Contador de calorias com IA é preciso? O que diz um estudo do NIH

Atualizado em 11 de outubro de 2026: incluímos estudos sobre o ChatGPT, o Claude e o Gemini com fotos de comida, além do resumo publicado do estudo do NIH.

Tirar uma foto do prato e receber a contagem de calorias em segundos parece quase mágica. Também deixa o acompanhamento muito menos chato, porque digitar cada ingrediente cansa rápido. Mas a praticidade só ajuda se o número cair perto da realidade. Então, qual é a precisão de um contador de calorias com IA?

Em julho de 2026, pesquisadores dos Institutos Nacionais de Saúde (NIH), a principal agência de pesquisa médica dos EUA, divulgaram o que descreveram como a primeira comparação direta e de alta qualidade do tipo. A versão curta: sozinhas, as estimativas por foto ficaram abaixo do real, principalmente por causa da gordura. A versão longa é mais útil, porque os maiores erros também são os mais fáceis de você corrigir.

O que o estudo do NIH testou

O estudo é de cientistas do National Institute of Diabetes and Digestive and Kidney Diseases (NIDDK), o instituto do NIH dedicado a diabetes e doenças digestivas e renais, e foi apresentado no NUTRITION 2026, o congresso anual da American Society for Nutrition, segundo o comunicado da sociedade. O resumo, de Olivia Charles e colegas, foi publicado na revista Current Developments in Nutrition (doi:10.1016/j.cdnut.2026.108738).

As refeições testadas vieram de um estudo maior do NIH Clinical Center que comparava uma dieta cetogênica com pouco carboidrato a uma dieta padrão. Elas foram preparadas numa cozinha metabólica, onde os ingredientes são pesados com precisão de 0,1 grama, então os pesquisadores sabiam exatamente o que havia em cada prato. Eles passaram fotos padronizadas de 102 dessas refeições pelos recursos de foto de quatro apps: MyFitnessPal, Lose It!, Cal AI e Appediet.

Uma ressalva importante: tratava-se de um resumo apresentado em congresso. Os organizadores observam que resultados assim ainda não passaram pela revisão por pares completa exigida para publicação em revista científica e devem ser considerados preliminares.

O que os pesquisadores descobriram

Os quatro apps subestimaram as calorias, em cerca de 250 a 345 calorias por refeição, em média, ou aproximadamente um terço. O Healio informou a média de cada app:

Outros resultados chamam a atenção:

• A gordura foi o grande erro. Os quatro apps subestimaram a gordura em cerca de 30 gramas por refeição.
• Os carboidratos foram mais estáveis. As estimativas de carboidratos foram mais consistentes do que as dos outros macronutrientes, embora o Lose It! e o Cal AI ainda tenham subestimado os carboidratos em cerca de 14 gramas.
• O tamanho da refeição fez diferença em alguns apps. O MyFitnessPal e o Lose It! estimaram as refeições mais calóricas com mais precisão do que as menos calóricas.
• As refeições ricas em gordura pareceram as mais difíceis. Numa análise complementar com mais de 200 refeições adicionais, os primeiros resultados sugeriram que os apps tiveram mais dificuldade com as refeições cetogênicas, provavelmente porque o teor mais alto de gordura foi subestimado de forma consistente.

Os apps são atualizados com frequência, então esses resultados descrevem as versões testadas neste estudo, não necessariamente o desempenho atual de cada app. O Calorix não fez parte do estudo, e não presumimos que uma estimativa só por foto de qualquer app, incluindo o nosso, escaparia dos mesmos problemas.

O conselho de Aaron Hengist, um dos pesquisadores, foi direto: quem usa um app baseado em fotos “sem ajustar as porções ou inserir as quantidades de alimentos deveria encarar os resultados com um pé atrás”.

Não é um problema só da IA

Vale comparar os apps com a alternativa de sempre: as pessoas estimando por conta própria. Os pesquisadores observaram que uma subestimativa de um terço é parecida com o que já foi relatado em dietas autorrelatadas.

