¿Son precisas las apps de calorías con IA?

¿Son precisas las apps de calorías con IA por foto?

¿Son precisas las apps de calorías con inteligencia artificial? No con certeza: estiman, y los estudios publicados muestran que esa estimación puede acercarse mucho a un valor de laboratorio o desviarse cientos de calorías. La dirección del error no es aleatoria. Las apps tienden a subestimar las calorías totales y a sobrestimar la grasa, porque una imagen no puede mostrar densidad, peso ni aceite oculto. Ese mecanismo, más que la calidad de la app en sí, explica la mayor parte de la diferencia.

¿Por qué una foto no puede mostrar directamente las calorías?

Una foto es una imagen plana de luz que rebota en un plato. Muestra forma, color y tamaño aproximado. No muestra densidad, peso ni lo que lleva mezclado una salsa.

Dos platos de arroz pueden parecer idénticos y pesar distinto si uno está más compactado. Un salteado brillante de aceite se ve casi igual que uno cocinado con spray. Como cifra ilustrativa, dos cucharadas de aceite añaden unas 240 calorías, y nada de eso es visible en una foto.

Por eso, mejorar solo la calidad de la foto no resuelve el problema. Una cámara capta lo que hace la luz, no lo que diría una báscula. Cualquier estimación a partir de una sola imagen tiene que adivinar las partes que la imagen no puede mostrar.

¿Cómo estima realmente una app las calorías a partir de una foto?

Un modelo de visión por IA analiza la imagen e identifica qué alimentos hay. Después estima el tamaño de las porciones a partir de pistas visuales de la foto, como el tamaño del plato, la altura de la comida y la comparación con formas de ración habituales.

A partir de los alimentos identificados y las porciones estimadas, el modelo genera directamente las cifras de calorías y macronutrientes. Esto es distinto de escanear un código de barras o buscar en una base de datos. En esta etapa no hay ninguna consulta a una tabla de valores medidos.

La persona revisa después lo que produjo el modelo. Puede editar el alimento identificado, el tamaño de la porción o las cifras antes de guardar nada. Ese paso de revisión es lo que convierte una estimación por foto en un registro, en lugar de quedarse en una simple suposición.

Esta secuencia, identificar, estimar, revisar, es el primer paso para saber dónde puede fallar la estimación y dónde la propia edición de la persona puede corregirla.

¿Por qué se estima peor la grasa que las calorías o los carbohidratos, y cuánto se desvía el total según los estudios?

Un estudio de 2026 publicado en Nutrients comparó modelos de IA con nutricionistas colegiados usando fotos estandarizadas de comidas hospitalarias. Las estimaciones de energía y carbohidratos de los modelos más potentes, ChatGPT-4o y Gemini 1.5 Pro, se correlacionaron por encima de 0,8 con las cifras de los nutricionistas, a menudo dentro de un margen de alrededor del 10 por ciento (Nutrients, DOI 10.3390/nu18060966). Todos los modelos de ese estudio mostraron un sesgo medio de más del 20 por ciento de sobrestimación en grasa. La proteína también resultó menos precisa que la energía.

La razón se remonta a lo que una cámara puede ver. Alimentos ricos en carbohidratos como el arroz tienen una relación bastante predecible entre volumen y calorías. La grasa suele ser invisible, mezclada en una salsa o acumulada bajo otros ingredientes. Un modelo que intenta adivinar la grasa solo por el aspecto tiende a sobrecorregir.

Otros dos estudios cuantifican la desviación calórica total, no solo la grasa. Un hallazgo preliminar presentado en NUTRITION 2026 probó cuatro apps comerciales, MyFitnessPal, LoseIt!, CalAI y Appediet, frente a un conjunto inicial de 102 comidas de cocina metabólica con ingredientes medidos hasta 0,1 gramo, y después más de 200 comidas adicionales revisadas posteriormente. Las apps subestimaron las calorías en unas 250 a 345 kcal por comida, y en unos 30 g de grasa (EurekAlert, NIH/NIDDK). Este resultado es preliminar y todavía no ha pasado revisión por pares.

Un estudio revisado por pares en npj Digital Medicine comparó una app de IA llamada SNAQ con agua doblemente marcada, una medida de referencia del gasto energético, en mujeres con obesidad. La app subestimó la ingesta diaria en 817 kcal de media, un sesgo del 25 por ciento, frente a una media medida de 3.004 kcal al día. La concordancia entre mediciones repetidas fue prácticamente nula, con un ICC de 0,00 (PMC, npj Digital Medicine).

