %, mit kleineren Fehlern bei Bildern einzelner, einfacher Lebensmittel.

Einen Lichtblick gibt es allerdings. Bei der Remote Food Photography Method, bei der Forschende die Nahrungsaufnahme anhand von Fotos jeder Mahlzeit und ihrer Reste schätzten, wichen die Schätzungen nur um etwa 5 bis 7 % von der abgewogenen Verzehrmenge ab (lagen aber immer noch leicht zu niedrig). Fotos können gut funktionieren, wenn ein Mensch sie sorgfältig prüft, und genau diese Prüfung fehlte im NIH-Test.

Der Kommentar zum Healio-Bericht enthielt noch einen Hinweis, den man sich merken sollte: Eine systematische Unterschätzung wiegt schwerer als zufällige Fehler. Zufällige Fehler gleichen sich über eine Woche teilweise aus; eine Verzerrung in eine Richtung summiert sich immer weiter.

Und was ist mit ChatGPT und anderen KI-Chatbots?

Allgemeine KI-Modelle machen dieselbe Art von Fehlern. In einer Studie von 2025 mit 52 standardisierten Essensfotos lagen ChatGPT-4o und Claude 3.5 Sonnet bei den Kalorien im Schnitt um 35,8 % daneben, Gemini 1.5 Pro um 64,2 %, und alle drei unterschätzten umso stärker, je größer die Portionen waren. In einer weiteren Studie von 2025 erkannte ChatGPT-4 auf 114 Mahlzeitenfotos 93 % der Lebensmittel, unterschätzte aber das Gewicht mittelgroßer und großer Mahlzeiten. Und es kommt auf deine Angaben an: Kannte ChatGPT-5 das Bratfett und die Zutatenmengen, sank sein durchschnittlicher Kalorienfehler bei 195 Gerichten von 30,5 % auf 13,9 % (Studie von 2025). Mehr dazu in unserem Ratgeber, ob ChatGPT Kalorien auf einem Foto zählen kann. Wie die einzelnen Foto-Apps ihre Genauigkeit bewerben, zeigt unser Vergleich von Apps, die Kalorien per Foto zählen.

Warum Fotoschätzungen danebenliegen

Verstecktes Fett

Öl zieht in Reis und Gemüse ein. Butter schmilzt in Soßen. Dressing überzieht jedes Salatblatt. Eine Kamera sieht nichts davon, und Fett ist kalorienreich: USDA FoodData Central, die Nährwertdatenbank des US-Landwirtschaftsministeriums, gibt für einen Esslöffel Olivenöl 13,5 Gramm Fett und 119 Kalorien an. Die Fettlücke von rund 30 Gramm in der NIH-Studie ist etwas mehr als das Fett in zwei Esslöffeln Öl.

Portionshöhe

Ein Foto ist flach. Direkt von oben fotografiert, können eine dünne Schicht Nudeln und eine tiefe Schüssel voll fast gleich aussehen. In einer Studie von 2025 unterschätzten Erwachsene, die echte Reisportionen Fotos zuordneten, die Portionen bei Aufnahmen von oben, weil die Höhe des Reises in der Schüssel von oben schwer zu erkennen ist. Fotos im 45-Grad-Winkel schnitten bei festen Lebensmitteln am besten ab.

Gemischte Gerichte

In Currys, Aufläufen, Burritos und Sandwiches verstecken sich Zutaten im Inneren oder untereinander. Die KI muss nicht nur die Menge, sondern auch das Rezept erraten. Passend dazu fand die Übersichtsarbeit von 2023 kleinere Fehler bei Bildern einzelner, einfacher Lebensmittel.

Licht und Blickwinkel

Fachleute für Bildverarbeitung weisen darauf hin, dass Beleuchtung und Blickwinkel das Aussehen von Lebensmitteln verändern, was sie schwerer erkennbar macht. Schummriges Restaurantlicht, harte Schatten und ungewöhnliche Winkel erhöhen die Unsicherheit.

