A contagem de calorias com IA a partir de uma foto é uma estimativa útil, não uma medição. Em testes independentes, as estimativas por foto ficaram erradas em cerca de um quarto a um terço, e quase sempre vieram baixas. Um teste do NIH com quatro apps populares os achou 250 a 345 calorias abaixo por refeição.
A precisão melhora bastante quando você informa ao app o que tem no prato e em que quantidade, e quando usa código de barras ou balança para os alimentos que come com mais frequência.
Pontos principais
- Os erros pendem para baixo: a maioria dos estudos encontrou IA subestimando calorias, principalmente em porções grandes e refeições com muita gordura.
- Identificar a comida é mais fácil do que pesá-la: a IA costuma nomear o prato certo, mas erra a quantidade e o óleo escondido.
- O contexto ajuda: adicionar ingredientes e quantidades deixou as estimativas mais precisas em um estudo de 2025 com o ChatGPT.
- As pessoas também não são perfeitas: diários alimentares baseados em memória deixaram de fora até metade da ingestão real.
- Confira com sua balança: uma comparação de 2 a 4 semanas entre as calorias registradas e a variação de peso mostra se seus registros estão baixos.
O que os estudos encontraram
| Estudo | O que foi testado | Resultado principal |
|---|---|---|
| NIH (NIDDK), apresentado em julho de 2026 | MyFitnessPal, Lose It!, Cal AI e Appediet em fotos de 102 refeições com nutrição conhecida | Calorias 250-345 abaixo por refeição em média; gordura cerca de 30 g abaixo; refeições cetogênicas com muita gordura foram as mais difíceis. Preliminar, ainda sem revisão por pares |
| Fridolfsson e colegas, 2025 | ChatGPT-4o, Claude 3.5 Sonnet e Gemini 1.5 Pro em 52 fotos padronizadas de comida | Erro médio de 35,8% nas calorias para ChatGPT e Claude; Gemini entre 64 e 110% entre os nutrientes; todos subestimaram as porções maiores |
| Rodríguez-Jiménez e colegas, 2025 | ChatGPT-5 em 195 pratos, com cada vez mais contexto | O erro caiu conforme descrições e quantidades de ingredientes foram adicionadas; sem a foto, piorou |
| Nakagawa e Yamamoto, 2026 | Três modelos Claude em 691 fotos de refeições japonesas e 1.463 americanas, além de cerca de 1.000 imagens de alimentos industrializados japoneses | O Claude Sonnet 4.6 errou em média 117 calorias por foto americana; alimentos industrializados foram mais fáceis que refeições; o sal foi mal estimado |
| Vedovelli e colegas, 2026 | 40 modelos de visão e linguagem contra nutricionistas profissionais | O modelo usado pesou mais; ângulos extras da foto não ajudaram; os nutricionistas foram bem mais precisos, principalmente em proteína |
| Serra e colegas, 2026 | Um app de IA com foto (SNAQ) usado no dia a dia por 7 dias, contra água duplamente marcada, 20 mulheres com obesidade | O app subestimou a ingestão em 25% (817 calorias por dia); uma entrevista de recordatório de 24 horas subestimou em 50% |
Dois padrões atravessam todos eles. Os erros são grandes o bastante para importar em uma única refeição, e quase sempre apontam para o mesmo lado: para baixo.
Por que as contagens de IA saem baixas
Uma câmera enxerga a parte de cima do prato. Ela não consegue pesar a comida, ver a profundidade da tigela nem saber quanto óleo foi para a frigideira. As calorias se escondem exatamente nesses pontos.
- Tamanho da porção: a mesma foto pode mostrar 150 g ou 250 g de macarrão. No estudo de 2025, a subestimação crescia conforme as porções aumentavam.
- Gordura escondida: manteiga, óleo de cozinha, molhos para salada e molhos cremosos têm muitas calorias e são difíceis de ver. No teste do NIH, a gordura foi o nutriente mais subestimado e as refeições gordurosas foram as mais difíceis.
- Pratos misturados: ensopados, curries, travessas assadas e burritos escondem a maior parte dos ingredientes por dentro.
- Alimentos incomuns ou regionais: um modelo que viu poucos exemplos de um prato tem menos com que trabalhar.
Alimentos industrializados são a exceção, porque o rótulo faz o trabalho. Por isso escanear o código de barras vence a foto para tudo que vem embalado. Para saber mais sobre como os apps estimam quantidades, veja como a IA estima o tamanho da porção.
