App conta calorie con IA: quanto sono precise? Lo studio NIH 2026

Aggiornato l’11 ottobre 2026: abbiamo aggiunto gli studi su ChatGPT, Claude e Gemini alle prese con le foto di cibo e l’abstract pubblicato dello studio dei NIH.

Fotografare il piatto e ottenere il conteggio delle calorie in pochi secondi sembra quasi una magia. Rende anche il monitoraggio molto meno noioso, perché inserire ogni ingrediente a mano stanca in fretta. Ma la comodità serve solo se il numero si avvicina a quello reale: quanto sono precise, allora, le app conta calorie con IA?

A luglio 2026, i ricercatori dei National Institutes of Health (NIH), l’agenzia federale statunitense per la ricerca biomedica, hanno presentato quello che hanno descritto come il primo confronto diretto e di alta qualità di questo tipo. In breve: da sole, le stime basate sulle foto erano troppo basse, soprattutto a causa dei grassi. La versione lunga è più utile, perché gli errori più grandi sono anche i più facili da correggere.

Cosa ha testato lo studio dei NIH

Lo studio è stato condotto da scienziati del National Institute of Diabetes and Digestive and Kidney Diseases (NIDDK) ed è stato presentato a NUTRITION 2026, il congresso annuale dell’American Society for Nutrition, secondo l’annuncio della società. Il suo abstract, firmato da Olivia Charles e colleghi, è pubblicato su Current Developments in Nutrition (doi:10.1016/j.cdnut.2026.108738).

I pasti del test provenivano da uno studio più ampio del NIH Clinical Center che confrontava una dieta chetogenica a basso contenuto di carboidrati con una dieta standard. Erano stati preparati in una cucina metabolica, dove gli ingredienti vengono pesati al decimo di grammo (0,1 g), quindi i ricercatori sapevano esattamente cosa c’era in ogni piatto. Hanno poi sottoposto foto standardizzate di 102 di questi pasti alle funzioni di stima da foto di quattro app: MyFitnessPal, Lose It!, Cal AI e Appediet.

Una precisazione importante: si trattava di un abstract presentato a un congresso. Gli organizzatori ricordano che risultati di questo tipo non hanno ancora superato la revisione paritaria completa richiesta per la pubblicazione su una rivista scientifica e vanno considerati preliminari.

Cosa hanno scoperto i ricercatori

Tutte e quattro le app hanno sottostimato l’apporto calorico, in media di circa 250–345 calorie a pasto, più o meno un terzo. Healio ha riportato la media di ciascuna app:

Spiccano anche altri risultati:

• I grassi erano l’errore più grande. Tutte e quattro le app hanno sottostimato i grassi di circa 30 grammi a pasto.
• I carboidrati erano più stabili. Le stime dei carboidrati erano più coerenti di quelle degli altri macronutrienti, anche se Lose It! e Cal AI sottostimavano comunque i carboidrati di circa 14 grammi.
• Per alcune app contavano le dimensioni del pasto. MyFitnessPal e Lose It! stimavano i pasti più calorici con maggiore precisione rispetto a quelli meno calorici.
• I pasti ricchi di grassi sembravano i più difficili. In un’analisi successiva su oltre 200 pasti aggiuntivi, i primi risultati suggerivano che le app avessero più difficoltà con i pasti chetogenici, probabilmente perché il loro maggiore contenuto di grassi veniva sistematicamente sottostimato.

Le app si aggiornano spesso, quindi questi risultati descrivono le versioni testate per lo studio, non necessariamente come funziona oggi ciascuna app. Calorix non faceva parte dello studio, e non diamo per scontato che una stima basata solo sulla foto, di qualsiasi app, compresa la nostra, sfugga agli stessi problemi.

Il consiglio di Aaron Hengist, uno dei ricercatori, è stato netto: chi usa un’app basata sulle foto «senza correggere le porzioni né inserire le quantità di cibo dovrebbe prendere i risultati con le pinze».

Non è solo un problema dell’IA

È utile confrontare le app con l’alternativa abituale, cioè le stime che le persone fanno da sole. I ricercatori hanno osservato che una sottostima di un terzo è simile a quella riportata per i resoconti alimentari autoriferiti.

