App per contare le calorie con IA: sono precise?

Le app per contare le calorie con IA sono precise?

Le app per contare le calorie con IA sono precise? Non con certezza: stimano, e gli studi pubblicati mostrano che la stima può essere vicina oppure sbagliata di centinaia di calorie. L'errore non è casuale. Le app tendono a sottostimare le calorie totali e a sovrastimare i grassi, perché una foto non mostra densità, peso né olio nascosto. Questo meccanismo, più che la qualità della singola app, spiega gran parte della differenza.

Perché una foto non può mostrare le calorie?

Una foto è un'immagine piatta della luce che rimbalza su un piatto. Mostra forma, colore e dimensione approssimativa. Non mostra densità, peso o ciò che è mescolato in una salsa.

Due ciotole di riso possono sembrare identiche e pesare in modo diverso, se una è più compressa. Un saltato lucido di olio appare quasi uguale a uno cotto con lo spray. Come cifra illustrativa, due cucchiai di olio aggiungono circa 240 calorie, e nessuna si vede in una foto.

Per questo foto migliori non bastano a risolvere il problema. La fotocamera cattura ciò che fa la luce, non ciò che direbbe una bilancia. Ogni stima da una sola immagine deve indovinare le parti che l'immagine non può mostrare.

Come stima le calorie da una foto un'app?

Un'app con IA usa un modello di visione che guarda l'immagine e riconosce quali alimenti ci sono. Poi stima le porzioni dagli indizi visivi: la grandezza del piatto, l'altezza del cibo, il confronto con le forme di porzione più comuni.

Dagli alimenti riconosciuti e dalle porzioni stimate, il modello produce direttamente i valori di calorie e macronutrienti. È diverso da una scansione del codice a barre o da una ricerca in un database. A questo punto non c'è nessun confronto con una tabella di valori misurati.

Poi sei tu a controllare il risultato. Puoi correggere l'alimento riconosciuto, la porzione o i numeri prima di salvare. È questo passaggio a trasformare la stima da foto in una voce del diario, invece di lasciarla un'ipotesi.

La sequenza, riconoscere, stimare, controllare, mostra dove la stima può sbagliare e dove una tua correzione può intercettare l'errore.

Perché i grassi si stimano peggio e di quanto sbaglia il totale?

Uno studio del 2026 su Nutrients ha confrontato modelli di IA con dietisti registrati, usando foto standardizzate di pasti ospedalieri. Le stime di energia e carboidrati dei modelli migliori, ChatGPT-4o e Gemini 1.5 Pro, correlavano oltre 0,8 con i valori dei dietisti, spesso entro circa il 10 percento (Nutrients, DOI 10.3390/nu18060966). Tutti i modelli mostravano una sovrastima media dei grassi superiore al 20 percento. Anche le proteine erano meno precise dell'energia.

Il motivo dipende da ciò che una fotocamera riesce a vedere. Gli alimenti ricchi di carboidrati, come il riso, hanno un rapporto abbastanza prevedibile tra volume e calorie. I grassi spesso sono invisibili, sciolti in una salsa o raccolti sotto altri ingredienti. Un modello che li deduce solo dall'aspetto tende a esagerare.

Altri due studi quantificano l'errore sul totale delle calorie, non solo sui grassi. Un dato preliminare presentato a NUTRITION 2026 ha testato quattro app commerciali, MyFitnessPal, LoseIt!, CalAI e Appediet, su un primo gruppo di 102 pasti di una cucina metabolica con ingredienti misurati a 0,1 grammo, poi su oltre 200 pasti aggiuntivi esaminati in seguito. Le app hanno sottostimato le calorie di circa 250-345 kcal a pasto e i grassi di circa 30 g (EurekAlert, NIH/NIDDK). Il risultato è preliminare e non ha ancora passato la revisione tra pari.

Uno studio con revisione tra pari su npj Digital Medicine ha confrontato un'app di IA chiamata SNAQ con l'acqua doppiamente marcata, misura di riferimento dell'energia assunta, in donne con obesità. L'app ha sottostimato l'assunzione giornaliera di 817 kcal in media, uno scarto del 25 percento rispetto a una media misurata di 3.004 kcal al giorno. L'accordo tra misure ripetute era praticamente nullo, con un ICC di 0,00 (PMC, npj Digital Medicine).

