写真によるAIのカロリー計算は、測定ではなく推定です。独立した検証では、写真による推定は約4分の1から3分の1ずれ、たいてい少なめに出ました。人気の4アプリを調べたNIHの検証では、1食あたり250〜345キロカロリー少なめでした。
料理に何が入っていて、どれくらいの量かをアプリに伝えると、精度は大きく上がります。よく食べる食品には、バーコードやキッチンスケールを使うのも効果的です。
要点
- 誤差は少なめに出る: 多くの研究で、AIは特に量が多い食事や脂質の多い食事でカロリーを少なく推定していました。
- 食品の特定は、量を量るより簡単: AIは料理名を正しく当てても、量と隠れた油を見誤ることがよくあります。
- 文脈が役立つ: 2025年のChatGPTの研究では、材料と分量を加えると推定が正確になりました。
- 人の記憶も完璧ではない: 記憶に頼る食事記録では、実際の摂取量の最大半分が漏れることがありました。
- 体重計と照らし合わせる: 2〜4週間、記録したカロリーと体重の変化を比べると、記録が少なめかどうか分かります。
研究でわかったこと
| 研究 | 検証内容 | 主な結果 |
|---|---|---|
| NIH(NIDDK)、2026年7月発表 | MyFitnessPal、Lose It!、Cal AI、Appediet。栄養成分が分かっている102食の写真で検証 | 1食あたり平均で250〜345キロカロリー少なめ。脂質は約30 g少なめ。高脂質のケトー食が最も難しかった。予備的な結果で、査読前 |
| Fridolfssonら、2025年 | ChatGPT-4o、Claude 3.5 Sonnet、Gemini 1.5 Proを、標準化された食品写真52枚で検証 | カロリーの平均誤差は、ChatGPTとClaudeで35.8%。Geminiは栄養素によって64〜110%。いずれも量の多い食事を少なめに推定 |
| Rodríguez-Jiménezら、2025年 | ChatGPT-5を195品で検証。文脈の量を増やして比較 | 説明や材料の量を加えるほど誤差が減った。写真を外すと悪化した |
| NakagawaとYamamoto、2026年 | 3種類のClaudeモデルを、日本の食事写真691枚、米国の食事写真1,463枚、日本の包装食品の画像約1,000枚で検証 | Claude Sonnet 4.6は、米国の写真1枚あたり平均117キロカロリーずれた。包装食品は食事より推定しやすく、塩分は推定が悪かった |
| Vedovelliら、2026年 | 40種類の視覚言語モデルと、専門の管理栄養士を比較 | 使うモデルの種類が最も影響した。写真の角度を増やしても効果はなかった。管理栄養士のほうがはるかに正確で、特にたんぱく質で差が大きかった |
| Serraら、2026年 | AI写真アプリ(SNAQ)を、肥満のある女性20人が7日間日常生活で使用。二重標識水と比較 | アプリは摂取量を25%(1日817キロカロリー)少なく推定。24時間の食事思い出し面接は50%少なめだった |
どの研究にも共通する傾向が2つあります。1食あたりでも無視できない大きさの誤差が出ること、そしてその誤差はほぼ一方向、つまり少なめに偏ることです。
AIのカロリーが少なめに出る理由
カメラに写るのは皿の上の面だけです。料理の重さは量れず、器の深さも、フライパンに入った油の量もわかりません。カロリーは、まさにそういう場所に隠れています。
- 量: 同じ写真でも、パスタが150 gにも250 gにも見えることがあります。2025年の研究では、量が多くなるほど過小評価が大きくなりました。
- 隠れた脂質: バター、調理油、ドレッシング、クリーム系のソースは高カロリーで、見えにくいものです。NIHの検証では、脂質がもっとも過小評価された栄養素で、高脂質の食事が最も難しいものでした。
- 混ぜ合わさった料理: シチュー、カレー、キャセロール、ブリトーは、材料の大半が中に隠れています。
- 珍しい料理や地域の料理: 学習例が少ない料理は、モデルが判断する材料が少ないです。
包装食品は例外で、表示がその役割を果たします。だから、包みに入った食品は写真よりバーコードを読み取るほうが優れています。アプリが量をどう推定するかについては、AIによる量の推定の仕組みをご覧ください。
AI、手入力、記憶の比較
どの方法にも誤差があり、完璧な方法はありません。
