Contar calorías con IA a partir de una foto es una estimación útil, no una medición. En pruebas independientes, las estimaciones por foto fallaron entre un cuarto y un tercio aproximadamente, y casi siempre quedaron por debajo. Una prueba del NIH con cuatro apps populares las encontró 250 a 345 calorías por debajo por comida.
La precisión mejora mucho cuando le dices a la app qué hay en el plato y en qué cantidad, y cuando usas código de barras o báscula para los alimentos que más comes.
Puntos clave
- Los errores se inclinan hacia abajo: la mayoría de los estudios encontró que la IA subestima las calorías, sobre todo en porciones grandes y comidas altas en grasa.
- Identificar la comida es más fácil que pesarla: la IA suele nombrar bien el platillo, pero se equivoca en la cantidad y en el aceite oculto.
- El contexto ayuda: agregar ingredientes y cantidades hizo más precisas las estimaciones en un estudio de 2025 con ChatGPT.
- Las personas tampoco somos perfectas: los diarios de comida basados en la memoria llegaron a omitir hasta la mitad de lo que realmente se consumió.
- Compara con tu báscula: una comparación de 2 a 4 semanas entre las calorías registradas y el cambio de peso muestra si tus registros están bajos.
Lo que encontraron los estudios
| Estudio | Qué se probó | Resultado principal |
|---|---|---|
| NIH (NIDDK), presentado en julio de 2026 | MyFitnessPal, Lose It!, Cal AI y Appediet con fotos de 102 comidas con nutrición conocida | Calorías 250-345 por debajo por comida en promedio; grasa unos 30 g por debajo; las comidas keto altas en grasa fueron las más difíciles. Preliminar, aún sin revisión por pares |
| Fridolfsson y colegas, 2025 | ChatGPT-4o, Claude 3.5 Sonnet y Gemini 1.5 Pro con 52 fotos estandarizadas de comida | Error promedio de 35.8% en calorías para ChatGPT y Claude; Gemini entre 64 y 110% según el nutriente; todos subestimaron las porciones grandes |
| Rodríguez-Jiménez y colegas, 2025 | ChatGPT-5 con 195 platillos, con cada vez más contexto | El error bajó conforme se agregaron descripciones y cantidades de ingredientes; sin la foto, empeoró |
| Nakagawa y Yamamoto, 2026 | Tres modelos de Claude con 691 fotos de comidas japonesas y 1,463 estadounidenses, y unas 1,000 imágenes de productos empacados japoneses | Claude Sonnet 4.6 se equivocó en promedio por 117 calorías por foto estadounidense; los productos empacados fueron más fáciles que las comidas; la sal se estimó mal |
| Vedovelli y colegas, 2026 | 40 modelos de visión y lenguaje contra nutriólogos profesionales | El modelo usado fue lo que más importó; los ángulos extra de la foto no ayudaron; los nutriólogos fueron mucho más precisos, sobre todo con la proteína |
| Serra y colegas, 2026 | Una app de IA con fotos (SNAQ) usada en la vida diaria durante 7 días, contra agua doblemente marcada, 20 mujeres con obesidad | La app subestimó la ingesta 25% (817 calorías al día); una entrevista de recordatorio de 24 horas la subestimó 50% |
Dos patrones atraviesan todos estos estudios. Los errores son lo bastante grandes para importar en una sola comida, y casi siempre apuntan en una dirección: hacia abajo.
Por qué los conteos con IA salen bajos
Una cámara ve la parte de arriba del plato. No puede pesar la comida, ver qué tan honda es la taza ni saber cuánto aceite se echó al sartén. Las calorías se esconden justo en esos lugares.
- Tamaño de la porción: la misma foto puede mostrar 150 g o 250 g de pasta. En el estudio de 2025, la subestimación crecía conforme aumentaban las porciones.
- Grasa oculta: la mantequilla, el aceite de cocina, los aderezos y las salsas cremosas tienen muchas calorías y son difíciles de ver. En la prueba del NIH, la grasa fue el nutriente más subestimado y las comidas altas en grasa las más difíciles.
- Platillos mixtos: los guisos, los currys, las cazuelas y los burritos esconden la mayoría de sus ingredientes por dentro.
- Alimentos poco comunes o regionales: un modelo que ha visto menos ejemplos de un platillo tiene menos con qué trabajar.
Los productos empacados son la excepción, porque la etiqueta hace el trabajo. Por eso escanear un código de barras le gana a la foto en todo lo que viene envuelto. Para saber más sobre cómo las apps estiman las cantidades, revisa cómo la IA estima el tamaño de la porción.
IA, registro manual y memoria
La IA no compite contra la perfección. Todas las formas de contar calorías tienen error:
- Memoria: en un estudio clásico con personas que decían no poder bajar de peso con menos de 1,200 calorías, reportaron 47% menos de su consumo real y sobrestimaron el ejercicio en 51% (Lichtman y colegas, 1992). En el estudio SNAQ de 2026, un recordatorio estructurado de 24 horas omitió 50%, peor que el 25% de la app.
