ChatGPT consegue contar calorias por foto?

O ChatGPT consegue contar calorias por foto?

Sim, o ChatGPT consegue contar calorias a partir de uma foto, e costuma identificar os alimentos corretamente. Em um teste revisado por pares, o GPT-4 identificou alimentos em fotos reais de refeições com 93,0% de precisão e 84,6% de recall, um F1 de 88,6% (O'Hara et al. 2025, Nutrients). O ponto fraco é o número associado a esse alimento: o tamanho da porção, a gordura escondida e a consistência entre uma pergunta e outra. Para entender todo o processo por trás desses números, veja como a calculadora de calorias por IA funciona em três etapas.

Cole uma foto de um prato e o ChatGPT vai nomear o prato, listar ingredientes aproximados e dar uma estimativa de calorias e macros. Essa parte funciona bem porque modelos de visão são bons em reconhecer comida.

A tarefa difícil não é identificar arroz com frango. É pesá-los a partir de uma imagem plana, sem balança, sem sensor de profundidade e sem saber quanto óleo foi usado na panela. É aí que o número começa a se afastar da realidade.

Qual é o erro real do ChatGPT, segundo os estudos publicados?

A pesquisa publicada dá uma resposta concreta em vez de um palpite. Em um estudo com 114 fotos, o ChatGPT-4 subestimou o peso total da refeição em 76,3% dos casos, 87 de 114 (O'Hara et al. 2025, Nutrients).

Somando as 114 fotos, a diferença percentual absoluta entre o peso estimado pelo ChatGPT e o peso medido ficou em uma média de 27,8%, com desvio-padrão de 18,5%. Esse número único mistura todos os tamanhos de porção.

Separando por tamanho de porção, o padrão fica mais nítido. Porções pequenas não diferiram de forma significativa do peso medido (p=0,221). Porções médias e grandes foram significativamente subestimadas (p<0,001), embora o estudo não relate um percentual médio de erro separado para cada faixa de tamanho.

A concordância com as estimativas das próprias nutricionistas, medida por correlação intraclasse, foi de 0,56 para energia, faixa que o estudo descreve como fraca a moderada. A proteína saiu um pouco melhor, 0,67, moderada a boa, enquanto o carboidrato ficou em apenas 0,31, fraca.

Um estudo separado com refeições hospitalares testou dez modelos no total: três modelos multimodais de uso geral e sete aplicativos especializados em dieta. Entre os três modelos de melhor desempenho analisados em detalhe, incluindo o GPT-4o, a correlação com nutricionistas variou de 0,82 a 0,89 para energia, mas apenas de 0,41 a 0,48 para gordura (Isobe et al. 2026, Nutrients). A energia parece razoável na média. Os nutrientes individuais, não.

Colocando os números dos estudos lado a lado, aparece um padrão que nenhum deles mostra sozinho.

A identificação de alimentos é o elo mais forte da cadeia. O tamanho da porção e o teor de gordura são os mais fracos, e a reprodutibilidade fica abaixo de tudo isso.

Por que o ChatGPT subestima porções maiores?

O padrão não é aleatório, está ligado ao tamanho da porção. Nas 114 fotos, o erro médio absoluto de peso foi 27,8% ± 18,5%, mas esse número cobre todos os pratos juntos, não um tamanho específico.

Separando por faixa de tamanho, porções pequenas não diferiram de forma estatisticamente significativa do peso medido (p=0,221). Porções médias e grandes foram significativamente subestimadas (p<0,001) (O'Hara et al. 2025, Nutrients).

Um modelo que lê uma foto plana não tem régua nem informação de profundidade. Uma pilha pequena de comida se parece com o que realmente é. Um prato grande, alto ou em camadas se achata visualmente, e o modelo parece chutar de forma conservadora em vez de arriscar um número muito alto.

