A IA estima a porção comparando o alimento da foto com objetos de tamanho conhecido, como o prato, a tigela ou o garfo, e com as porções típicas que viu durante o treinamento. Ela é útil, mas não é precisa: em um teste de 2025, os melhores modelos gerais erraram o peso dos alimentos em média 36%, e subestimavam mais as porções grandes.
Você pode fechar boa parte dessa diferença. Informar ao app o que a câmera não consegue ver (o óleo, o peso, o tamanho da bebida) melhora os números mais do que qualquer truque de câmera.
Pontos principais
- O tamanho da porção é uma fonte importante de erro calórico da IA. Uma foto plana não traz informação confiável sobre altura ou densidade.
- O erro típico é grande: cerca de 36 a 37% para peso e energia com ChatGPT-4o e Claude 3.5 Sonnet em fotos padronizadas.
- As porções grandes são subestimadas mais do que as pequenas, e a gordura escondida é fácil de não perceber ou de avaliar mal.
- O contexto ajuda. Uma descrição curta ou as quantidades dos ingredientes deixaram as estimativas calóricas do ChatGPT-5 mais precisas em um estudo de 2025.
- Melhor foto: de cima, prato inteiro no enquadramento, alimentos em camadas espalhados, boa luz.
Como a IA transforma uma foto plana em gramas
Uma foto de comida dá largura e comprimento, mas nenhuma medida direta de profundidade. Para sair dos pixels e chegar às calorias, a estimativa de porção costuma seguir cinco etapas:
- Identificar cada alimento. O modelo delimita o arroz, o frango e a salada separadamente.
- Procurar uma régua. Pratos, tigelas, talheres e mãos têm tamanhos bastante previsíveis, então servem de referência. Um sistema de pesquisa imita o jeito de trabalhar dos nutricionistas: avalia a comida em relação a volumes de referência aprendidos, como uma colher de chá, uma bola de golfe ou uma xícara.
- Estimar a altura. A profundidade é inferida a partir da sombra, do formato e do ângulo. Bases de dados como o Nutrition5k combinam fotos de pratos com imagens de profundidade e pesos medidos, para que os modelos aprendam isso.
- Aplicar as expectativas de porção. O modelo sabe como é uma porção típica de macarrão ou de peito de frango, e se apoia nisso quando a imagem é ambígua.
- Converter em calorias. O volume estimado vira gramas usando a densidade típica do alimento, e as gramas viram calorias e macronutrientes.
Cada etapa acrescenta incerteza, e os erros se multiplicam. Uma boa identificação do alimento com uma altura mal estimada ainda dá um número ruim de calorias. Para uma visão mais ampla do reconhecimento, veja como funciona o reconhecimento de alimentos por IA.
Quão precisa é a estimativa de porção pela IA?
Os estudos variam muito na forma como foram feitos, então compare-os pelo que mediram.
| Estudo | O que foi testado | Resultado principal |
|---|---|---|
| Fridolfsson et al., 2025 (Current Developments in Nutrition) | ChatGPT-4o, Claude 3.5 Sonnet e Gemini 1.5 Pro em 52 fotos padronizadas, em 3 tamanhos de porção | Erro de peso de cerca de 36-37% para ChatGPT e Claude; erro de 64% a 110% para o Gemini entre os nutrientes; todos subestimavam, mais nas porções grandes |
| Isobe et al., 2026 (Nutrients) | 10 modelos de IA contra 10 nutricionistas em 15 refeições hospitalares fotografadas de cima com luz forte | Nutricionistas e os melhores modelos chegaram a r > 0,8 para calorias, muitas vezes dentro de 10%; cada modelo superestimou a gordura em mais de 20% |
| Rodriguez-Jimenez et al., 2025 (Nutrients) | ChatGPT-5 em 195 pratos, com mais ou menos contexto | A precisão melhorou passo a passo: só a foto, depois foto mais descrição, depois foto mais quantidades dos ingredientes |
| Nakagawa e Yamamoto, 2026 (Nutrients) | 6 modelos de visão e linguagem em 2.159 fotos de refeições japonesas e americanas | O tamanho da porção foi uma fonte importante de erro, e a forma como o prompt era escrito elevava ou reduzia as estimativas |
Os autores do estudo Fridolfsson consideraram que os modelos gerais são comparáveis aos diários alimentares autorrelatados, mas não precisos o bastante onde números exatos importam, como no cuidado clínico ou com atletas. Nossa análise sobre quão precisa é a contagem de calorias com IA cobre o lado da identificação.
