La IA estima la porción comparando la comida de la foto con objetos de tamaño conocido, como el plato, el tazón o el tenedor, y con las porciones típicas que vio durante su entrenamiento. Es útil, pero no es precisa: en una prueba de 2025, los mejores modelos generales fallaron el peso de los alimentos en promedio 36%, y subestimaban sobre todo las porciones grandes.
Puedes cerrar buena parte de esa brecha. Decirle a la app lo que la cámara no ve (el aceite, el peso, el tamaño de la bebida) mejora los números más que cualquier truco de cámara.
Puntos clave
- El tamaño de la porción es una fuente importante de error en las calorías de la IA. Una foto plana no da información confiable sobre altura ni densidad.
- El error típico es grande: alrededor de 36 a 37% en peso y energía con ChatGPT-4o y Claude 3.5 Sonnet en fotos estandarizadas.
- Las porciones grandes se subestiman más que las pequeñas, y la grasa escondida es fácil de pasar por alto o de calcular mal.
- El contexto ayuda. Una descripción corta o las cantidades de ingredientes hicieron más precisas las estimaciones calóricas de ChatGPT-5 en un estudio de 2025.
- Mejor foto: desde arriba, el plato completo en el encuadre, los alimentos en capas extendidos y buena luz.
Cómo la IA convierte una foto plana en gramos
Una foto de comida da ancho y largo, pero ninguna medida directa de profundidad. Para pasar de píxeles a calorías, una estimación de porción suele seguir cinco pasos:
- Identificar cada alimento. El modelo delimita el arroz, el pollo y la ensalada por separado.
- Buscar una regla. Platos, tazones, cubiertos y manos tienen tamaños bastante predecibles, así que sirven como referencia. Un sistema de investigación imita la forma de trabajar de los nutriólogos: compara la comida con volúmenes de referencia aprendidos, como una cucharadita, una pelota de golf o una taza.
- Estimar la altura. La profundidad se infiere por la sombra, la forma y el ángulo. Conjuntos de datos como Nutrition5k emparejan fotos de platillos con imágenes de profundidad y pesos medidos, para que los modelos aprendan a hacerlo.
- Aplicar expectativas de porción. El modelo sabe cómo luce una porción típica de pasta o de pechuga de pollo, y se apoya en eso cuando la imagen es ambigua.
- Convertir a calorías. El volumen estimado se vuelve gramos usando la densidad típica del alimento, y luego los gramos se vuelven calorías y macronutrientes.
Cada paso agrega incertidumbre, y los errores se multiplican. Un buen reconocimiento del alimento con una mala estimación de la altura sigue dando un mal número de calorías. Para una mirada más amplia al reconocimiento, consulta cómo funciona el reconocimiento de alimentos con IA.
¿Qué tan precisa es la estimación de porciones con IA?
Las pruebas publicadas varían mucho en su diseño, así que compáralas según lo que midieron.
| Estudio | Qué se probó | Resultado principal |
|---|---|---|
| Fridolfsson et al., 2025 (Current Developments in Nutrition) | ChatGPT-4o, Claude 3.5 Sonnet y Gemini 1.5 Pro con 52 fotos estandarizadas en 3 tamaños de porción | Error de peso de alrededor de 36-37% para ChatGPT y Claude; error de 64% a 110% para Gemini según el nutriente; todos subestimaban, más en las porciones grandes |
| Isobe et al., 2026 (Nutrients) | 10 modelos de IA contra 10 nutriólogos en 15 comidas de hospital fotografiadas desde arriba con luz intensa | Nutriólogos y los mejores modelos llegaron a r > 0.8 en calorías, a menudo dentro de 10%; cada modelo sobrestimó la grasa en más de 20% |
| Rodriguez-Jimenez et al., 2025 (Nutrients) | ChatGPT-5 con 195 platillos, con más o menos contexto | La precisión mejoró paso a paso: solo foto, luego foto más descripción, luego foto más cantidades de ingredientes |
| Nakagawa y Yamamoto, 2026 (Nutrients) | 6 modelos de visión y lenguaje con 2,159 fotos de comidas japonesas y estadounidenses | El tamaño de la porción fue una fuente importante de error, y la redacción del prompt subía o bajaba las estimaciones de porción |
Los autores del estudio Fridolfsson consideraron que los modelos generales son comparables a los diarios de comida que reportan las personas, pero no lo bastante precisos donde importan las cifras exactas, como en la atención clínica o con atletas. Nuestro análisis más detallado sobre qué tan precisa es la cuenta de calorías con IA cubre el lado de la identificación.
Dónde fallan las estimaciones de la IA
Porciones grandes. En el estudio Fridolfsson, mientras más grande era la porción, más la subestimaban los modelos. Un plato lleno de restaurante es el caso más difícil.
