ChatGPT può contare le calorie da una foto?

ChatGPT può contare le calorie da una foto, e spesso riconosce correttamente gli alimenti. In un test peer-reviewed, GPT-4 ha identificato i cibi in foto di pasti reali con una precisione del 93,0% e un richiamo dell'84,6%, cioè un punteggio F1 dell'88,6% (O'Hara et al. 2025, Nutrients). Il punto debole è il numero associato al cibo: porzione, grassi nascosti e la stessa risposta due volte. Per l'intero percorso dietro queste stime, leggi come funzionano le app contacalorie con IA, con le tre fasi della stima da foto.

ChatGPT può contare le calorie da una foto?

Sì. Se carichi la foto di un piatto, ChatGPT indica il nome del piatto, elenca gli ingredienti approssimativi e fornisce una stima di calorie e macronutrienti. Funziona perché i modelli di visione sono bravi a riconoscere il cibo.

Il compito difficile non è dire "riso e pollo". È pesarli da un'immagine piatta, senza bilancia, senza sensore di profondità e senza sapere quanto olio è finito in padella. Qui il numero comincia ad allontanarsi dalla realtà.

Quanto sbaglia ChatGPT secondo gli studi pubblicati?

In uno studio su 114 foto, ChatGPT-4 ha sottostimato il peso totale del pasto nel 76,3% delle fotografie, cioè 87 su 114 (O'Hara et al. 2025, Nutrients). La ricerca pubblicata dà una risposta concreta, non un'impressione.

Su tutte le 114 fotografie, la differenza percentuale assoluta tra il peso stimato e quello misurato è stata in media del 27,8%, con una deviazione standard del 18,5%. Questo valore unico mescola tutte le dimensioni di porzione.

Distinguendo per dimensione, il quadro si precisa. Le porzioni piccole non erano significativamente diverse dal peso misurato (p=0,221). Le porzioni medie e grandi erano invece sottostimate in modo significativo (p<0,001), anche se l'articolo non riporta un errore percentuale medio separato per ciascuna fascia.

L'accordo con le stime dei dietisti, misurato con il coefficiente di correlazione intraclasse, è stato 0,56 per l'energia, un valore che lo studio definisce da scarso a moderato. Le proteine sono andate un po' meglio, con 0,67 (da moderato a buono), mentre per i carboidrati l'accordo era solo 0,31, scarso.

Un altro studio su pasti ospedalieri ha messo alla prova dieci modelli: tre modelli multimodali generici e sette app dietetiche specializzate. Tra i tre migliori, analizzati nel dettaglio e tra cui c'è GPT-4o, la correlazione con i dietisti andava da 0,82 a 0,89 per l'energia, ma solo da 0,41 a 0,48 per i grassi (Isobe et al. 2026, Nutrients). L'energia, in media, è discreta. I singoli nutrienti no.

Mettendo i dati degli studi uno accanto all'altro emerge uno schema che nessuno di loro dichiara da solo.

Il riconoscimento del cibo è l'anello più forte della catena. Porzione e grassi sono i più deboli, e sotto a tutto c'è la riproducibilità.

Perché ChatGPT sottostima le porzioni più grandi?

ChatGPT sottostima le porzioni grandi perché l'errore sul peso dipende dalla dimensione del piatto. Su tutte le 114 foto l'errore assoluto medio era del 27,8% ± 18,5%, ma quel valore copre tutti i piatti insieme, non una dimensione specifica.

Per fascia, le porzioni piccole non erano statisticamente diverse dal peso misurato (p=0,221). Quelle medie e grandi erano sottostimate in modo significativo (p<0,001) (O'Hara et al. 2025, Nutrients).

Un modello che legge una foto piatta non ha un righello né informazioni di profondità. Un piccolo mucchio di cibo sembra più o meno ciò che è. Un piatto alto, colmo o a strati si "schiaccia" nell'immagine, e il modello sembra preferire una stima prudente al rischio di un numero troppo alto.