Il dato concorda con decenni di ricerca. Nello studio OPEN, che ha confrontato i resoconti di 484 adulti con biomarcatori oggettivi, i recall delle 24 ore sottostimavano l’apporto energetico di circa il 12–20%, e i questionari di frequenza alimentare di circa un terzo. Una revisione sistematica del 2019 di 59 studi basati sull’acqua doppiamente marcata ha rilevato che nella maggior parte dei casi c’era una sottostima significativa, anche negli studi sui metodi basati sulla tecnologia.

Le foto non risolvono il problema in automatico. Una meta-analisi del 2020 ha rilevato che anche la valutazione alimentare basata sulle immagini tendeva a sottostimare l’energia e ha concluso che, come i metodi tradizionali, comporta un errore di misura importante. Una revisione sistematica del 2023 sui metodi di IA completamente automatizzati ha trovato errori medi sulle calorie che andavano da meno dell’1% a circa il 38% a seconda dello studio, con errori minori per le immagini di cibi singoli e semplici.

C’è però un dettaglio incoraggiante. Nel metodo di fotografia alimentare a distanza (remote food photography method), in cui i ricercatori stimavano l’apporto dalle foto di ogni pasto e dei suoi avanzi, le stime si discostavano di circa il 5–7% dall’apporto pesato (restando comunque leggermente basse). Le foto possono funzionare bene quando una persona le rivede con attenzione, ed è proprio questa revisione che il test dei NIH ha lasciato fuori.

Il commento che accompagnava l’articolo di Healio sottolineava un altro punto da ricordare: una sottostima costante conta più di un errore casuale. Gli errori casuali in parte si compensano nell’arco di una settimana; una distorsione sempre nella stessa direzione continua ad accumularsi.

E ChatGPT e gli altri chatbot di IA?

I modelli di IA generici commettono lo stesso tipo di errori. In uno studio del 2025 su 52 foto di cibo standardizzate, ChatGPT-4o e Claude 3.5 Sonnet hanno sbagliato le calorie in media del 35,8% e Gemini 1.5 Pro del 64,2%, e tutti e tre sottostimavano di più man mano che le porzioni crescevano. In un altro studio del 2025, ChatGPT-4 ha riconosciuto il 93% degli alimenti in 114 foto di pasti, ma ha sottostimato il peso dei pasti medi e grandi. E i dettagli che fornisci contano: quando gli venivano indicati il grasso di cottura e le quantità degli ingredienti, l’errore medio di ChatGPT-5 sulle calorie di 195 piatti scendeva dal 30,5% al 13,9% (studio del 2025). Approfondisci in ChatGPT può contare le calorie da una foto? e scopri cosa dichiara ogni app sulla precisione delle sue stime da foto in app che contano le calorie da una foto.

Perché le stime da foto sbagliano

Grassi nascosti

L’olio penetra nel riso e nelle verdure. Il burro si scioglie nelle salse. Il condimento ricopre ogni foglia d’insalata. La fotocamera non vede niente di tutto questo, e i grassi sono molto calorici: USDA FoodData Central, il database nutrizionale del Dipartimento dell’Agricoltura degli Stati Uniti, indica per un cucchiaio di olio d’oliva 13,5 grammi di grassi e 119 calorie. Il divario di circa 30 grammi di grassi emerso nello studio dei NIH è poco più dei grassi contenuti in due cucchiai d’olio.

Spessore della porzione

Una foto è piatta. Vista dall’alto, uno strato sottile di pasta e una ciotola piena possono sembrare quasi uguali. In uno studio del 2025, gli adulti che dovevano abbinare porzioni reali di riso alle foto tendevano a sottostimarle negli scatti dall’alto, perché da quella prospettiva è difficile vedere l’altezza del riso nella ciotola. Le foto scattate a 45 gradi hanno dato i risultati migliori per i cibi solidi.

Piatti misti

Curry, lasagne, burrito e panini nascondono gli ingredienti uno dentro o sotto l’altro. L’IA deve indovinare la ricetta oltre alla quantità. Non a caso, la revisione del 2023 ha rilevato errori minori per le immagini di cibi singoli e semplici.

