L'AI stima la porzione confrontando il cibo nella foto con oggetti di dimensione nota, come il piatto, la ciotola o la forchetta, e con le porzioni tipiche viste durante l'addestramento. È utile ma non precisa: in un test del 2025, i migliori modelli generici hanno sbagliato il peso del cibo in media del 36%, e sottostimavano soprattutto le porzioni abbondanti.
Puoi colmare gran parte di questo divario. Dire all'app ciò che la fotocamera non vede (l'olio, il peso, la misura della bevanda) migliora i numeri più di qualsiasi trucco con la fotocamera.
Punti chiave
- La dimensione della porzione è una fonte importante dell'errore calorico. Una foto piatta non fornisce informazioni affidabili su altezza e densità.
- L'errore tipico è ampio: circa 36-37% per peso ed energia con ChatGPT-4o e Claude 3.5 Sonnet su foto standardizzate.
- Le porzioni grandi vengono sottostimate più di quelle piccole, e i grassi nascosti sono facili da non vedere o da valutare male.
- Il contesto aiuta. Una breve descrizione o le quantità degli ingredienti hanno reso più accurate le stime calorie di ChatGPT-5 in uno studio del 2025.
- Foto migliore: dall'alto, piatto intero nell'inquadratura, cibi a strati distesi, buona luce.
Come l'AI trasforma una foto piatta in grammi
Una foto del cibo dà larghezza e lunghezza, ma nessuna misura diretta della profondità. Per passare dai pixel alle calorie, una stima della porzione di solito segue cinque passaggi:
- Individuare ogni alimento. Il modello contorna separatamente il riso, il pollo e l'insalata.
- Cercare un righello. Piatti, ciotole, posate e mani hanno dimensioni abbastanza prevedibili, quindi fanno da riferimento. Un sistema di ricerca imita il modo di lavorare dei dietisti: valuta il cibo rispetto a volumi di riferimento appresi, come un cucchiaino, una pallina da golf o una tazza.
- Stimare l'altezza. La profondità si deduce da ombre, forma e angolo. Dataset come Nutrition5k abbinano foto di piatti a immagini di profondità e pesi misurati, così i modelli possono impararlo.
- Applicare le priorità sulle porzioni. Il modello sa com'è una porzione tipica di pasta o di petto di pollo, e vi si appoggia quando l'immagine è ambigua.
- Convertire in calorie. Il volume stimato diventa grammi usando la densità tipica dell'alimento, poi i grammi diventano calorie e macronutrienti.
Ogni passaggio aggiunge incertezza, e gli errori si moltiplicano. Un buon riconoscimento del cibo abbinato a una cattiva stima dell'altezza dà ancora un cattivo numero di calorie. Per una visione più ampia del riconoscimento, vedi come funziona il riconoscimento del cibo con l'AI.
Quanto è accurata la stima delle porzioni con l'AI?
Gli studi variano molto nell'impostazione, quindi confrontali in base a ciò che hanno misurato.
| Studio | Cosa è stato testato | Risultato principale |
|---|---|---|
| Fridolfsson et al., 2025 (Current Developments in Nutrition) | ChatGPT-4o, Claude 3.5 Sonnet e Gemini 1.5 Pro su 52 foto standardizzate in 3 dimensioni di porzione | Errore sul peso di circa 36-37% per ChatGPT e Claude; errore tra 64% e 110% per Gemini sui vari nutrienti; tutti sottostimavano, più per le porzioni grandi |
| Isobe et al., 2026 (Nutrients) | 10 modelli di AI contro 10 dietisti su 15 pasti ospedalieri fotografati dall'alto con luce intensa | Dietisti e modelli migliori hanno raggiunto entrambi r > 0,8 per le calorie, spesso entro il 10%; ogni modello ha sovrastimato i grassi di oltre il 20% |
| Rodriguez-Jimenez et al., 2025 (Nutrients) | ChatGPT-5 su 195 piatti, con più o meno contesto | L'accuratezza è migliorata passo dopo passo: solo foto, poi foto più descrizione, poi foto più quantità degli ingredienti |
| Nakagawa e Yamamoto, 2026 (Nutrients) | 6 modelli visione-linguaggio su 2.159 foto di pasti giapponesi e statunitensi | La dimensione della porzione è stata una fonte importante di errore, e la formulazione del prompt spostava le stime delle porzioni in alto o in basso |
Gli autori dello studio Fridolfsson hanno definito i modelli generici comparabili ai diari alimentari autodichiarati, ma non abbastanza precisi dove contano i numeri esatti, come nella cura clinica o per gli atleti. Il nostro approfondimento su quanto è accurato il conteggio delle calorie con l'AI copre invece il riconoscimento del cibo.