- 記憶: 1,200キロカロリー未満でも痩せられないと言っていた人を対象にした古典的な研究では、実際の摂取量を47%少なく申告し、運動量は51%多く申告していました(Lichtmanら、1992年)。2026年のSNAQの研究では、構造化された24時間の食事思い出しが50%を取りこぼし、アプリの25%より悪い結果でした。
- 包装食品の表示: FDAは、包装食品のカロリーが表示より20%を超えて多い場合にのみ、誤表示とみなします。少しの超過は認められています。
- 外食の数値: 外食の269品を実験室で調べた研究では、表示カロリーは平均すると正確でしたが、19%の品目は表示より100キロカロリー以上多いものでした(Urbanら、2011年)。
- 量って手で記録する: 家庭でもっとも正確な方法ですが、いちばん時間がかかります。
つまり、写真による推定は、量って記録しバーコードを使う方法より正確ではありません。一方で、いくつかの研究では記憶に頼るより正確でした。方法の比較は、AIと手入力のカロリー記録の比較とバーコード読み取りとAI写真認識の比較をご覧ください。
AIのカロリー計算は減量に十分な正確さ?
誤差の方向を補正すれば、十分に役立ちます。一部の食事が多めに、一部が少なめに出るランダムな誤差は、1週間単位でほぼ打ち消し合います。しかし、一方向に少なめに出る誤差は打ち消されません。
たとえば、目標が1日500キロカロリーの不足だとします。3食をそれぞれ250キロカロリー少なめに記録していると、実際には750キロカロリー多く食べていることになり、不足は消えてしまいます。NIHの検証で見つかったのは、まさにこうした差です。
確認の方法はシンプルです。
- 2〜4週間、すべて記録し、体重は毎日同じ時間帯に週に数回量ります。
- 記録した平均摂取量と体重の推移を比べます。500キロカロリーの不足を記録しているのに体重が動かないなら、記録が少なめの可能性が高いです。
- 調整します。記録をより丁寧にするか(後述)、差の分だけ目標カロリーを下げてください。
この比較の出発点になるのが、あなたのTDEEです。
AIのカロリー計算をより正確にする方法
- 皿全体が入るように真上から撮る。 フォークや手を写し込むと、大きさの目安になります。
- カメラに写らないものを加える。 「小さじ1のオリーブオイルで調理」や「ランチドレッシング大さじ2」のように、言葉で伝えてください。ChatGPT-5の研究では、文脈が推定を改善しました。
- わかっている量は伝える。 「鶏むね肉200 g」と書けば、推測よりずっと正確です。
- 保存する前に量を直す。 食べた量より推定が少なく見えたら、たぶんその通りです。
- 包装食品はバーコード、毎日食べるものはキッチンスケール。 オートミール、ご飯、ナッツバター、調理油などが対象です。
- 混ぜ合わさった料理は分けるか、材料を書く。 シチューを「シチュー」と記録せず、主な材料を書きましょう。
外食や会食についての詳しい記録のコツは、カロリーを正確に記録する方法にまとめています。
写真以外の方法を使うとき
- 包装食品: バーコードを読み取ってください。
- 毎日食べる食品: 一度量って保存し、次からはそのデータを使ってください。
- 食事療法が必要な場合: 糖尿病、腎臓病などの持病を食事で管理している場合は、写真による推定では精度が足りません。医師か管理栄養士に相談してください。
Nutrifyの位置づけ
Nutrifyでは、写真、バーコード、音声での記録が1つにまとまっています。手早く記録したい皿は写真で、正確さが必要なものはバーコードか、入力した量を使えます。推定はどれも、保存する前に編集できます。Nutrifyは7日間の無料トライアルの後、有料サブスクリプションになります。アプリを比較しているなら、Cal AI と MyFitnessPal の比較もご覧ください。
出典
- American Society for Nutrition via ScienceDaily, Your AI calorie-tracking app may be off by 345 calories(2026年7月26日。NIDDKの研究、NUTRITION 2026で発表)。
- 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), nutrition labeling compliance.