Quindi l'errore non è distribuito in modo uniforme nella tua settimana. Una ciotola di zuppa può tornare vicina al vero. Un piatto di cena ben colmo è quello che rischia di essere contato in difetto senza che te ne accorga.

Perché i grassi sono il valore che ChatGPT sbaglia di più?

I grassi sono il valore più difficile perché olio, burro e salse spariscono nella lucidità della superficie, e una foto non mostra quanto ne sia finito in padella. Lo studio sui pasti ospedalieri ha trovato i grassi sovrastimati dal 33,8% al 52,3% a seconda dei modelli, una distorsione statisticamente significativa (p<0,01) (Isobe et al. 2026, Nutrients).

Anche l'accuratezza entro ±10% del valore misurato racconta la stessa storia: dal 46,7% al 73,3% dei pasti per l'energia, ma solo dal 6,7% al 33,3% per i grassi.

È un meccanismo, non un difetto di giudizio. Un modello vede la lucentezza e deduce "condito con olio", ma non vede il cucchiaio che l'ha prodotta. Puoi calcolare le calorie di olio e salse che la foto non mostra con il calcolatore gratuito delle calorie dell'olio di cottura, che parte da ciò che è finito davvero in padella e non da quanto brilla il piatto.

ChatGPT dà la stessa risposta se glielo chiedi due volte?

Non necessariamente, e conta più di qualunque singolo dato di errore. Uno studio del 2026, pensato apposta per verificarlo, ha fatto analizzare le stesse immagini di pasti a modelli linguistici di grandi dimensioni 60 volte ciascuna. Poi ha confrontato la variazione delle previsioni su una stessa immagine con quella tra foto diverse dello stesso pasto (Wang, Lane & Waki 2026, JMIR Diabetes).

I ricercatori hanno costruito questo metodo perché le richieste ripetute sulla stessa foto non convergono su un numero fisso. Lo studio di O'Hara conferma il vuoto dall'altro lato, dichiarando che verificare la riproducibilità andava oltre i suoi obiettivi (O'Hara et al. 2025, Nutrients).

Per una curiosità occasionale questa variabilità conta poco. Per un monitoraggio quotidiano, in cui il numero di oggi deve valere come quello di ieri, è un vero problema. Per capire come ridurre l'errore in generale, leggi come contare le calorie con precisione.

Che cosa fa un'app di tracciamento che ChatGPT non fa?

Una finestra di chat risponde a una sola domanda e poi la dimentica. Non ha un diario, né uno storico, né qualcosa da correggere prima che il numero venga salvato.

Avocalo si basa sullo stesso tipo di lettura della foto da parte di un modello di visione, senza dichiarare alcuna accuratezza oltre a ciò che gli studi qui sopra mostrano per il metodo di base. La differenza sta in quello che succede dopo la stima: puoi rivederla e modificarla prima di salvarla, e resta in un diario continuo invece di sparire alla fine della conversazione. Nell'app puoi registrare la foto di un pasto, correggerla e tenerla nello storico.

Per capire come si muove il settore, a gennaio 2026 MyFitnessPal ha lanciato un'app dentro la nuova esperienza ChatGPT Health, con indicazioni sui macronutrienti, obiettivi personalizzati, supporto alla gestione del peso e ricette dal suo database alimentare (comunicato stampa di MyFitnessPal). È una consultazione di database per orientarsi, non una stima da foto, e non cambia nessuno dei dati sopra.

Conviene usare ChatGPT per contare le calorie?

Usalo per una stima approssimativa e occasionale, soprattutto su un piatto con uno o due alimenti visibili e senza salse nascoste. Gli errori pubblicati indicano che lì regge meglio.

Sii più scettico davanti a un piatto colmo, a un fritto, a un piatto con salsa o a qualunque pasto che vuoi confrontare con quello di domani. Sono esattamente i casi in cui gli studi citati mostrano le lacune maggiori, e in cui chiedere due volte può non dare nemmeno lo stesso numero. Le stime sono approssimazioni: per questioni di salute rivolgiti a un professionista.