Lo schema è questo: le foto controllate di un solo piatto danno le stime più vicine. I pasti della vita reale, con più alimenti, producono gli scarti maggiori.

L'etichetta nutrizionale stampata è davvero più precisa?

L'etichetta stampata sembra un terreno più solido di una stima da foto, ma anche i suoi valori sono approssimati. In Unione Europea il Regolamento (UE) n. 1169/2011 stabilisce cosa un'etichetta deve dichiarare, e i valori riportati sono medie, non misure del singolo prodotto che hai in mano.

Per confronto, la norma statunitense è più esplicita sul margine. Secondo la regola FDA 21 CFR 101.9(g), calorie, grassi totali, grassi saturi, grassi trans, colesterolo e sodio sono nutrienti di Classe I. Non possono superare il 120 percento del valore dichiarato in etichetta. La norma non fissa alcun limite contro la sottostima.

Negli Stati Uniti, quindi, le calorie di un'etichetta possono legalmente arrivare al 20 percento sopra il valore reale di laboratorio, e nulla vieta che siano più basse. Proteine, vitamine, minerali e fibre alimentari sono invece nutrienti di Classe II: devono essere almeno l'80 percento del valore dichiarato, senza tetto.

Non vuol dire che le etichette siano inaffidabili. È un contesto: anche un valore regolamentato e testato in laboratorio ha un margine incorporato, non una garanzia di esattezza. Stima da foto ed etichetta stampata sono entrambe approssimazioni, con fonti di errore diverse.

Contare le calorie con l'IA è più preciso del diario manuale?

Nessuno dei due metodi è privo di errori. Il diario manuale, cioè cercare un alimento in un database e inserire la porzione, dipende dalla voce scelta e dalla tua stima della porzione.

Il metodo con la foto sposta questo lavoro sul modello. Il modello ha lo stesso problema di fondo: non può pesare il cibo né vedere dentro un piatto.

Uno studio su un'app di ricerca con marcatore, goFOOD Lite, ha trovato che su 468 registrazioni fotografiche 60, cioè il 12,8 percento, sono state scartate per errori di acquisizione. Tra i motivi c'erano il marcatore di riferimento mancante o il piatto non del tutto visibile (JMIR mHealth and uHealth, DOI 10.2196/24467). È una fonte di errore separata dal modello di IA, in un sistema pensato proprio per ridurre gli errori di scatto.

Nessun metodo elimina le ipotesi. Cambia dove avviene l'ipotesi: nella stima della porzione fatta da una persona, o nella lettura di un'immagine fatta da un modello.

A cosa serve davvero una stima da foto e cosa la rovina?

Una stima da foto serve come primo passaggio rapido, non come numero definitivo. Per un piatto semplice e singolo, le stime si avvicinano al giudizio di un osservatore esperto, secondo lo studio ospedaliero su Nutrients. Per un piatto misto, cucinato in casa con salsa o olio, lo scarto tende ad ampliarsi, secondo i risultati di NIH/NIDDK e npj Digital Medicine.

Diverse cose rovinano il risultato senza che te ne accorga:

• Olio o salsa nascosti alterano soprattutto il valore dei grassi. I grassi sono il macronutriente che i modelli di IA sovrastimano con il margine più ampio, perché spesso nell'immagine non si vedono.
• Un piatto affollato o con più portate confonde la stima delle porzioni. Gli studi sui pasti misti della vita reale hanno trovato errori maggiori di quelli con piatti singoli e standardizzati.
• Senza un riferimento di grandezza è più difficile stimare le porzioni. Lo studio su goFOOD Lite ha rilevato che gli errori di acquisizione facevano fallire del tutto più di una registrazione fotografica su dieci.
• Saltare il controllo fissa la prima ipotesi del modello. Correggere l'alimento o la porzione prima di salvare è il momento in cui puoi sistemare ciò che l'immagine da sola non poteva mostrare.
• Confrontare una stima di IA con un'etichetta stampata ignora il margine dell'etichetta stessa. Secondo la norma statunitense, un'etichetta testata in laboratorio può legalmente superare del 20 percento il valore calorico reale per nutrienti di Classe I come calorie e grassi.