- Etiquetas de alimentos: la FDA considera mal etiquetado un producto empacado solo cuando sus calorías superan en más de 20% lo que dice la etiqueta, así que se permiten pequeños excesos.
- Cifras de restaurantes: en pruebas de laboratorio con 269 platillos de restaurante, las calorías declaradas estaban bien en promedio, pero 19% de los platillos tenían al menos 100 calorías más de lo indicado (Urban y colegas, 2011).
- Pesar y anotar a mano: sigue siendo el método casero más preciso, pero es el que más tiempo toma.
Eso hace que una estimación por foto sea menos precisa que un registro pesado y basado en código de barras, y en algunos estudios más precisa que la memoria. Para una comparación lado a lado de los métodos, revisa registro de calorías con IA o manual y escaneo de código de barras vs reconocimiento de foto con IA.
¿El conteo de calorías con IA es lo bastante preciso para bajar de peso?
Puede serlo, siempre que corrijas la dirección del error. El error aleatorio, en el que unas comidas salen altas y otras bajas, en buena parte se cancela a lo largo de una semana. La subestimación constante no.
Supón que tu meta deja un déficit diario de 500 calorías. Si tus registros subestiman tres comidas por 250 calorías cada una, en realidad comes 750 calorías más de lo que crees, y el déficit desaparece. Ese es el tipo de brecha que encontró la prueba del NIH.
La solución es una revisión sencilla:
- Registra todo durante 2 a 4 semanas y pésate varias veces por semana a la misma hora del día.
- Compara tu consumo promedio registrado con lo que indica la tendencia de tu peso. Si registras un déficit de 500 calorías pero tu peso no se mueve, tus registros probablemente están bajos.
- Ajusta: o registra con más cuidado (abajo te explico cómo), o baja tu meta calórica por la diferencia que encontraste.
Tu TDEE es el punto de partida para esa comparación.
Cómo hacer más precisa la contabilidad de calorías con IA
- Toma la foto desde arriba, con todo el plato en el encuadre. Un tenedor o tu mano en la toma dan una idea de escala.
- Agrega lo que la cámara no puede ver. Escribe o di "cocinado en 1 cucharada de aceite de oliva" o "con 2 cucharadas de aderezo ranch". El contexto mejoró las estimaciones en el estudio de ChatGPT-5.
- Da las cantidades cuando las sepas. "200 g de pechuga de pollo" gana a cualquier adivinanza.
- Corrige la porción antes de guardar. Si la estimación se ve chica para lo que comiste, probablemente lo sea.
- Usa código de barras para los productos empacados y una báscula de cocina para los alimentos que comes a diario, como avena, arroz, mantequilla de cacahuate y aceite de cocina.
- Separa los platillos mixtos cuando puedas, o registra los ingredientes principales de un guiso en vez de solo "guiso".
Nuestra guía para contar calorías con precisión tiene más sobre comidas en restaurante y comer fuera.
Cuándo usar algo distinto a la foto
- Productos empacados: escanea el código de barras.
- Alimentos que comes todos los días: pésalos una vez, guárdalos y reutiliza la entrada.
- Dietas médicas: si manejas diabetes, enfermedad renal u otra condición con la comida, una estimación por foto no es lo bastante precisa. Trabaja con tu médico o con un nutriólogo registrado.
Dónde encaja Nutrify
Nutrify te da registro por foto, código de barras y voz en un solo lugar, así que puedes usar la foto para un plato rápido y el código de barras o una cantidad escrita cuando quieras precisión. Cada estimación se puede editar antes de guardarla. Nutrify tiene una prueba gratuita de 7 días, luego una suscripción de pago. Si estás comparando apps, revisa Cal AI vs MyFitnessPal.
Fuentes
- American Society for Nutrition via ScienceDaily, Your AI calorie-tracking app may be off by 345 calories (26 de julio de 2026; estudio del NIDDK presentado en NUTRITION 2026).
- Fridolfsson J, Sjöberg E, Thiwång M, Pettersson S. Performance evaluation of 3 large language models for nutritional content estimation from food images. Curr Dev Nutr, 2025.
- Rodríguez-Jiménez M, et al. Image-based dietary energy and macronutrients estimation with ChatGPT-5. Nutrients, 2025.
- Nakagawa S, Yamamoto A. Prompt engineering and model selection for LLM-based nutritional estimation from food images. Nutrients, 2026.
- Vedovelli L, et al. Model architecture dominates nutritional estimation accuracy in vision-language systems. Sci Rep, 2026.
- Serra M, et al. Limited validity of an AI-powered app for dietary assessment in females with obesity. NPJ Digit Med, 2026.
- Lichtman SW, et al. Discrepancy between self-reported and actual caloric intake and exercise in obese subjects. N Engl J Med, 1992.
- Urban LE, et al. Accuracy of stated energy contents of restaurant foods. JAMA, 2011.
- US Code of Federal Regulations, 21 CFR 101.9(g)(5), cumplimiento del etiquetado nutricional.



