Contadores de calorías con IA: ¿son precisos? Estudio de los NIH

Actualizado el 11 de octubre de 2026: añadimos estudios sobre ChatGPT, Claude y Gemini con fotos de comida, y el resumen publicado del estudio de los NIH.

Sacarle una foto al plato y obtener las calorías en segundos parece casi magia. Además, hace que llevar el registro sea mucho menos pesado, porque escribir cada ingrediente cansa enseguida. Pero la comodidad solo sirve si la cifra se acerca a la realidad.

En julio de 2026, investigadores de los Institutos Nacionales de Salud de EE. UU. (NIH) presentaron lo que describieron como la primera comparación directa y de alta calidad de este tipo. La versión breve: por sí solas, las estimaciones por foto se quedaron cortas, sobre todo por culpa de la grasa. La versión larga es más útil, porque los errores más grandes son también los que más fácil te resultará corregir.

Qué analizó el estudio de los NIH

El estudio es obra de científicos del Instituto Nacional de Diabetes y Enfermedades Digestivas y Renales (NIDDK) y se presentó en NUTRITION 2026, el congreso anual de la American Society for Nutrition (la Sociedad Estadounidense de Nutrición), según el anuncio de la propia sociedad. Su resumen, firmado por Olivia Charles y sus colegas, está publicado en Current Developments in Nutrition (doi:10.1016/j.cdnut.2026.108738).

Las comidas de prueba procedían de un estudio más amplio del Centro Clínico de los NIH que comparaba una dieta cetogénica baja en carbohidratos con una dieta estándar. Se prepararon en una cocina metabólica, donde los ingredientes se pesan con una precisión de 0,1 gramos, así que los investigadores sabían exactamente qué había en cada plato. Pasaron fotos estandarizadas de 102 de esas comidas por las funciones de foto de cuatro apps: MyFitnessPal, Lose It!, Cal AI y Appediet.

Una advertencia importante: se trataba de un resumen presentado en un congreso. Los organizadores señalan que este tipo de resultados no ha pasado aún la revisión por pares completa que exige la publicación en una revista científica y que deben considerarse preliminares.

Qué encontraron los investigadores

Las cuatro apps se quedaron cortas: de media, entre unas 250 y 345 calorías por comida, es decir, aproximadamente un tercio. Healio publicó la media de cada app:

Hay otros resultados que llaman la atención:

• La grasa fue el gran fallo. Las cuatro apps subestimaron la grasa en unos 30 gramos por comida.
• Los carbohidratos, más estables. Las estimaciones de carbohidratos fueron más uniformes que las de otros macronutrientes, aunque Lose It! y Cal AI los subestimaron aun así en unos 14 gramos.
• El tamaño de la comida influyó en algunas apps. MyFitnessPal y Lose It! estimaron con más precisión las comidas más calóricas que las menos calóricas.
• Las comidas ricas en grasa parecieron las más difíciles. En un análisis posterior de más de 200 comidas adicionales, los primeros resultados indicaron que a las apps les costaban más las comidas cetogénicas, probablemente porque su mayor contenido en grasa se subestimaba de forma sistemática.

Las apps se actualizan a menudo, así que estos resultados describen las versiones analizadas en este estudio, no necesariamente cómo funciona hoy cada app. Calorix no formó parte del estudio, y no damos por hecho que una estimación basada solo en una foto, venga de la app que venga (incluida la nuestra), se libre de los mismos problemas.

El consejo de Aaron Hengist, uno de los investigadores, fue claro: quienes usen una app basada en fotos «sin ajustar las porciones ni introducir las cantidades de comida deberían tomarse los resultados con pinzas».

No es solo un problema de la IA

Conviene comparar las apps con la alternativa habitual: que cada persona haga sus propias estimaciones. Los investigadores señalaron que subestimar en un tercio es parecido a lo que se ha observado en las dietas autodeclaradas.