Luce e angolazione

Chi studia l’elaborazione delle immagini osserva che i cambiamenti di illuminazione e punto di vista modificano l’aspetto dei cibi e li rendono più difficili da riconoscere. La luce soffusa dei ristoranti, le ombre nette e le angolazioni insolite aggiungono tutte incertezza.

Come ottenere stime migliori

Non serve pesare tutto per fare molto meglio di una stima grezza da foto. Queste abitudini agiscono proprio sugli errori descritti sopra:

• Aggiungi una nota quando scansioni. Di’ all’app ciò che non può vedere: «cotto nel burro», «condimento extra», «mezza porzione».
• Controlla le porzioni, non solo il totale. Guarda i grammi di ogni ingrediente e correggi ciò che non ti convince, partendo dagli alimenti più calorici.
• Registra i grassi come voce a parte. Aggiungi l’olio, il burro, la maionese o il condimento come ingrediente separato, così non spariscono nel piatto.
• Usa codici a barre ed etichette per i cibi confezionati. L’etichetta ti dà i valori del produttore, quindi non c’è niente da indovinare da una foto.
• Pesa ogni tanto. Una settimana passata a pesare la tua solita porzione di riso, la ciotola di cereali o il giro d’olio ricalibra l’occhio. Non a caso, i ricercatori dei NIH hanno usato come riferimento pasti pesati con precisione.
• Scatta una foto migliore. Buona luce, tutto il piatto nell’inquadratura e un’angolazione di 45 gradi aiutano. La nostra guida per stimare le porzioni da una foto approfondisce l’argomento.
• Metti in conto più grassi quando cucina qualcun altro. Di solito sono la principale incognita di un pasto al ristorante. Leggi come registrare i pasti al ristorante.

Come Calorix è progettato per affrontare il problema

Abbiamo costruito lo scanner IA di Calorix partendo dal presupposto che ogni stima da foto sia una prima bozza. Invece di un unico numero, la scansione apre una scheda di revisione che elenca ogni ingrediente con porzione, grammi, calorie e un indicatore di affidabilità, così vedi dove la stima è meno sicura.

Da lì puoi:

• modificare nomi, porzioni e grammi, oppure aggiungere e rimuovere ingredienti
• usare il cursore della porzione (½, 1, 1½ o 2) quando hai mangiato più o meno di quanto mostra la foto
• toccare Correggi con l’IA e scrivere o dire una correzione, come «niente riso, aggiungi 2 uova», poi rivedere le modifiche proposte prima di accettarle
• aggiungere una nota come «cotto nel burro» e analizzare di nuovo la foto salvata
• modificare a mano qualsiasi valore, con l’originale dell’IA conservato per poterlo ripristinare

I totali vengono sempre ricalcolati a partire dagli ingredienti, quindi la correzione di una singola voce si riflette subito sul tuo conteggio giornaliero di calorie e macro. Per i cibi confezionati, la scansione del codice a barre e dell’etichetta nutrizionale evita di andare a occhio.

Per essere chiari su ciò che non affermiamo: non abbiamo dimostrato che Calorix sia più preciso delle app di questo studio. Quello che fa la sua progettazione è rendere la stima trasparente e veloce da correggere, cioè proprio il passaggio indicato dai ricercatori dei NIH.

In sintesi

La registrazione con foto e IA è un modo rapido per ottenere una prima bozza ragionevole, ma da sola tende a dare valori bassi, soprattutto per i piatti unti, ricchi di burro o misti. Considera ogni stima da foto un punto di partenza: controlla le porzioni, aggiungi i grassi che sai esserci e usa il codice a barre per tutto ciò che ha un’etichetta.

Le piccole correzioni si sommano. Se ciò che mangi supera di qualche centinaio di calorie quello che dice il tuo diario, il piano che hai costruito non corrisponderà alla realtà, ed è facile prendersela con sé stessi invece che con la stima. Un diario realistico, abbinato a un obiettivo realistico calcolato con il nostro calcolatore del fabbisogno calorico (TDEE), ti dà numeri con cui puoi davvero lavorare.