Sind KI-Kalorienzähler-Apps genau?

Sind KI-Kalorienzähler-Apps genau?

Sind KI-Kalorienzähler-Apps genau? Nicht mit Sicherheit: Sie schätzen, und veröffentlichte Studien zeigen, dass diese Schätzung mal nah dran liegt und mal um hunderte Kalorien daneben. Die Richtung des Fehlers ist nicht zufällig. Apps unterschätzen meist die Gesamtkalorien und überschätzen den Fettanteil, weil ein Foto weder Dichte noch Gewicht noch verstecktes Öl zeigen kann. Dieser Mechanismus, nicht die App-Qualität allein, erklärt den größten Teil der Abweichung.

Warum zeigt ein Foto nicht einfach die Kalorien?

Ein Foto ist ein flaches Abbild von Licht, das von einem Teller reflektiert wird. Es zeigt Form, Farbe und grobe Größe. Es zeigt nicht die Dichte, das Gewicht oder was in einer Soße versteckt ist.

Zwei Schalen Reis können identisch aussehen und unterschiedlich schwer sein, wenn eine fester gepackt ist. Ein Wok-Gericht, glänzend von Öl, sieht fast genauso aus wie eines, das mit einem Ölspray zubereitet wurde. Als illustrative Zahl: Zwei Esslöffel Öl bringen etwa 240 Kalorien, und keine davon ist auf einem Foto sichtbar.

Deshalb lösen bessere Fotos das Problem allein nicht. Eine Kamera hält fest, was Licht tut, nicht, was eine Waage anzeigen würde. Jede Schätzung aus einem einzelnen Bild muss die Teile erraten, die das Bild nicht zeigen kann.

Wie schätzt eine App Kalorien tatsächlich aus einem Foto?

Ein KI-Bildmodell betrachtet das Foto und erkennt, welche Lebensmittel darauf zu sehen sind. Danach schätzt es Portionsgrößen anhand visueller Hinweise wie Tellergröße, Höhe der Speisen und Vergleich mit typischen Portionsformen.

Aus den erkannten Lebensmitteln und geschätzten Portionen erzeugt das Modell direkt Kalorien- und Makrowerte. Das unterscheidet sich von einem Barcode-Scan oder einer Datenbanksuche. In diesem Schritt gibt es keinen Abgleich mit einer Tabelle gemessener Werte.

Die Person prüft anschließend, was das Modell ausgegeben hat. Sie kann das erkannte Lebensmittel, die Portionsgröße oder die Zahlen bearbeiten, bevor sie etwas speichert. Genau dieser Prüfschritt macht aus einer Fotoschätzung einen protokollierten Eintrag, statt eine reine Vermutung zu bleiben.

Dieser Ablauf, erkennen, schätzen, prüfen, ist der erste Schritt, um zu verstehen, wo die Schätzung danebenliegen kann und wo eine eigene Korrektur das auffangen kann.

Warum wird Fett schlechter geschätzt als Kalorien oder Kohlenhydrate, und wie weit liegen Studien beim Gesamtwert daneben?

Eine Studie aus 2026 in Nutrients verglich KI-Modelle mit examinierten Ernährungsfachkräften anhand standardisierter Klinik-Essensfotos. Energie- und Kohlenhydratschätzungen der stärksten Modelle, ChatGPT-4o und Gemini 1.5 Pro, korrelierten mit über 0,8 mit den Werten der Fachkräfte, oft innerhalb von rund 10 Prozent (Nutrients, DOI 10.3390/nu18060966). Jedes Modell in dieser Studie zeigte eine mittlere Verzerrung von über 20 Prozent Überschätzung beim Fett. Auch Protein wurde weniger genau geschätzt als Energie.

Der Grund liegt darin, was eine Kamera überhaupt erkennen kann. Kohlenhydratreiche Lebensmittel wie Reis haben ein recht vorhersehbares Verhältnis von Volumen zu Kalorien. Fett ist oft unsichtbar, in eine Soße eingearbeitet oder unter anderen Zutaten verborgen. Ein Modell, das Fett allein aus dem Aussehen schätzt, neigt zur Überkorrektur.

