AI 칼로리 계산 앱은 정확할까? 2026년 미국 NIH 연구 결과

2026년 10월 23일 업데이트: Calorix AI를 직접 측정한 저희의 공개 벤치마크를 연결했어요. 2026년 10월 11일: ChatGPT, Claude, Gemini의 음식 사진 연구와 NIH 연구의 공개 초록을 더했어요.

접시를 찍으면 몇 초 만에 칼로리가 나오는 건 마법처럼 느껴져요. 재료를 하나하나 입력하는 일은 금방 지치니까, 기록도 훨씬 덜 번거로워지고요. 하지만 편리함은 숫자가 실제와 비슷한 범위에 있을 때만 도움이 돼요.

2026년 7월, 미국 국립보건원(NIH)의 연구진은 이런 종류로는 처음인 직접적이고 질 높은 비교라고 설명한 결과를 공유했어요. 짧게 말하면, 사진 추정만으로는 숫자가 적게 나왔고 주로 지방 때문이었어요. 길게 보면 더 쓸모 있는 이야기가 있어요. 가장 큰 오차가 내가 가장 쉽게 바로잡을 수 있는 오차이기도 하거든요.

NIH 연구가 시험한 것

이 연구는 미국 국립당뇨병·소화기·신장질환연구소(NIDDK)의 과학자들이 진행했고, 미국영양학회의 발표에 따르면 학회 연례 학술대회인 NUTRITION 2026에서 발표됐어요. Olivia Charles 등이 쓴 초록은 Current Developments in Nutrition에 실렸어요(doi:10.1016/j.cdnut.2026.108738).

시험에 쓴 식사는 저탄수화물 케톤식과 일반식을 비교한 더 큰 NIH 임상센터 연구에서 나왔어요. 재료를 0.1 g 단위까지 재는 대사 연구용 주방에서 만들어서, 연구진은 접시마다 무엇이 얼마나 있는지 정확히 알았어요. 연구진은 이 식사 중 102끼의 표준화된 사진을 MyFitnessPal, Lose It!, Cal AI, Appediet 네 앱의 사진 기능에 넣었어요.

중요한 단서가 하나 있어요. 이건 학회 초록이에요. 주최 측은 이런 결과가 학술지 게재에 필요한 정식 동료 심사를 거치지 않았으니 예비 결과로 봐야 한다고 밝혀요.

연구진이 발견한 것

네 앱 모두 칼로리를 적게 추정했고, 한 끼 평균 약 250~345 kcal, 대략 3분의 1이었어요. Healio는 앱별 평균을 보도했어요.

눈에 띄는 결과가 몇 가지 더 있어요.

• 가장 크게 놓친 건 지방이에요. 네 앱 모두 지방을 한 끼에 약 30 g 적게 추정했어요.
• 탄수화물은 비교적 안정적이었어요. 다른 다량영양소보다 일관됐지만, Lose It!과 Cal AI는 그래도 탄수화물을 약 14 g 적게 잡았어요.
• 일부 앱은 식사 크기에 따라 달랐어요. MyFitnessPal과 Lose It!은 칼로리가 낮은 식사보다 높은 식사를 더 정확히 추정했어요.
• 지방이 많은 식사가 가장 어려워 보였어요. 200끼가 넘는 추가 식사의 후속 분석 초기 결과에서는 앱들이 케톤식에서 더 고전했고, 지방 함량이 높아 꾸준히 적게 추정됐기 때문으로 보여요.

앱은 자주 업데이트되니, 이 결과는 이 연구에서 시험한 버전에 관한 것이지 각 앱의 지금 성능을 꼭 말해 주지는 않아요. Calorix는 이 연구에 포함되지 않았고, 저희 앱을 포함해 어떤 앱의 사진 추정도 같은 문제를 피해 갈 거라고 가정하지 않아요.

연구자 중 한 명인 Aaron Hengist의 조언은 분명했어요. 사진 기반 앱을 쓰는 사람이 “분량을 조정하거나 음식의 양을 입력하지 않는다면 결과를 걸러서 받아들여야 한다”는 거예요.

AI만의 문제는 아니에요

흔한 대안, 즉 사람이 직접 추정하는 경우와 비교해 보면 도움이 돼요. 연구진은 3분의 1 과소 추정이 스스로 보고한 식사에서 보고된 수준과 비슷하다고 짚었어요.