IA, registro manual e memória
A IA não compete com a perfeição. Todo jeito de contar calorias tem erro:
- Memória: em um estudo clássico com pessoas que diziam não conseguir emagrecer com menos de 1.200 calorias, elas declararam 47% a menos da ingestão real e superestimaram o exercício em 51% (Lichtman e colegas, 1992). No estudo SNAQ de 2026, um recordatório estruturado de 24 horas deixou de fora 50%, pior que os 25% do app.
- Rótulos de alimentos: a FDA só considera um alimento industrializado com rotulagem errada quando as calorias passam mais de 20% do que está no rótulo, então pequenos excessos são permitidos.
- Números de restaurantes: em testes de laboratório com 269 pratos de restaurante, as calorias declaradas estavam certas em média, mas 19% dos itens tinham pelo menos 100 calorias a mais do que o listado (Urban e colegas, 2011).
- Pesar e registrar à mão: continua sendo o método caseiro mais preciso, mas é o que mais toma tempo.
Isso torna uma estimativa por foto menos precisa do que um registro pesado, baseado em código de barras, e em alguns estudos mais precisa do que a memória. Para uma comparação lado a lado dos métodos, veja registro de calorias com IA ou manual e código de barras vs reconhecimento de foto com IA.
A contagem de calorias com IA é precisa o bastante para emagrecer?
Pode ser, desde que você corrija a direção do erro. O erro aleatório, em que algumas refeições saem altas e outras baixas, em grande parte se anula ao longo de uma semana. A subestimação constante não.
Digamos que sua meta deixe um déficit diário de 500 calorias. Se você subnotifica três refeições em 250 calorias cada, na prática come 750 calorias a mais do que imagina, e o déficit desaparece. É esse tipo de diferença que o teste do NIH encontrou.
A correção é uma verificação simples:
- Registre tudo por 2 a 4 semanas e pese-se algumas vezes por semana, sempre no mesmo horário do dia.
- Compare sua ingestão média registrada com o que a tendência do seu peso indica. Se você registra um déficit de 500 calorias, mas o peso não se mexe, seus registros provavelmente estão baixos.
- Ajuste: ou registre com mais cuidado (veja abaixo), ou diminua sua meta calórica pela diferença que encontrou.
Seu TDEE é o ponto de partida para essa comparação.
Como tornar o registro de calorias com IA mais preciso
- Fotografe de cima, com o prato inteiro no enquadramento. Um garfo ou a sua mão na imagem dá uma noção de escala.
- Adicione o que a câmera não vê. Digite ou fale "cozido em 1 colher de sopa de azeite" ou "com 2 colheres de sopa de molho ranch". O contexto melhorou as estimativas no estudo com o ChatGPT-5.
- Informe as quantidades quando souber. "200 g de peito de frango" vence um palpite sempre.
- Corrija a porção antes de salvar. Se a estimativa parece pequena para o que você comeu, provavelmente é.
- Use código de barras para alimentos industrializados e uma balança de cozinha para os alimentos que come todo dia, como aveia, arroz, pasta de castanhas e óleo de cozinha.
- Separe os pratos misturados quando puder, ou registre os ingredientes principais de um ensopado em vez de só "ensopado".
Nosso guia para registrar calorias com precisão traz mais sobre refeições em restaurante e comer fora.
Quando usar algo diferente de uma foto
- Alimentos industrializados: escaneie o código de barras.
- Alimentos que você come todo dia: pese uma vez, salve e reutilize o registro.
- Dietas médicas: se você controla diabetes, doença renal ou outra condição pela alimentação, uma estimativa por foto não é precisa o bastante. Trabalhe com seu médico ou um nutricionista registrado.
Onde o Nutrify entra
O Nutrify reúne foto, código de barras e registro por voz em um só lugar, então você pode usar a foto para um prato rápido e o código de barras ou uma quantidade digitada quando quiser precisão. Toda estimativa pode ser editada antes de salvar. O Nutrify tem um teste grátis de 7 dias, depois uma assinatura paga. Se você está comparando apps, veja Cal AI vs MyFitnessPal.
Fontes
- American Society for Nutrition via ScienceDaily, Your AI calorie-tracking app may be off by 345 calories (26 de julho de 2026; estudo do NIDDK apresentado no 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), conformidade da rotulagem nutricional.