Zwei weitere Studien liefern Zahlen zur gesamten Kalorienabweichung, nicht nur zum Fett. Ein vorläufiges Ergebnis, vorgestellt auf der NUTRITION 2026, testete vier kommerzielle Apps, MyFitnessPal, LoseIt!, CalAI und Appediet, zunächst gegen 102 Mahlzeiten aus einer Metabolic-Kitchen mit auf 0,1 Gramm genau abgewogenen Zutaten, dann gegen über 200 weitere, im Nachhinein geprüfte Mahlzeiten. Die Apps unterschätzten die Kalorien um etwa 250 bis 345 kcal pro Mahlzeit und um rund 30 g Fett (EurekAlert, NIH/NIDDK). Dieses Ergebnis ist vorläufig und wurde noch nicht von Fachkollegen begutachtet.

Eine begutachtete Studie in npj Digital Medicine verglich eine KI-App namens SNAQ mit der Doubly-Labeled-Water-Methode, einem Goldstandard zur Messung der Energieaufnahme, bei Frauen mit Adipositas. Die App unterschätzte die tägliche Aufnahme im Schnitt um 817 kcal, eine Abweichung von 25 Prozent, gegenüber einem gemessenen Mittelwert von 3.004 kcal pro Tag. Die Wiederholungsmessung stimmte praktisch nicht überein, ein ICC von 0,00 (PMC, npj Digital Medicine).

Das Muster: Kontrollierte Fotos eines einzelnen Tellers liefern die genauesten Schätzungen. Alltagsbedingungen mit mehreren Komponenten auf dem Teller erzeugen die größten Abweichungen.

Ist ein gedrucktes Nährwertetikett tatsächlich genauer?

Ein gedrucktes Etikett klingt neben einer Fotoschätzung nach sicherem Boden, aber die dahinterstehende Regel wirkt in eine bestimmte Richtung.

Nach der US-Regel 21 CFR 101.9(g) gelten Kalorien, Gesamtfett, gesättigtes Fett, Transfett, Cholesterin und Natrium als Class-I-Nährstoffe. Sie dürfen den deklarierten Etikettenwert um nicht mehr als 120 Prozent überschreiten. Nach unten setzt die Regel keine Grenze.

Der Kalorienwert eines Etiketts darf also legal bis zu 20 Prozent über dem tatsächlichen Laborwert liegen, und nichts hindert ihn daran, darunter zu liegen. Protein, Vitamine, Mineralstoffe und Ballaststoffe gelten dagegen als Class-II-Nährstoffe: Sie müssen mindestens 80 Prozent des deklarierten Werts erreichen, ohne Obergrenze. In der EU regelt stattdessen die Lebensmittelinformationsverordnung LMIV, Verordnung (EU) Nr. 1169/2011, was ein Etikett angeben muss, ohne diese US-Toleranzgrenzen.

Das soll nicht heißen, Etiketten seien unzuverlässig. Es ist Kontext: Selbst ein laborgeprüfter, regulierter Kalorienwert trägt eine eingebaute Obergrenze, keine Garantie für Exaktheit. Eine Fotoschätzung und ein gedrucktes Etikett sind beides Näherungswerte, nur mit unterschiedlichen Fehlerquellen.

Ist KI-Kalorienzählung genauer als manuelles Protokollieren?

Keine der beiden Methoden ist fehlerfrei. Manuelles Protokollieren, das Durchsuchen einer Lebensmitteldatenbank und Eintragen einer Portion, hängt davon ab, dass die Person den richtigen Eintrag wählt und ihre eigene Portionsgröße korrekt einschätzt.

Fotoprotokollierung verlagert diese Arbeit auf das Modell. Das Modell steht vor demselben Kernproblem: Es kann Lebensmittel nicht wiegen oder in ein Gericht hineinsehen.