Onde a estimativa da IA erra
Porções grandes. No estudo Fridolfsson, quanto maior a porção, mais os modelos a subestimavam. Um prato cheio de restaurante é o caso mais difícil.
Comida empilhada e em camadas. Um hambúrguer com duas carnes e outro com três parecem quase iguais de cima. O mesmo vale para uma pilha de panquecas alta ou baixa. Lasanha e travessas escondem as camadas por completo.
Líquidos. Sopas, curries e bebidas enchem um recipiente até uma profundidade que a câmera não consegue medir. As dicas de escaneamento do próprio Nutrify deixam isso claro: a IA não consegue medir a profundidade de um líquido, então informe o tamanho (“suco de 355 ml (12 oz)”, “café com leite gelado grande”).
Gordura escondida. Óleo, manteiga e molhos adicionam muitas calorias e aparecem pouco. A IA pode deixá-las de fora ou corrigi-las demais: o estudo hospitalar de 2026 constatou que todos os modelos superestimavam a gordura.
| Ingrediente escondido | Quantidade | Calorias | Gordura (g) |
|---|---|---|---|
| Azeite de oliva | 13,5 g (1 colher de sopa) | 119 | 13,5 |
| Azeite de oliva | 4,5 g (1 colher de chá) | 40 | 4,5 |
| Manteiga | 14,2 g (1 colher de sopa) | 102 | 11,5 |
| Creme de leite fresco | 15 g (1 colher de sopa) | 51 | 5,4 |
Valores do USDA FoodData Central (FDC 171413, 173410, 170859).
Por que um erro de 20% na porção importa
Imagine que você come 150 g de peito de frango cozido e que a estimativa dá 120 g. Com as 165 calorias por 100 g do USDA, são 248 calorias, registradas como 198: 50 calorias perdidas em uma refeição. Some uma colher de sopa de óleo de cozinha que não entrou no registro e a diferença chega a cerca de 170 calorias.
Se isso acontece quase todo dia, pode apagar um déficit calórico moderado. Erros pequenos e repetidos pesam mais do que o erro grande de vez em quando, por isso vale conferir suas refeições mais frequentes. Nosso guia sobre como medir calorias em casa mostra como pesar uma refeição uma vez e reaproveitar os números, e a calculadora de déficit calórico mostra quanto espaço para erro a sua meta permite.
Como fotografar a comida para estimativas melhores
As quatro primeiras são as dicas que o Nutrify mostra no tutorial de escaneamento:
- Fotografe de cima. Uma visão aérea permite que a IA meça o prato e a comida na mesma escala.
- Enquadre tudo. Mantenha o prato ou a tigela totalmente visíveis, com as bordas, sem nada cortado.
- Deixe cada item visível. Abra o hambúrguer, desdobre o wrap, tire tampas e papel-alumínio. Em refeições combinadas, escaneie cada item separadamente.
- Use luz clara e uniforme e um fundo simples, e segure o celular firme.
- Fotografe antes de comer. Se não terminar, ajuste a quantidade depois.
Mais hábitos para as fotos estão em como obter os melhores resultados com o reconhecimento de alimentos por IA e no nosso guia de diário alimentar com fotos.
Corrija a estimativa depois do escaneamento
A câmera vê a comida. Você conhece a receita. No Nutrify, você corrige uma porção em poucos segundos:
- Adicione contexto antes ou depois da foto. Digite ou diga detalhes como “cozido em 1 colher de sopa de azeite de oliva” ou “cerca de 200 g”. A opção AI Refine aceita observações como “comi cerca de 200 g” ou “estava frito”.
- Edite a quantidade ou a porção. As calorias e os macronutrientes se ajustam automaticamente.
- Adicione ou remova ingredientes para contar o molho, o tempero ou o acompanhamento que você realmente comeu.
- Confira com uma balança. Pese uma refeição que você come com frequência, compare com a estimativa, e você saberá se deve ajustar para cima ou para baixo os próximos registros.
O Nutrify inclui um teste grátis de 7 dias e depois uma assinatura paga.
Fontes
- 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 na App Store (página consultada em 2026-10-26).