Isso bate com décadas de pesquisa. No estudo OPEN, que comparou os autorrelatos de 484 adultos com biomarcadores objetivos, os recordatórios de 24 horas subnotificaram a ingestão de energia em cerca de 12% a 20%, e os questionários de frequência alimentar, em aproximadamente um terço. Uma revisão sistemática de 2019 com 59 estudos que usaram água duplamente marcada constatou que a maioria relatou subnotificação significativa, inclusive os estudos com métodos baseados em tecnologia.

As fotos não resolvem isso automaticamente. Uma metanálise de 2020 concluiu que a avaliação alimentar por imagens também tendia a subnotificar a energia e que, assim como os métodos tradicionais, tem erros de medição sérios. Uma revisão sistemática de 2023 sobre métodos de IA totalmente automatizados encontrou erros médios de calorias que iam de menos de 1% a cerca de 38% entre os estudos, com erros menores para imagens de alimentos simples e isolados.

Mas há um detalhe animador. No método de fotografia remota de alimentos, em que pesquisadores estimavam a ingestão a partir de fotos de cada refeição e das sobras, as estimativas ficaram a cerca de 5% a 7% da quantidade realmente pesada (ainda um pouco abaixo). As fotos podem funcionar bem quando uma pessoa as revisa com cuidado, e essa revisão foi justamente o que ficou de fora do teste do NIH.

O comentário publicado junto com a reportagem do Healio trouxe mais um ponto que vale guardar: uma subestimativa consistente pesa mais do que um erro aleatório. Os erros aleatórios se compensam em parte ao longo da semana; um viés numa direção só vai se acumulando.

E o ChatGPT e outros chatbots de IA?

Os modelos de IA genéricos cometem o mesmo tipo de erro. Num estudo de 2025 com 52 fotos padronizadas de comida, o ChatGPT-4o e o Claude 3.5 Sonnet erraram as calorias em 35,8%, em média, e o Gemini 1.5 Pro em 64,2%, e os três subestimaram mais à medida que as porções aumentavam. Em outro estudo de 2025, o ChatGPT-4 identificou 93% dos alimentos em 114 fotos de refeições, mas subestimou o peso das refeições médias e grandes. E os detalhes que você dá fazem diferença: quando recebeu a gordura do preparo e as quantidades dos ingredientes, o ChatGPT-5 reduziu seu erro médio de calorias em 195 pratos de 30,5% para 13,9% (estudo de 2025). Saiba mais em O ChatGPT consegue contar calorias por foto? e veja o que cada app de foto promete sobre precisão em apps que contam calorias por foto.

Por que as estimativas por foto erram

Gorduras escondidas

O óleo é absorvido pelo arroz e pelos legumes. A manteiga derrete nos molhos. O molho da salada cobre cada folha. A câmera não vê nada disso, e a gordura é muito calórica: o USDA FoodData Central, base de dados de alimentos do Departamento de Agricultura dos EUA, lista uma colher de sopa de azeite com 13,5 gramas de gordura e 119 calorias. A diferença de cerca de 30 gramas de gordura no estudo do NIH é um pouco mais do que a gordura de duas colheres de sopa de óleo.

Profundidade da porção

Uma foto é plana. Vista bem de cima, uma camada rasa de macarrão e uma tigela funda cheia dele podem parecer quase iguais. Num estudo de 2025, adultos que associaram porções reais de arroz a fotos tenderam a subestimá-las nas fotos tiradas de cima, porque, de cima, é difícil ver a altura do arroz na tigela. As fotos tiradas num ângulo de 45 graus se saíram melhor para alimentos sólidos.

Pratos misturados

Curries, gratinados, burritos e sanduíches escondem ingredientes dentro ou embaixo uns dos outros. A IA precisa adivinhar a receita, além da quantidade. Não por acaso, a revisão de 2023 encontrou erros menores para imagens de alimentos simples e isolados.