Isso significa que o erro não se espalha igualmente pela sua semana. Uma tigela de sopa pode voltar próxima da realidade. Um prato cheio e empilhado é o mais propenso a ser subestimado silenciosamente.

Por que a gordura é o número que o ChatGPT mais erra?

Óleo, manteiga e molhos desaparecem no brilho da superfície do prato, e uma foto não mostra quanto foi usado na panela. O estudo com refeições hospitalares encontrou superestimação de gordura entre 33,8% e 52,3% entre os modelos, um viés estatisticamente significativo (p<0,01) (Isobe et al. 2026, Nutrients).

A precisão dentro de ±10% do valor medido conta a mesma história de outro ângulo: 46,7% a 73,3% das refeições para energia, mas apenas 6,7% a 33,3% para gordura.

Isso é um mecanismo, não uma falha de julgamento. Um modelo pode ver o brilho e inferir "tem óleo", mas não consegue ver a colher de sopa que produziu esse brilho. Você pode calcular as calorias de óleo e molho que uma foto não mostra usando a calculadora de calorias do óleo de cozinha, que parte do que realmente entrou na panela, não de quão brilhante o prato parece.

O ChatGPT dá a mesma resposta se você perguntar duas vezes?

Não necessariamente, e isso importa mais do que qualquer número de erro isolado. Um estudo de 2026, desenhado especificamente para testar isso, rodou as mesmas imagens de refeições em modelos de linguagem 60 vezes cada, depois comparou o quanto as previsões variavam dentro de uma mesma imagem contra o quanto variavam entre fotos diferentes da mesma refeição (Wang, Lane & Waki 2026, JMIR Diabetes).

Os pesquisadores criaram esse método porque perguntas repetidas sobre uma foto idêntica não convergem para um número fixo. O estudo de O'Hara confirma essa lacuna pelo outro lado, afirmando claramente que testar a reprodutibilidade estava fora do escopo do trabalho (O'Hara et al. 2025, Nutrients).

Para uma curiosidade pontual, essa variação quase não importa. Para um controle diário, em que você quer que o número de hoje signifique o mesmo que o de ontem, é um problema real. Se quiser o panorama mais amplo sobre ferramentas de IA para calorias, não só o ChatGPT, veja como esses números se comparam entre apps de calorias com IA em geral.

O que o ChatGPT não faz que um app de controle alimentar faz?

Uma janela de chat responde uma única pergunta e depois esquece. Não tem histórico, não tem registro e nada para editar antes de o número ser salvo em algum lugar permanente.

O Avocalo parte do mesmo tipo de leitura por modelo de visão de uma foto, sem afirmar nenhuma precisão além do que os estudos acima mostram para o método subjacente. A diferença está no que acontece depois de a estimativa aparecer: você pode revisar e editar antes de salvar, e ela fica em um histórico contínuo em vez de desaparecer ao fim da conversa. Você pode registrar a foto de uma refeição, editar o resultado e mantê-lo em um histórico dentro do aplicativo.

Como contexto sobre para onde o setor está caminhando, o MyFitnessPal lançou um app dentro de uma nova experiência ChatGPT Health em janeiro de 2026, oferecendo orientação de macros, metas personalizadas, apoio ao controle de peso e receitas do seu banco de alimentos (comunicado do MyFitnessPal). Isso é uma consulta a banco de dados para orientação, não um recurso de estimativa por foto, e não muda nenhum dos números acima.

Então vale usar o ChatGPT para contar calorias?

Use para uma estimativa aproximada e pontual, especialmente em um prato com um ou dois alimentos visíveis e sem molho escondido. As taxas de erro publicadas sugerem que é aí que ele funciona melhor.

Seja mais cético com um prato empilhado, um prato frito ou com molho, ou qualquer refeição que você planeje comparar com a de amanhã. É exatamente aí que os estudos citados mostram as maiores lacunas, e onde perguntar duas vezes pode nem dar o mesmo número.