Encaja con décadas de investigación. En el estudio OPEN, que contrastó lo que declaraban 484 adultos con biomarcadores objetivos, las encuestas de recordatorio de 24 horas subestimaron la ingesta energética entre un 12 y un 20 % aproximadamente, y los cuestionarios de frecuencia de consumo, en torno a un tercio. Una revisión sistemática de 2019 de 59 estudios con agua doblemente marcada encontró que la mayoría mostraba una infradeclaración significativa, incluidos los estudios con métodos basados en tecnología.

Las fotos no lo resuelven por arte de magia. Un metaanálisis de 2020 observó que la evaluación de la dieta a partir de imágenes también tendía a subestimar la ingesta energética y concluyó que, como los métodos tradicionales, tiene un error de medición importante. Una revisión sistemática de 2023 sobre métodos de IA totalmente automatizados halló errores medios en las calorías que iban desde menos del 1 % hasta cerca del 38 % según el estudio, con errores menores en imágenes de alimentos sencillos y servidos solos.

Aun así, hay un detalle esperanzador. Con el método de fotografía de alimentos a distancia, en el que los investigadores estimaban la ingesta a partir de fotos de cada comida y de sus sobras, las estimaciones se desviaron solo entre un 5 y un 7 %, aproximadamente, de la ingesta pesada (y aun así quedaron algo por debajo). Las fotos pueden funcionar bien cuando una persona las revisa con atención, y esa revisión es justo lo que dejó fuera la prueba de los NIH.

El comentario que acompañaba la noticia de Healio hacía otra observación que conviene recordar: una subestimación sistemática importa más que un error aleatorio. Los errores aleatorios se compensan en parte a lo largo de una semana; un sesgo en una sola dirección no deja de acumularse.

¿Y ChatGPT y otros chatbots de IA?

Los modelos de IA generalistas cometen el mismo tipo de errores. En un estudio de 2025 con 52 fotos de comida estandarizadas, ChatGPT-4o y Claude 3.5 Sonnet se desviaron un 35,8 % de media en las calorías, y Gemini 1.5 Pro, un 64,2 %; los tres se quedaron más cortos a medida que crecían las porciones. En otro estudio de 2025, ChatGPT-4 identificó el 93 % de los alimentos de 114 fotos de comidas, pero subestimó el peso de las comidas medianas y grandes. Y los detalles que le das importan: cuando se le indicaron la grasa de cocinar y las cantidades de los ingredientes, el error medio de ChatGPT-5 en las calorías de 195 platos bajó del 30,5 % al 13,9 % (estudio de 2025). Tienes más información en ¿Puede ChatGPT contar calorías con fotos? y, en apps para contar calorías con foto, un repaso de lo que afirma cada app de fotos sobre su precisión.

Por qué fallan las estimaciones por foto

Grasas ocultas

El arroz y las verduras absorben el aceite. La mantequilla se derrite en las salsas. El aliño o aderezo cubre cada hoja. La cámara no ve nada de eso, y la grasa es muy calórica: USDA FoodData Central, la base de datos de alimentos del Departamento de Agricultura de EE. UU., indica que una cucharada de aceite de oliva tiene 13,5 gramos de grasa y 119 calorías. La diferencia de unos 30 gramos de grasa del estudio de los NIH es algo más que la grasa de dos cucharadas de aceite.

La profundidad de la porción

Una foto es plana. Desde arriba, una capa fina de pasta y un cuenco hondo lleno pueden parecer casi iguales. En un estudio de 2025, los adultos que emparejaron porciones reales de arroz con fotos tendían a subestimarlas en las fotos tomadas desde arriba, porque desde arriba cuesta ver la altura del arroz en el cuenco. Las fotos tomadas a 45 grados fueron las que mejor funcionaron con los alimentos sólidos.

Platos combinados

Los currys, los guisos al horno, los burritos y los sándwiches esconden ingredientes unos dentro o debajo de otros. La IA tiene que adivinar la receta además de la cantidad. No por casualidad, la revisión de 2023 encontró errores menores en imágenes de alimentos sencillos y servidos solos.