Luz e ângulo

Pesquisadores de processamento de imagens observam que mudanças de iluminação e de ponto de vista alteram a aparência dos alimentos, o que dificulta a identificação. A luz fraca de restaurante, sombras fortes e ângulos incomuns aumentam a incerteza.

Como conseguir estimativas melhores

Você não precisa pesar tudo para se sair muito melhor do que uma estimativa por foto sem ajustes. Estes hábitos atacam os erros acima:

• Adicione uma nota ao escanear. Diga ao app o que ele não consegue ver: “feito na manteiga”, “molho extra”, “meia porção”.
• Confira as porções, não só o total. Olhe os gramas de cada ingrediente e corrija o que parecer estranho, começando pelos itens mais calóricos.
• Registre as gorduras numa linha própria. Adicione o óleo, a manteiga, a maionese ou o molho como um ingrediente separado, para que não sumam dentro do prato.
• Use código de barras e tabela nutricional nos alimentos embalados. A tabela traz os números do fabricante, então não há nada para adivinhar a partir de uma foto.
• Pese de vez em quando. Uma semana pesando sua escumadeira de arroz de sempre, sua tigela de cereal ou seu fio de azeite recalibra o olho. Não é à toa que refeições pesadas com precisão foram o ponto de referência dos pesquisadores do NIH.
• Tire uma foto melhor. Boa luz, o prato inteiro no enquadramento e um ângulo de 45 graus ajudam. Nosso guia para estimar porções por foto explica isso em detalhes.
• Conte com mais gordura quando outra pessoa cozinha. Ela costuma ser a maior incógnita numa refeição de restaurante. Veja como registrar refeições de restaurante.

Como o Calorix foi pensado para lidar com esse problema

Criamos o scanner com IA do Calorix partindo do princípio de que toda estimativa por foto é um primeiro rascunho. Em vez de um número único, o escaneamento abre um cartão de revisão que lista cada ingrediente com a porção, os gramas, as calorias e um selo de confiança, para você ver onde a estimativa tem menos certeza.

A partir daí, você pode:

• editar nomes, porções e gramas, ou adicionar e remover ingredientes
• usar o controle deslizante de porção (½, 1, 1½ ou 2) quando comeu mais ou menos do que a foto mostra
• tocar em Corrigir com IA e digitar ou falar uma correção, como “sem arroz, mais 2 ovos”, e revisar as alterações propostas antes de aceitá-las
• adicionar uma nota como “feito na manteiga” e analisar de novo a partir da foto guardada
• substituir qualquer valor manualmente, com o original da IA guardado para você poder voltar a ele

Os totais são sempre recalculados a partir dos ingredientes, então a correção de um item vai direto para as suas calorias e macros do dia. Para alimentos embalados, escanear o código de barras ou a tabela nutricional elimina o chute.

Para deixar claro o que não estamos afirmando: não demonstramos que o Calorix é mais preciso do que os apps deste estudo. O que o design faz é deixar a estimativa transparente e rápida de corrigir, que é justamente a etapa que os pesquisadores do NIH apontaram.

Resumindo

Registrar refeições por foto com IA é um jeito rápido de ter um primeiro rascunho razoável, mas, sozinho, tende a ficar abaixo do real, principalmente em pratos oleosos, amanteigados e misturados. Trate toda estimativa por foto como ponto de partida: confira as porções, adicione as gorduras que você sabe que estão ali e use o código de barras para tudo o que tem rótulo.

Pequenas correções fazem diferença. Se você come algumas centenas de calorias a mais do que o seu registro mostra, o plano que você montou não vai bater com a realidade, e é fácil se culpar em vez de culpar a estimativa. Um registro realista, junto com uma meta realista da nossa calculadora de calorias diárias (TDEE), oferece números com os quais você pode trabalhar de verdade.