El patrón: las fotos controladas de un solo plato producen las estimaciones más cercanas. Las comidas reales, con varios platos, producen las mayores desviaciones.

¿Es realmente más precisa una etiqueta nutricional impresa?

Una etiqueta impresa suena como terreno firme frente a una estimación por foto, pero la norma que hay detrás funciona en una dirección concreta.

Según la norma de la FDA 21 CFR 101.9(g), las calorías, la grasa total, la grasa saturada, las grasas trans, el colesterol y el sodio son nutrientes de Clase I. Estos no pueden superar el 120 por ciento del valor declarado en la etiqueta. La normativa no fija ningún mínimo frente a una infravaloración.

El recuento de calorías de una etiqueta puede ser legalmente hasta un 20 por ciento superior al valor real de laboratorio, y nada en la norma impide que sea inferior. La proteína, las vitaminas, los minerales y la fibra dietética son en cambio nutrientes de Clase II: deben alcanzar al menos el 80 por ciento del valor declarado, sin límite superior.

Esto no significa que las etiquetas sean poco fiables. Es contexto: incluso una cifra de calorías analizada en laboratorio y regulada lleva incorporado un techo, no una garantía de exactitud. Una estimación por foto y una etiqueta impresa son ambas aproximaciones, con fuentes de error distintas.

En la Unión Europea, el Reglamento (UE) n.º 1169/2011 obliga a declarar en la etiqueta el valor energético y las cantidades de grasa, grasas saturadas, hidratos de carbono, azúcares, proteínas y sal, con sus propios márgenes de tolerancia frente al valor medido, distintos de los de la FDA.

¿Es la IA para contar calorías más precisa que el registro manual?

Ningún método está libre de error. El registro manual, buscar en una base de datos de alimentos e introducir una porción, depende de que la persona elija la entrada correcta y estime bien su propia porción.

El registro por foto traslada ese trabajo al modelo. El modelo se enfrenta al mismo problema de fondo: no puede pesar la comida ni ver el interior de un plato.

Un estudio sobre una app de investigación basada en marcadores llamada goFOOD Lite encontró que, de 468 registros fotográficos, 60, un 12,8 por ciento, tuvieron que descartarse por errores de captura. Los motivos incluían la falta de un marcador de referencia o que el plato no estuviera totalmente visible (JMIR mHealth and uHealth, DOI 10.2196/24467). Esa es una fuente de error distinta del propio modelo de IA, en un sistema diseñado específicamente para reducir errores de captura.

Ningún método elimina la incertidumbre. La diferencia está en dónde ocurre la suposición, en la estimación de porción de la persona o en la lectura que hace el modelo de la imagen.

¿Para qué sirve realmente una estimación por foto, y qué la echa a perder sin avisar?

Conviene tratar una estimación por foto como un primer cálculo rápido, no como una cifra definitiva. Para un plato único y sencillo, las estimaciones se acercan más al juicio de un observador entrenado, según el estudio hospitalario de Nutrients. Para una comida casera mixta con salsa o aceite, la diferencia tiende a ampliarse, según los hallazgos del NIH/NIDDK y de npj Digital Medicine.

Varios factores echan a perder el resultado sin que se note:

• El aceite o la salsa ocultos distorsionan sobre todo la cifra de grasa. La grasa es el macronutriente que los modelos de IA sobrestiman con el mayor margen, porque a menudo no se puede ver en la imagen.
• Un plato abarrotado o con varios alimentos dificulta la estimación de porciones. Los estudios en vida real, con comidas mixtas, encontraron errores mayores que los estudios con platos únicos y estandarizados.
• La falta de una referencia de tamaño complica adivinar la porción. El estudio de goFOOD Lite encontró que los errores de captura hicieron fallar por completo a más de uno de cada diez registros fotográficos.
• Saltarse el paso de revisión deja fija la primera suposición del modelo. Editar el alimento o la porción antes de guardar es lo que permite corregir lo que la imagen sola no podía mostrar.
• Comparar una estimación de IA con una etiqueta impresa ignora el propio techo de la etiqueta. Una etiqueta analizada en laboratorio puede ser legalmente hasta un 20 por ciento superior al valor calórico real en nutrientes de Clase I como calorías y grasa.