Luz y ángulo

Los especialistas en análisis de imagen señalan que los cambios de iluminación y de punto de vista alteran el aspecto de los alimentos, lo que los hace más difíciles de identificar. La luz tenue de un restaurante, las sombras marcadas y los ángulos poco habituales añaden incertidumbre.

Cómo conseguir mejores estimaciones

No hace falta pesarlo todo para mejorar mucho una estimación por foto sin revisar. Estos hábitos atacan los errores anteriores:

• Añade una nota al escanear. Cuéntale a la app lo que no puede ver: «cocinado con mantequilla», «con aliño extra», «media porción».
• Revisa las porciones, no solo el total. Mira los gramos de cada ingrediente y corrige lo que no cuadre, empezando por lo más calórico.
• Registra las grasas por separado. Añade el aceite, la mantequilla, la mayonesa o el aliño como un ingrediente aparte para que no desaparezca dentro del plato.
• Usa el código de barras y la etiqueta con los envasados. La etiqueta te da las cifras del fabricante, así que no hay nada que adivinar a partir de una foto.
• Pesa de vez en cuando. Una semana pesando tu cucharón de arroz habitual, tu tazón de cereales o tu chorrito de aceite recalibra el ojo. Por algo las comidas pesadas con precisión fueron la referencia de los investigadores de los NIH.
• Mejora tus fotos. Buena luz, el plato entero en el encuadre y un ángulo de 45 grados ayudan. Nuestra guía para calcular porciones con una foto lo explica en detalle.
• Cuenta con más grasa cuando cocina otra persona. Suele ser la gran incógnita de una comida de restaurante. Consulta cómo registrar comidas de restaurante.

Cómo aborda Calorix este problema

Creamos el escáner con IA de Calorix partiendo de que toda estimación por foto es un primer borrador. En lugar de una sola cifra, cada escaneo abre una tarjeta de revisión con cada ingrediente, su porción, sus gramos, sus calorías y un indicador de certeza, para que veas dónde está menos segura la estimación.

A partir de ahí puedes:

• editar nombres, porciones y gramos, o añadir y quitar ingredientes
• usar el deslizador de la ración (½, 1, 1½ o 2) cuando hayas comido más o menos de lo que muestra la foto
• tocar Corregir con IA y escribir o decir una corrección, como «sin arroz, añade 2 huevos», y revisar los cambios propuestos antes de aceptarlos
• añadir una nota como «cocinado con mantequilla» y volver a analizar la foto guardada
• cambiar cualquier valor a mano, con el original de la IA guardado para que puedas volver a él

Los totales siempre se recalculan a partir de los ingredientes, así que la corrección de un elemento se refleja al instante en tus calorías y macros del día. Con los productos envasados, escanear el código de barras o la etiqueta nutricional te ahorra las suposiciones.

Para que quede claro lo que no afirmamos: no hemos demostrado que Calorix sea más preciso que las apps de este estudio. Lo que sí consigue su diseño es que la estimación sea transparente y rápida de corregir, que es justo el paso que señalaron los investigadores de los NIH.

En resumen

Registrar con fotos e IA es una forma rápida de obtener un primer borrador razonable, pero por sí solo tiende a quedarse corto, sobre todo con platos aceitosos, con mantequilla o combinados. Considera cada estimación por foto un punto de partida: revisa las porciones, añade las grasas que sabes que están ahí y usa el código de barras con todo lo que tenga etiqueta.

Las pequeñas correcciones suman. Si lo que comes supera en unos cientos de calorías lo que dice tu registro, el plan que te has hecho no se ajustará a la realidad, y es fácil culparte a ti en lugar de a la estimación. Un registro realista, junto con un objetivo realista de nuestra calculadora de TDEE, te da cifras con las que de verdad puedes trabajar.