Se vuoi un numero più preciso per un piatto fatto in casa, puoi costruirlo ingrediente per ingrediente, seguendo la guida su come calcolare le calorie di una ricetta. Quando hai il totale, il calcolatore di calorie per porzione di ricetta lo divide in porzioni, senza bisogno di una stima da foto per un piatto da condividere.

Dove entra la stima da foto nel diario con Avocalo?

La registrazione da foto di Avocalo funziona come descritto in questo articolo. Fotografi un pasto o scegli una foto dalla galleria, e un modello di visione con IA riconosce gli alimenti e stima porzioni, calorie, proteine, carboidrati e grassi dall'immagine.

Quella stima non viene cercata in un database nutrizionale. L'app non pesa il cibo e non vede olio nascosto, salse o porzioni esatte. Controlli e modifichi il risultato prima di salvarlo.

Per gli alimenti che preferisci cercare direttamente, Avocalo offre anche la registrazione manuale: cerchi in un database costruito da Open Food Facts, USDA FoodData Central e tabelle nazionali di composizione degli alimenti, e riusi gli elementi recenti o frequenti. Usati insieme, i due metodi coprono più cose di una giornata di quanto faccia ciascuno da solo. Trovi l'app per App Store o Google Play dal download di Avocalo.

Domande frequenti

Un'app di calorie con IA può diventare più precisa con il tempo?

No, gli studi citati non lo dimostrano. Hanno misurato le prestazioni delle app in un solo momento, non l'apprendimento con l'uso ripetuto, e nessuna ricerca citata ha verificato se la precisione migliori con il tempo. Affermare che un'app impari le tue abitudini richiederebbe uno studio dedicato che lo verifichi.

Aiuta fotografare il cibo prima e dopo la cottura?

Non c'è una risposta documentata. Gli studi citati non testano questa pratica. Mostrano però che a pesare di più sull'errore sono la visibilità di porzioni e ingredienti, non il momento dello scatto. Una foto nitida con tutto il piatto in vista affronta il problema degli errori di acquisizione emerso nello studio su goFOOD Lite.

Perché due app danno calorie diverse per la stessa foto?

Perché app diverse usano modelli di IA diversi. Lo studio su Nutrients ha trovato variazioni reali tra i modelli sulle stesse foto standardizzate. ChatGPT-4o e Gemini 1.5 Pro correlavano oltre 0,8 con i valori dei dietisti, ma non in modo identico, e tutti i modelli sovrastimavano i grassi con margini diversi.

Il diario manuale con database è sempre più preciso di una stima da foto?

Non sempre. Il diario manuale elimina le supposizioni dell'IA, ma dipende dalla scelta della voce giusta nel database e dalla stima personale della porzione. Entrambi i metodi hanno errori, e lo studio su npj Digital Medicine ha trovato limiti di concordanza ampi anche per un'app costruita apposta, nell'uso quotidiano.

Fonti

• NIH News Release, NUTRITION 2026 (EurekAlert): dato preliminare su quattro app commerciali testate su pasti pesati di una cucina metabolica.
• Limited validity of an AI-powered app for dietary assessment in females with obesity, npj Digital Medicine: confronto con revisione tra pari rispetto all'acqua doppiamente marcata.
• Accuracy of AI-Based Nutrient Estimation from Standardized Hospital Meal Images, Nutrients, DOI 10.3390/nu18060966: confronto con revisione tra pari tra modelli di IA e dietisti registrati.
• Regolamento (UE) n. 1169/2011 per ciò che l'etichetta deve dichiarare in Europa, e 21 CFR 101.9(g), FDA nutrition labeling tolerance rule (eCFR) come confronto: la tolleranza di legge per le etichette nutrizionali negli Stati Uniti.
• The Human Factor in Automated Image-Based Nutrition Apps, JMIR mHealth and uHealth, DOI 10.2196/24467: tasso di errori di acquisizione in uno studio di registrazione fotografica con marcatore.
• Linea editoriale di Avocalo: come Avocalo cerca le fonti e verifica i suoi dati.

Pubblicato da Petros IT Solutions SRL. Hai notato un errore? Scrivi a [email protected].