Armadilhas que comprometem o resultado silenciosamente:

• Não confie de olhos fechados em uma porção única, grande ou empilhada. Porções médias e grandes foram significativamente subestimadas no estudo de O'Hara (p<0,001), enquanto as pequenas não (p=0,221).
• Não assuma que uma foto brilhante significa que o modelo viu o óleo. A gordura foi superestimada entre 33,8% e 52,3% em um estudo, mas a precisão dentro de ±10% do valor real foi de apenas 6,7% a 33,3% para gordura, bem abaixo dos 46,7% a 73,3% da energia.
• Não pergunte a mesma foto duas vezes esperando o mesmo número. O estudo do JMIR Diabetes criou um método de 60 repetições justamente porque as respostas variam entre execuções.
• Não leia o ICC de energia de 0,56 como uma concordância sólida. O próprio estudo descreve essa faixa como fraca a moderada, não próxima.
• Não extrapole a precisão de carboidratos a partir do escore de identificação de alimentos. O F1 de identificação foi 88,6%, mas a concordância de carboidratos com nutricionistas foi só 0,31.

Perguntas frequentes

O ChatGPT consegue ler um rótulo nutricional em vez de uma foto de prato?

Os estudos citados testam fotos de refeições, não fotos de rótulos, então não há um número com fonte para essa situação. Um rótulo impresso já declara as calorias e macros, o que elimina o problema de adivinhar a porção que uma refeição no prato cria.

Pedir ao ChatGPT os ingredientes primeiro melhora a estimativa?

Nenhum dos três estudos citados testou um método de dois passos, com os ingredientes informados antes, então não há número com fonte para isso. A limitação de base, a ausência de referência de escala na foto, permanece independente de como a pergunta é formulada.

O app do MyFitnessPal dentro do ChatGPT é o mesmo que contar calorias por foto?

Não. Ele foi lançado em janeiro de 2026 oferecendo orientação de macros, metas personalizadas, apoio ao controle de peso e receitas do banco de alimentos do MyFitnessPal, não um recurso de estimativa por foto. É uma ferramenta de consulta a banco de dados, diferente da análise de foto por modelo de visão discutida neste artigo.

O GPT-4o é melhor do que versões mais antigas do ChatGPT nisso?

O estudo de Isobe et al. 2026 incluiu o GPT-4o entre os três modelos de melhor desempenho analisados em detalhe e encontrou correlação de gordura entre 0,41 e 0,48 entre eles, sem apontar uma versão como claramente superior. Nenhum estudo deste artigo isola um ranking de precisão versão por versão.

O ChatGPT consegue considerar o óleo de cozinha se você disser quanto usou?

Nenhum dos estudos citados testou informar uma quantidade de óleo no comando, então não há número com fonte para isso. Informar a quantidade elimina o palpite que os estudos mostram ser a causa real do viés de superestimação de gordura.

Fontes

• 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, para a precisão de identificação de alimentos, a subestimação de porções e a concordância com nutricionistas.
• Isobe T, et al. Accuracy of AI-Based Nutrient Estimation from Standardized Hospital Meal Images. Nutrients 2026, 18(6), 966, para o viés de superestimação de gordura e as correlações nutriente por nutriente.
• Wang Z, Lane D, Waki K. Toward Robust AI-Assisted Dietary Assessment for Diabetes Self-Management. JMIR Diabetes 2026, para a metodologia de repetições por trás do achado de reprodutibilidade.
• MyFitnessPal Launches App in New ChatGPT Health Experience, para o contexto datado sobre o que as integrações atuais do ChatGPT realmente oferecem.
• ANVISA, RDC 429/2020 (com a IN 75/2020), sobre o que um rótulo de alimento deve declarar no Brasil, complementando o contexto sobre rótulos citado acima.
• Veja também a política editorial da Avocalo para saber como os números deste guia são apurados e verificados.

Publicado por Petros IT Solutions SRL. Encontrou um erro? Escreva para [email protected].