So bekommst du bessere Schätzungen

Du musst nicht alles abwiegen, um deutlich besser zu liegen als mit einer unbearbeiteten Fotoschätzung. Diese Gewohnheiten setzen genau bei den Fehlern oben an:

• Füg beim Scannen eine Notiz hinzu. Sag der App, was sie nicht sehen kann: „in Butter gebraten“, „extra Dressing“, „halbe Portion“.
• Prüf die Portionen, nicht nur die Summe. Schau dir die Grammzahl jeder Zutat an und korrigiere alles, was nicht stimmt, angefangen bei den kalorienreichen Zutaten.
• Trag Fette als eigene Zeile ein. Füg Öl, Butter, Mayo oder Dressing als separate Zutat hinzu, damit sie nicht im Gericht verschwinden.
• Nutze Barcode und Nährwerttabelle für Verpacktes. Die Nährwerttabelle liefert dir die Angaben des Herstellers, du musst also nichts anhand eines Fotos schätzen.
• Wieg ab und zu. Eine Woche lang deine übliche Portion Reis, deine Schale Müsli oder deinen Schuss Öl abzuwiegen, kalibriert dein Auge neu. Nicht ohne Grund dienten exakt abgewogene Mahlzeiten den NIH-Forschenden als Referenz.
• Mach ein besseres Foto. Gutes Licht, der ganze Teller im Bild und ein Winkel von 45 Grad helfen. Unser Ratgeber Portionen per Foto schätzen erklärt das im Detail.
• Rechne mit mehr Fett, wenn jemand anderes kocht. Es ist meist die größte Unbekannte bei einem Restaurantessen. Mehr dazu in unserem Ratgeber zum Tracken von Restaurant-Essen.

Wie Calorix auf das Problem ausgelegt ist

Wir haben den KI-Scanner von Calorix unter der Annahme gebaut, dass jede Fotoschätzung ein erster Entwurf ist. Statt einer einzelnen Zahl öffnet ein Scan eine Ergebniskarte, die jede Zutat mit Portion, Gramm, Kalorien und einer Markierung zeigt, wie sicher sich die KI ist. So siehst du, wo die Schätzung am unsichersten ist.

Dort kannst du:

• Namen, Portionen und Grammzahlen bearbeiten oder Zutaten hinzufügen und entfernen
• den Portionsregler (½, 1, 1½ oder 2) nutzen, wenn du mehr oder weniger gegessen hast, als das Foto zeigt
• auf „Mit KI korrigieren“ tippen und eine Korrektur eintippen oder sagen, etwa „ohne Reis, 2 Eier dazu“, und die vorgeschlagenen Änderungen prüfen, bevor du sie übernimmst
• eine Notiz wie „in Butter gebraten“ hinzufügen und das gespeicherte Foto neu analysieren lassen
• jeden Wert von Hand überschreiben, wobei der ursprüngliche KI-Wert erhalten bleibt, damit du zu ihm zurückkehren kannst

Die Summen werden immer aus den Zutaten neu berechnet, also fließt eine Korrektur an einer Zutat direkt in deine Kalorien und Makros des Tages ein. Bei verpackten Lebensmitteln ersparen dir Barcode- und Nährwerttabellen-Scan das Raten.

Damit klar ist, was wir nicht behaupten: Wir haben nicht gezeigt, dass Calorix genauer ist als die Apps in dieser Studie. Das Design macht die Schätzung aber transparent und schnell korrigierbar, und genau auf diesen Schritt haben die NIH-Forschenden hingewiesen.

Das Fazit

KI-Fototracking liefert schnell einen brauchbaren ersten Entwurf, liegt für sich genommen aber eher zu niedrig, vor allem bei öligen, buttrigen und gemischten Gerichten. Sieh jede Fotoschätzung als Ausgangspunkt: Prüf die Portionen, ergänze die Fette, von denen du weißt, dass sie drin sind, und nutze Barcodes für alles mit Etikett.

Kleine Korrekturen summieren sich. Wenn du ein paar Hundert Kalorien mehr isst, als in deinem Tagebuch steht, passt dein Plan nicht zur Wirklichkeit, und schnell gibst du dir selbst die Schuld statt der Schätzung. Ein realistisches Tagebuch und ein realistisches Ziel aus unserem Kalorienbedarfsrechner liefern dir Zahlen, mit denen du wirklich arbeiten kannst.