Comida apilada y en capas. Una hamburguesa con dos carnes y otra con tres se ven casi iguales desde arriba. Lo mismo pasa con una pila de hotcakes alta o baja. Las lasañas y los gratinados ocultan por completo sus capas.
Líquidos. Sopas, currys y bebidas llenan un recipiente a una profundidad que la cámara no puede medir. Los consejos de escaneo de Nutrify lo dicen claro: la IA no puede medir la profundidad de un líquido, así que indica el tamaño (“jugo de 355 ml (12 oz)”, “café frío con leche grande”).
Grasa escondida. El aceite, la mantequilla y los aderezos suman muchas calorías y se ven poco. La IA puede no registrarlos, o corregir de más: el estudio hospitalario de 2026 halló que cada modelo sobrestimaba la grasa.
| Ingrediente escondido | Cantidad | Calorías | Grasa (g) |
|---|---|---|---|
| Aceite de oliva | 13.5 g (1 cucharada) | 119 | 13.5 |
| Aceite de oliva | 4.5 g (1 cucharadita) | 40 | 4.5 |
| Mantequilla | 14.2 g (1 cucharada) | 102 | 11.5 |
| Crema para batir | 15 g (1 cucharada) | 51 | 5.4 |
Valores de USDA FoodData Central (FDC 171413, 173410, 170859).
Por qué un error de 20% en la porción importa
Imagina que comes 150 g de pechuga de pollo cocida y la estimación sale en 120 g. Con las 165 calorías por 100 g del USDA, eso son 248 calorías registradas como 198: 50 calorías perdidas en una sola comida. Súmale una cucharada de aceite de cocina que nunca entró al registro y la diferencia llega a unas 170 calorías.
Si pasa casi todos los días, puede borrar un déficit calórico modesto. Los errores pequeños y repetidos pesan más que el error grande ocasional, por eso conviene revisar tus comidas más frecuentes. Nuestra guía sobre cómo medir calorías en casa explica cómo pesar una comida una vez y reutilizar los números, y la calculadora de déficit calórico muestra cuánto margen de error tiene tu meta.
Cómo fotografiar la comida para mejores estimaciones
Las primeras cuatro son los consejos que Nutrify muestra en su tutorial de escaneo:
- Toma la foto desde arriba. Una vista de pájaro permite que la IA mida el plato y la comida en la misma escala.
- Encuadra todo. Mantén el plato o el tazón completamente visibles, con sus bordes, sin nada cortado.
- Haz visible cada elemento. Abre la hamburguesa, desdobla el wrap, quita tapas y papel aluminio. En comidas combinadas, escanea cada elemento por separado.
- Usa luz clara y pareja y un fondo sencillo, y sostén el teléfono firme.
- Fotografía antes de comer. Si no terminas, ajusta la cantidad después.
Más hábitos para tus fotos están en cómo obtener los mejores resultados con el reconocimiento de alimentos por IA y en nuestra guía del diario de comida con fotos.
Corrige la estimación después del escaneo
La cámara ve la comida. Tú conoces la receta. En Nutrify puedes corregir una porción en unos segundos:
- Agrega contexto antes o después de la foto. Escribe o di detalles como “cocinado con 1 cucharada de aceite de oliva” o “unos 200 g”. La opción AI Refine acepta notas como “me comí unos 200 g” o “estaba frito”.
- Edita la cantidad o la porción. Las calorías y los macronutrientes se ajustan solos.
- Agrega o quita ingredientes para contar la salsa, el aderezo o el acompañamiento que de verdad comiste.
- Verifica con una báscula. Pesa una comida que comas seguido, compárala con la estimación y sabrás si conviene subir o bajar tus próximos registros.
Nutrify incluye una prueba gratis de 7 días y después una suscripción de pago.
Fuentes
- Fridolfsson J, et al. Performance evaluation of 3 large language models for nutritional content estimation from food images. Curr Dev Nutr, 2025.
- Isobe T, et al. Accuracy of AI-based nutrient estimation from standardized hospital meal images. Nutrients, 2026.
- Rodriguez-Jimenez M, et al. Image-based dietary energy and macronutrients estimation with ChatGPT-5. Nutrients, 2025.
- Nakagawa S, Yamamoto A. A Japanese-dietitian prompt systematically shifts portion estimates in LLM-based nutrient estimation. Nutrients, 2026.
- Yang Z, et al. Human-mimetic estimation of food volume from a single-view RGB image using an AI system. Electronics, 2021.
- Thames Q, et al. Nutrition5k: towards automatic nutritional understanding of generic food. CVPR, 2021.
- USDA FoodData Central: chicken breast, roasted, FDC 171477; olive oil, FDC 171413; butter, salted, FDC 173410; heavy whipping cream, FDC 170859.
- Nutrify en App Store (ficha consultada el 2026-10-26).