Quien quiera una cifra más ajustada para un plato casero puede construirla ingrediente por ingrediente siguiendo cómo contar las calorías de una comida casera ingrediente por ingrediente. Una vez conocido ese total, la calculadora de calorías de recetas gratuita lo reparte en raciones, sin necesitar una estimación por foto para un plato compartido.

¿Dónde encaja una estimación por foto al registrar comidas con Avocalo?

El registro por foto de Avocalo funciona tal como describe este artículo. Se fotografía una comida o se elige una de la galería, y un modelo de visión por IA identifica los alimentos y estima porciones, calorías, proteína, carbohidratos y grasa a partir de la imagen.

Esa estimación no se consulta en ninguna base de datos nutricional. La app no pesa la comida ni ve el aceite oculto, la salsa ni el tamaño exacto de las porciones. El resultado se revisa y se edita antes de guardarlo.

Para los alimentos que uno prefiere buscar directamente, Avocalo también ofrece registro manual: buscar en una base de datos de alimentos construida a partir de Open Food Facts, USDA FoodData Central y tablas nacionales de composición de alimentos, y reutilizar los elementos recientes o frecuentes. Usados juntos, ambos métodos cubren más comidas del día que cualquiera de los dos por separado. Visita Avocalo para encontrar la app en App Store o Google Play.

Preguntas frecuentes

¿Puede una app de calorías con IA volverse más precisa con el tiempo?

Los estudios citados aquí evaluaron el rendimiento de las apps en un momento concreto, no el aprendizaje tras un uso repetido. Ninguna de las investigaciones citadas midió si la precisión mejora con un uso prolongado. Una afirmación sobre una app que aprende los hábitos de una persona con el tiempo necesitaría su propio estudio para verificarse.

¿Ayuda fotografiar la comida antes y después de cocinarla?

Los estudios citados no evalúan esta práctica concreta, así que no existe aquí una respuesta con fuente. Lo que sí muestra la investigación es que la visibilidad de la porción y los ingredientes, más que el momento de la foto, explica la mayor parte del error. Una foto clara con el plato completo visible aborda el problema de errores de captura que identificó el estudio de goFOOD Lite.

¿Por qué dos apps distintas dan cifras de calorías diferentes para la misma foto?

Cada app usa un modelo de IA distinto, y el estudio de Nutrients encontró variaciones reales entre modelos con las mismas fotos estandarizadas. ChatGPT-4o y Gemini 1.5 Pro se correlacionaron por encima de 0,8 con los valores de los nutricionistas, pero no de forma idéntica, y todos los modelos sobrestimaron la grasa en distinta medida.

¿El registro manual con una base de datos es siempre más preciso que una estimación por foto?

No siempre. El registro manual elimina la incertidumbre de la IA, pero depende de que la persona elija la entrada correcta de la base de datos y estime ella misma el tamaño de la porción. Ambos métodos conllevan error, y el estudio de npj Digital Medicine encontró límites de concordancia amplios incluso en una app de IA diseñada específicamente para esto, en condiciones de vida real.

Fuentes

• Comunicado de prensa del NIH, NUTRITION 2026 (EurekAlert): hallazgo preliminar sobre cuatro apps comerciales concretas probadas frente a comidas pesadas de cocina metabólica.
• Limited validity of an AI-powered app for dietary assessment in females with obesity, npj Digital Medicine: comparación revisada por pares frente a agua doblemente marcada.
• Accuracy of AI-Based Nutrient Estimation from Standardized Hospital Meal Images, Nutrients, DOI 10.3390/nu18060966: comparación revisada por pares de modelos de IA frente a nutricionistas colegiados.
• 21 CFR 101.9(g), norma de tolerancia de etiquetado nutricional de la FDA (eCFR), junto con el Reglamento (UE) n.º 1169/2011 para el etiquetado en la Unión Europea: las tolerancias legales para las etiquetas nutricionales impresas.
• The Human Factor in Automated Image-Based Nutrition Apps, JMIR mHealth and uHealth, DOI 10.2196/24467: tasa de errores de captura en un estudio de registro fotográfico basado en marcadores.
• Política editorial de Avocalo: cómo obtiene y verifica sus cifras Avocalo.

Publicado por Petros IT Solutions SRL. ¿Detectaste un error? Escribe a [email protected].