수십 년의 연구와도 맞아요. 성인 484명의 자가 보고를 객관적인 생체 지표로 확인한 OPEN 연구에서 24시간 식사 회상은 에너지 섭취를 약 12~20%, 식품 섭취 빈도 조사는 대략 3분의 1 적게 보고했어요. 이중표지수법을 쓴 연구 59개를 검토한 2019년 체계적 문헌고찰은 기술 기반 방법을 쓴 연구를 포함해 대부분이 상당한 과소 보고를 보였다고 정리했어요.

사진이 이 문제를 자동으로 해결하지는 않아요. 2020년 메타분석은 이미지 기반 식사 평가도 에너지를 적게 보고하는 경향이 있고, 전통적인 방법처럼 큰 측정 오차가 있다고 결론지었어요. 완전히 자동화된 AI 방법을 다룬 2023년 체계적 문헌고찰에서는 연구마다 평균 칼로리 오차가 1% 미만부터 약 38%까지 다양했고, 단순한 단일 음식 이미지에서 오차가 작았어요.

그래도 희망적인 부분이 있어요. 연구자들이 식사와 남은 음식을 찍은 사진으로 섭취량을 추정한 원격 음식 사진법에서는 추정치가 무게를 잰 섭취량과 약 5~7% 이내였어요(여전히 약간 적게 나왔어요). 사람이 꼼꼼히 확인하면 사진도 잘 작동할 수 있고, NIH 시험에서 빠진 게 바로 그 확인 단계였어요.

Healio 보도에 실린 논평은 기억할 만한 점을 하나 더 짚었어요. 한쪽으로 치우친 오차가 무작위 오차보다 더 중요하다는 거예요. 무작위 오차는 일주일 동안 어느 정도 상쇄되지만, 한 방향으로 치우친 오차는 계속 쌓여요.

ChatGPT 같은 AI 챗봇은 어떨까요?

범용 AI 모델도 같은 종류의 실수를 해요. 표준화된 음식 사진 52장을 쓴 2025년 연구에서 ChatGPT-4o와 Claude 3.5 Sonnet은 칼로리를 평균 35.8%, Gemini 1.5 Pro는 64.2% 틀렸고, 세 모델 모두 분량이 클수록 더 적게 추정했어요. 다른 2025년 연구에서 ChatGPT-4는 식사 사진 114장 속 음식의 93%를 알아봤지만 중간과 큰 식사의 무게를 적게 추정했어요. 그리고 내가 주는 정보가 중요해요. 조리용 기름과 재료의 양을 알려 주자 요리 195개에 대한 ChatGPT-5의 평균 칼로리 오차가 30.5%에서 13.9%로 줄었어요(2025년 연구). 자세한 내용은 ChatGPT로 음식 사진 칼로리를 계산할 수 있을까?에, 사진 앱마다의 정확도 주장은 사진으로 칼로리 계산하는 앱에 정리했어요.

사진 추정이 빗나가는 이유

숨은 지방

기름은 밥과 채소에 스며들고, 버터는 소스에 녹고, 드레싱은 잎마다 묻어요. 카메라는 그 무엇도 보지 못하는데, 지방은 열량이 높아요. USDA FoodData Central에 따르면 올리브유 한 큰술은 지방 13.5 g, 119 kcal예요. NIH 연구의 약 30 g 지방 차이는 기름 두 큰술에 든 지방보다 조금 많은 양이에요.

분량의 깊이

사진은 평평해요. 바로 위에서 보면 얕게 담은 면과 깊은 그릇에 담은 면이 거의 같아 보여요. 한국에서 발행되는 학술지 Nutrition Research and Practice에 실린 2025년 연구에서 성인들이 실제 밥 분량을 사진과 맞춰 보게 했더니, 위에서 찍은 사진에서는 그릇 속 밥의 높이가 잘 보이지 않아 분량을 적게 추정하는 경향이 있었어요. 고형 음식은 45도 각도에서 찍은 사진이 가장 좋았어요.

섞인 요리

찌개, 비빔밥, 김밥, 샌드위치는 재료가 서로의 안이나 아래에 숨어 있어요. AI는 양뿐 아니라 레시피까지 짐작해야 해요. 그래서인지 2023년 문헌고찰에서도 단순한 단일 음식 이미지에서 오차가 작았어요.

조명과 각도

이미지 연구자들은 조명과 시점이 바뀌면 음식의 모습이 달라져서 알아보기 어려워진다고 설명해요. 어두운 식당 조명, 짙은 그림자, 특이한 각도는 모두 불확실성을 더해요.