Trappole che rovinano il risultato senza che te ne accorga:

• Non fidarti alla cieca di una porzione grande o a strati. Nello studio di O'Hara le porzioni medie e grandi erano sottostimate in modo significativo (p<0,001), quelle piccole no (p=0,221).
• Non pensare che una foto lucida significhi che il modello ha visto l'olio. I grassi sono stati sovrastimati dal 33,8% al 52,3% in uno studio, eppure l'accuratezza entro ±10% del valore reale era solo dal 6,7% al 33,3% per i grassi, ben sotto il 46,7%-73,3% dell'energia.
• Non chiedere due volte la stessa foto aspettandoti lo stesso numero. Lo studio di JMIR Diabetes ha costruito un metodo da 60 ripetizioni proprio perché le risposte cambiano da una volta all'altra.
• Non leggere l'ICC di 0,56 sull'energia come un accordo solido. Lo studio stesso definisce quell'intervallo da scarso a moderato, non vicino.
• Non dedurre l'accuratezza sui carboidrati dal punteggio di riconoscimento. L'F1 di identificazione era 88,6%, ma l'accordo sui carboidrati con i dietisti era solo 0,31.

Domande frequenti

ChatGPT può leggere un'etichetta nutrizionale invece di una foto?

Gli studi citati testano foto di pasti, non di etichette, quindi non c'è un dato con fonte per questo caso. Un'etichetta stampata riporta già calorie e macronutrienti, e così evita del tutto il problema di indovinare la porzione di un piatto già pronto.

Chiedere prima gli ingredienti a ChatGPT migliora la stima?

Nessuno dei tre studi citati ha provato un metodo in due passaggi che parte dagli ingredienti, quindi non esiste un dato con fonte né a favore né contro. Il limite di fondo, cioè l'assenza di un riferimento di scala nella foto, resta comunque, comunque si formuli la domanda.

L'app MyFitnessPal dentro ChatGPT è la stessa cosa del conteggio da foto?

No. È stata lanciata a gennaio 2026 con indicazioni sui macronutrienti, obiettivi personalizzati, supporto alla gestione del peso e ricette dal database alimentare di MyFitnessPal, non con una stima da foto. È uno strumento di consultazione di database, diverso dall'analisi della foto con un modello di visione di cui parla questo articolo.

GPT-4o fa meglio delle versioni precedenti di ChatGPT?

Lo studio di Isobe et al. 2026 includeva GPT-4o tra i tre modelli migliori analizzati nel dettaglio e ha trovato una correlazione sui grassi da 0,41 a 0,48 tra loro, senza indicare una versione chiaramente superiore. Nessuno degli studi citati isola una classifica di accuratezza versione per versione.

ChatGPT può tenere conto dell'olio di cottura se gli dici quanto ne hai usato?

Nessuno degli studi citati ha provato a indicare la quantità di olio nella richiesta, quindi non c'è un dato con fonte. Dirgli la quantità toglie l'indovinello che, secondo gli studi, è l'origine reale della sovrastima dei grassi.

Fonti

• O'Hara C, Kent G, Flynn AC, Gibney ER, Timon CM. An Evaluation of ChatGPT for Nutrient Content Estimation from Meal Photographs. Nutrients 2025, 17(4), 607, per l'accuratezza nel riconoscere gli alimenti, la sottostima delle porzioni e l'accordo con i dietisti.
• Isobe T, et al. Accuracy of AI-Based Nutrient Estimation from Standardized Hospital Meal Images. Nutrients 2026, 18(6), 966, per la sovrastima dei grassi e le correlazioni nutriente per nutriente.
• Wang Z, Lane D, Waki K. Toward Robust AI-Assisted Dietary Assessment for Diabetes Self-Management. JMIR Diabetes 2026, per il metodo a ripetizioni alla base del dato sulla riproducibilità.
• MyFitnessPal Launches App in New ChatGPT Health Experience, per il contesto datato su ciò che le integrazioni attuali di ChatGPT offrono davvero.
• Vedi anche la linea editoriale di Avocalo, che spiega come i dati di questa guida vengono citati e controllati.

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