Eine Studie zu einer markerbasierten Forschungs-App namens goFOOD Lite fand heraus, dass von 468 Fotoaufnahmen 60, also 12,8 Prozent, wegen Aufnahmefehlern verworfen werden mussten. Gründe waren unter anderem ein fehlender Referenzmarker oder ein nicht vollständig sichtbarer Teller (JMIR mHealth and uHealth, DOI 10.2196/24467). Das ist eine eigene Fehlerquelle, unabhängig vom KI-Modell selbst, und das in einem System, das speziell zur Vermeidung von Aufnahmefehlern entwickelt wurde.

Keine der beiden Methoden beseitigt das Raten vollständig. Der Unterschied liegt nur darin, wo geraten wird: bei der eigenen Portionsschätzung oder bei der Bildinterpretation des Modells.

Wofür sollte man eine Fotoschätzung nutzen, und was macht sie unbemerkt ungenau?

Behandeln Sie eine Fotoschätzung als schnellen ersten Anhaltspunkt, nicht als endgültige Zahl. Bei einem einzelnen, einfachen Teller liegen Schätzungen laut der Nutrients-Klinikstudie näher am Urteil einer geschulten Fachkraft. Bei einem gemischten, selbstgekochten Gericht mit Soße oder Öl weitet sich die Abweichung laut den Befunden von NIH/NIDDK und npj Digital Medicine tendenziell aus.

Mehrere Dinge machen das Ergebnis unbemerkt ungenau:

• Verstecktes Öl oder Soße verfälscht die Fettzahl am meisten. Fett ist das Makronährstoff, das KI-Modelle am stärksten überschätzen, weil es im Bild oft nicht zu sehen ist.
• Ein voller oder mehrteiliger Teller erschwert die Portionsschätzung. Studien unter Alltagsbedingungen mit gemischten Mahlzeiten fanden größere Fehler als Studien mit einzelnen, standardisierten Tellern.
• Eine fehlende Größenreferenz erschwert das Portionsschätzen. Die goFOOD-Lite-Studie fand, dass Aufnahmefehler bei mehr als jeder zehnten Fotoaufnahme zum kompletten Ausfall führten.
• Wer den Prüfschritt überspringt, übernimmt die erste Vermutung des Modells ungeprüft. Das Bearbeiten von Lebensmittel oder Portion vor dem Speichern ist die Stelle, an der man korrigieren kann, was das Bild allein nicht zeigen konnte.
• Ein KI-Wert mit einem gedruckten Etikett zu vergleichen, ignoriert die eigene Obergrenze des Etiketts. Ein laborgeprüftes Etikett darf für Class-I-Nährstoffe wie Kalorien und Fett legal bis zu 20 Prozent über dem tatsächlichen Kalorienwert liegen.

Wer für ein selbstgekochtes Gericht eine genauere Zahl möchte, kann stattdessen Zutat für Zutat rechnen, wie im Ratgeber Kalorien eines selbstgekochten Gerichts Zutat für Zutat zählen beschrieben. Ist diese Gesamtzahl bekannt, teilt der kostenlose Rezept-Kalorienrechner pro Portion sie ohne Fotoschätzung auf die Portionen eines gemeinsamen Gerichts auf.

Wo passt eine Fotoschätzung bei der Nutzung von Avocalo ins Bild?

Die Fotoprotokollierung von Avocalo funktioniert genau so, wie in diesem Artikel beschrieben. Fotografieren Sie eine Mahlzeit oder wählen Sie ein Foto aus Ihrer Galerie, und ein KI-Bildmodell erkennt die Lebensmittel und schätzt Portionen, Kalorien, Protein, Kohlenhydrate und Fett aus dem Bild.

Diese Schätzung wird nicht mit einer Nährwertdatenbank abgeglichen. Die App wiegt kein Essen und sieht kein verstecktes Öl, keine Soße und keine exakten Portionsgrößen. Sie prüfen und bearbeiten das Ergebnis, bevor Sie es speichern.