추정을 더 정확하게 하는 방법

모든 걸 무게를 잴 필요 없이, 사진 추정 그대로보다 훨씬 나아질 수 있어요. 아래 습관은 앞의 오차를 겨냥해요.

• 스캔할 때 메모를 더하세요. 앱이 볼 수 없는 것을 알려 주세요. “버터에 볶음”, “드레싱 많이”, “반 공기”처럼요.
• 총합만이 아니라 분량을 확인하세요. 재료마다 그램을 보고, 열량이 높은 항목부터 이상한 것을 고치세요.
• 기름은 따로 기록하세요. 기름, 버터, 마요네즈, 드레싱을 별도 재료로 더하면 요리 속에 묻혀 사라지지 않아요.
• 포장 식품은 바코드와 영양 성분표를 쓰세요. 제조사의 숫자를 쓰니 사진으로 짐작할 게 없어요.
• 가끔 무게를 재세요. 늘 뜨는 밥 한 주걱, 시리얼 한 그릇, 기름 한 번 두르는 양을 일주일만 재 봐도 눈대중이 다시 맞춰져요. NIH 연구진이 정밀하게 무게를 잰 식사를 기준으로 삼은 데는 이유가 있어요.
• 사진을 잘 찍으세요. 밝은 조명, 접시 전체, 45도 각도가 모두 도움이 돼요. 사진으로 분량 추정하는 법에서 자세히 설명했어요.
• 다른 사람이 요리했다면 지방이 더 많다고 생각하세요. 외식에서 가장 큰 미지수는 보통 지방이에요. 외식 메뉴 기록하는 법을 참고하세요.

Calorix는 이 문제를 어떻게 다루도록 설계했을까요

저희는 모든 사진 추정이 첫 초안이라는 가정 위에 Calorix AI 스캐너를 만들었어요. 숫자 하나 대신, 스캔하면 재료마다 분량, 그램, 칼로리, 신뢰도 배지를 보여 주는 확인 카드가 열려서 추정이 어디에서 가장 불확실한지 볼 수 있어요.

거기서 이런 걸 할 수 있어요.

• 이름, 분량, 그램을 고치거나 재료를 더하고 빼기
• 사진보다 많이 또는 적게 먹었을 때 분량 슬라이더(½, 1, 1½, 2) 쓰기
• ‘AI로 수정’을 눌러 “밥 빼고 달걀 2개 추가”처럼 글이나 음성으로 수정하고, 제안된 변경을 확인한 뒤 적용하기
• “버터에 볶음” 같은 메모를 더해 저장된 사진으로 다시 분석하기
• 어떤 값이든 직접 바꾸기(AI의 원래 값은 남아 있어서 되돌릴 수 있어요)

합계는 항상 재료에서 다시 계산되니, 한 항목을 고치면 하루 칼로리와 탄단지에 바로 반영돼요. 포장 식품은 바코드와 영양 성분표 스캔으로 짐작 없이 기록해요.

주장하지 않는 것도 분명히 해 둘게요. 저희는 Calorix가 이 연구의 앱들보다 정확하다는 것을 보여 주지 않았어요. 이 설계가 하는 일은 추정을 투명하게 보여 주고 빨리 고칠 수 있게 하는 것이고, NIH 연구진이 짚은 바로 그 단계예요. 저희는 처음 보는 무게 잰 식사로 저희 AI를 직접 측정했고, 방법과 한계를 Calorix는 얼마나 정확할까?(영문)에 적어 두었어요. 다른 식사와 방법을 쓴 NIH 연구와 직접 비교할 수는 없어요.

정리

AI 사진 기록은 그럴듯한 첫 초안을 빠르게 얻는 방법이지만, 그것만으로는 적게 나오는 경향이 있어요. 특히 기름지고 버터가 들어가고 여러 재료가 섞인 요리에서요. 모든 사진 추정을 출발점으로 다루세요. 분량을 확인하고, 들어간 걸 아는 지방을 더하고, 표시가 있는 건 바코드를 쓰세요.

작은 수정이 쌓여요. 실제로 먹는 양이 기록보다 수백 kcal 많다면 세운 계획은 현실과 맞지 않고, 추정치가 아니라 나 자신을 탓하기 쉬워요. 현실적인 기록과 하루 권장 칼로리 계산기로 정한 현실적인 목표가 함께할 때, 실제로 쓸 수 있는 숫자가 생겨요.