Dove sbaglia la stima dell'AI
Porzioni grandi. Nello studio Fridolfsson, più la porzione era grande, più i modelli la sottostimavano. Un piatto colmo da ristorante è il caso più difficile.
Cibo impilato e a strati. Un hamburger con due medaglioni di carne e uno con tre sembrano quasi uguali dall'alto. Lo stesso vale per una pila di pancake alta o bassa. Lasagne e teglie nascondono del tutto gli strati.
Liquidi. Zuppe, curry e bevande riempiono un contenitore a una profondità che la fotocamera non può misurare. I consigli di scansione di Nutrify lo dicono chiaramente: l'AI non può misurare la profondità del liquido, quindi indica la dimensione («succo da 355 ml (12 oz)», «caffè freddo grande»).
Grassi nascosti. Olio, burro e condimenti aggiungono molte calorie e si vedono poco. L'AI può non registrarli, oppure correggerli in eccesso: lo studio ospedaliero del 2026 ha rilevato che ogni modello sovrastimava i grassi.
| Ingrediente nascosto | Quantità | Calorie | Grassi (g) |
|---|---|---|---|
| Olio d'oliva | 13,5 g (1 cucchiaio) | 119 | 13,5 |
| Olio d'oliva | 4,5 g (1 cucchiaino) | 40 | 4,5 |
| Burro | 14,2 g (1 cucchiaio) | 102 | 11,5 |
| Panna fresca | 15 g (1 cucchiaio) | 51 | 5,4 |
Valori da USDA FoodData Central (FDC 171413, 173410, 170859).
Perché un errore del 20% sulla porzione conta
Immagina di mangiare 150 g di petto di pollo cotto e che la stima ne dia 120 g. Con le 165 calorie per 100 g indicate dall'USDA, sono 248 calorie registrate come 198: 50 calorie perse in un pasto. Aggiungi un cucchiaio di olio da cucina che non è finito nel registro e il divario sale a circa 170 calorie.
Se succede quasi ogni giorno, può cancellare un modesto deficit calorico. Piccoli errori ripetuti pesano più di quello grande occasionale, ed è per questo che conviene controllare i pasti più frequenti. La nostra guida su come misurare le calorie a casa mostra come pesare un pasto una volta e riutilizzare i numeri, e il calcolatore del deficit calorico mostra quanto margine di errore ha il tuo obiettivo.
Come fotografare il cibo per stime migliori
Le prime quattro sono i consigli che Nutrify mostra nel tutorial di scansione:
- Scatta dall'alto. Una visuale a volo d'uccello permette all'AI di misurare piatto e cibo sulla stessa scala.
- Inquadra tutto. Tieni il piatto o la ciotola completamente visibili, bordi compresi, senza nulla di tagliato.
- Rendi visibile ogni elemento. Apri l'hamburger, srotola il wrap, togli coperchi e pellicola. Per i menu combinati, scansiona ogni elemento separatamente.
- Usa luce chiara e uniforme, uno sfondo semplice e tieni il telefono fermo.
- Fotografa prima di mangiare. Se non finisci, correggi la quantità dopo.
Altre abitudini per le foto sono in come ottenere i migliori risultati dal riconoscimento del cibo con l'AI e nella nostra guida al diario alimentare fotografico.
Correggi la stima dopo la scansione
La fotocamera vede il cibo. Tu conosci la ricetta. In Nutrify puoi correggere una porzione in pochi secondi:
- Aggiungi contesto prima o dopo la foto. Scrivi o dici dettagli come «cotto con 1 cucchiaio di olio d'oliva» o «circa 200 g». L'opzione AI Refine accetta note come «ne ho mangiati circa 200 g» o «era fritto».
- Modifica quantità o porzione. Calorie e macronutrienti si adeguano automaticamente.
- Aggiungi o elimina ingredienti, così conti il sugo, il condimento o il contorno che hai mangiato davvero.
- Verifica con una bilancia. Pesa un pasto che mangi spesso, confrontalo con la stima, e saprai se alzare o abbassare le voci future.
Nutrify include una prova gratuita di 7 giorni, poi un abbonamento a pagamento.
Fonti
- 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 on the App Store (scheda letta il 2026-10-26).