Für Lebensmittel, die Sie lieber direkt nachschlagen möchten, bietet Avocalo zusätzlich manuelles Protokollieren: Durchsuchen Sie eine Lebensmitteldatenbank, aufgebaut aus Open Food Facts, USDA FoodData Central und nationalen Nährwerttabellen, und nutzen Sie zuletzt verwendete oder häufige Einträge erneut. Zusammen decken beide Methoden mehr vom Tagesessen ab als jede für sich allein. Besuchen Sie Avocalo, um die App im App Store oder bei Google Play zu finden.

Häufige Fragen

Kann eine KI-Kalorien-App mit der Zeit genauer werden?

Die hier genannten Studien testeten die App-Leistung zu einem einzigen Zeitpunkt, kein Lernen über wiederholte Nutzung. Keine der zitierten Untersuchungen prüfte, ob die Genauigkeit mit längerer Nutzung steigt. Eine Behauptung, eine App lerne die Gewohnheiten einer Person über die Zeit, bräuchte eine eigene Studie zur Bestätigung.

Hilft es, Essen vor und nach dem Kochen zu fotografieren?

Die zitierten Studien testen diese konkrete Praxis nicht, deshalb gibt es dazu keine belegte Antwort. Was die Forschung zeigt: Sichtbarkeit von Portion und Zutaten, nicht der Zeitpunkt, verursacht die meisten Fehler. Ein klares Foto mit vollständig sichtbarem Teller adressiert das Aufnahmefehler-Problem, das die goFOOD-Lite-Studie identifizierte.

Warum liefern zwei verschiedene Apps unterschiedliche Kalorienwerte für dasselbe Foto?

Verschiedene Apps nutzen unterschiedliche KI-Modelle, und die Nutrients-Studie fand reale Unterschiede zwischen Modellen bei denselben standardisierten Fotos. ChatGPT-4o und Gemini 1.5 Pro korrelierten beide über 0,8 mit den Werten der Fachkräfte, aber nicht identisch, und alle Modelle überschätzten Fett um unterschiedlich große Beträge.

Ist manuelles Protokollieren mit einer Datenbank immer genauer als eine Fotoschätzung?

Nicht immer. Manuelles Protokollieren entfernt das Raten der KI, hängt aber davon ab, dass die Person den richtigen Datenbankeintrag wählt und die Portionsgröße selbst richtig einschätzt. Beide Methoden tragen Fehler in sich, und die Studie in npj Digital Medicine fand selbst bei einer eigens entwickelten KI-App unter Alltagsbedingungen weite Übereinstimmungsgrenzen.

Quellen

• NIH News Release, NUTRITION 2026 (EurekAlert): vorläufiges Ergebnis zu vier namentlich genannten kommerziellen Apps, getestet gegen abgewogene Mahlzeiten aus einer Metabolic-Kitchen.
• Limited validity of an AI-powered app for dietary assessment in females with obesity, npj Digital Medicine: begutachteter Vergleich mit der Doubly-Labeled-Water-Methode.
• Accuracy of AI-Based Nutrient Estimation from Standardized Hospital Meal Images, Nutrients, DOI 10.3390/nu18060966: begutachteter Vergleich von KI-Modellen mit examinierten Ernährungsfachkräften.
• 21 CFR 101.9(g), FDA nutrition labeling tolerance rule (eCFR): die gesetzliche Toleranzgrenze für gedruckte Nährwertetiketten in den USA, ergänzend zur Lebensmittelinformationsverordnung LMIV, Verordnung (EU) Nr. 1169/2011, für Angaben auf Etiketten in der EU. Für Sicherheitsbewertungen von Lebensmitteln in Deutschland ist das BfR (Bundesinstitut für Risikobewertung) zuständig.
• The Human Factor in Automated Image-Based Nutrition Apps, JMIR mHealth and uHealth, DOI 10.2196/24467: Rate der Aufnahmefehler in einer markerbasierten Fotoprotokollierungs-Studie.
• Avocalos redaktionelle Richtlinien: wie Avocalo seine Zahlen recherchiert und prüft.

Veröffentlicht von Petros IT Solutions SRL. Einen Fehler entdeckt? Schreiben Sie an [email protected].