¿Es fiable calcular calorías por foto con IA?

Cómo calcula la IA las calorías de una foto

Calcular las calorías a partir de una foto lleva tres pasos, y los modelos de IA actuales los hacen a la vez.

1. Reconocimiento. El modelo mira la imagen y nombra lo que ve: arroz, salmón, aguacate, un huevo frito. Es lo que mejor hace la IA, porque ha aprendido de una cantidad enorme de fotos de comida.
2. Estimación de la ración. Después calcula cuánto hay de cada alimento, normalmente en gramos. Para ello usa pistas visuales como el tamaño del plato, un tenedor al lado o la altura de un montón de arroz.
3. Valores nutricionales. Por último, convierte cada cantidad en calorías, proteína, carbohidratos y grasa con lo que sabe de los valores nutricionales típicos.

Los errores pueden colarse en cada paso, y se van sumando. Si el modelo acierta con el alimento pero calcula 150 g de pasta cuando tienes 250 g, las calorías saldrán un 40 % por debajo, por muy bueno que sea el reconocimiento.

Dónde fallan las estimaciones por foto

El tamaño de la ración. Una foto es plana, así que cuesta juzgar la profundidad. Un bol hondo de arroz y uno poco profundo pueden parecer iguales desde arriba. Un estudio con modelos de IA de uso general vio que subestimaban más cuanto mayor era la ración.

Aceite, mantequilla y aliños. La grasa que se añade al cocinar casi no se ve, y tiene muchas calorías. Una cucharada de aceite de oliva tiene unas 119 kcal y una de mantequilla, unas 102 kcal (USDA). Los investigadores de la Universidad de Sídney describen la incapacidad de detectar los ingredientes añadidos al cocinar como «una limitación reconocida de la tecnología actual de reconocimiento de imágenes de alimentos».

Platos combinados y salsas. Los guisos, los estofados, el curry y los boles por capas esconden lo que llevan dentro. En el mismo estudio, las estimaciones de energía de platos como el bibimbap, el pho de ternera o los huevos sobre tostada variaron mucho entre apps: unas se pasaban de largo y otras se quedaban muy cortas.

Bebidas. Un vaso de té con leche o un café con leche no deja ver cuánto azúcar lleva ni qué tipo de leche. En el estudio de Sídney, las apps subestimaron la energía del bubble tea (té con leche y perlas de tapioca) hasta en un 76 %.

Alimentos menos conocidos. El equipo de Sídney vio que las apps a menudo no distinguían los componentes de platos asiáticos como el pho de ternera o el bubble tea, y pidió entrenar más la IA con «platos combinados y alimentos de culturas diversas».

Qué dice la investigación

Son estudios revisados por pares que puedes leer tú mismo. Cada uno probó apps o modelos distintos en condiciones distintas, así que sus cifras no se pueden comparar directamente.

Universidad de Sídney, 2024. Los investigadores probaron 18 apps de nutrición, 7 de ellas con reconocimiento de fotos por IA, en un estudio publicado en Nutrients. Las dos mejores apps identificaron correctamente el 97 % y el 92 % de los componentes de los alimentos en las fotos de prueba. Aun así, los autores concluyeron que «las estimaciones automáticas de energía a partir del reconocimiento de imágenes de alimentos con IA eran inexactas», sobre todo en los platos combinados. Sus fotos de prueba se hicieron con buena luz y desde un ángulo constante, así que las fotos del día a día pueden salir peor.

ChatGPT y fotos de comidas, 2025. Un estudio en Nutrients le dio a ChatGPT-4 fotos de 114 comidas. Identificó bien los alimentos el 93 % de las veces. Su estimación del peso de la comida se ajustaba bien a la realidad en las comidas pequeñas y mal en las medianas y grandes, y subestimó 11 nutrientes.

Tres modelos de IA comparados, 2025. Un estudio en Current Developments in Nutrition probó ChatGPT-4o, Claude 3.5 Sonnet y Gemini 1.5 Pro con 52 fotos estandarizadas de comida. ChatGPT y Claude tuvieron un error medio de energía de alrededor del 36 %, y Gemini 1.5 Pro, errores mayores. Los tres subestimaban más cuanto mayor era la ración. CaloriePix usa modelos de Google Gemini más recientes, que ese estudio no probó.

El registro manual tampoco es exacto. En el mismo estudio de Sídney, las 16 apps con registro manual sobrestimaron un día de comidas occidentales en unas 250 kcal (1040 kJ) de media y subestimaron un día de comidas asiáticas en unas 360 kcal (1520 kJ). Una revisión sistemática de 2019 con 59 estudios comparó lo que la gente dice que come con un método de laboratorio preciso (el agua doblemente marcada) y vio que la mayoría de los estudios mostraban una infradeclaración importante. Tanto una estimación por foto como un registro escrito a mano tienen margen de error. Lo que más ayuda es registrar con constancia y corregir lo que sabes que no cuadra.

Cómo lo resuelve CaloriePix

Como lo difícil son las raciones y los ingredientes ocultos, CaloriePix está pensada para que puedas corregirlos sin complicaciones.

• Una lista de alimentos que puedes editar. Un escaneo devuelve cada alimento por separado, con su cantidad estimada y sus calorías, proteína, carbohidratos y grasa. Toca cualquier alimento para cambiar su cantidad o su unidad, o para corregir sus valores, incluso dejarlos a cero si la IA ha añadido algo que no está. También puedes renombrar la comida o escalarla entera.
• Lo que ha supuesto la estimación. La pantalla de revisión incluye notas sobre las suposiciones de la estimación, para que veas qué ha dado por hecho antes de aceptarla.
• Los valores del propio envase para los productos envasados. Al escanear un código de barras, la app busca el producto en la base de datos de Open Food Facts, y al escanear la etiqueta nutricional lee los valores del envase.
• Palabras cuando la foto no basta. Describe la comida o dila en voz alta, con cantidades como «2 cucharadas de pesto» o «un café con leche de avena grande». También puedes buscar alimentos por su nombre en USDA FoodData Central.

Cuando analizas una foto o una descripción, se envía a la API Gemini de Google para obtener la estimación. Tu diario se queda en tu móvil. La estimación es para el seguimiento del día a día y no es un consejo médico.

Consejos para afinar la estimación

• 
  Busca buena luz y que salga el plato enteroLas sombras y los bordes cortados esconden comida.
• 
  Deja a la vista el plato y un tenedor o una cucharaDan una referencia de escala, que ayuda con el tamaño de la ración.
• 
  Un plato por fotoLos platos para compartir y las mesas llenas son más difíciles de separar.
• 
  Añade lo que la cámara no veRegistra el aceite, la mantequilla, los aliños y las salsas como una entrada aparte, o describe la comida con palabras y menciónalos.
• 
  Revisa las raciones grandesLas estimaciones tienden a quedarse cortas cuanto mayor es la ración, así que mira dos veces un plato grande de pasta o de arroz.
• 
  Usa el código de barras o la etiqueta en los envasadosLos valores del envase ganan a cualquier estimación.
• 
  Describe las bebidasDi el tamaño, la leche y si lleva azúcar.
• 
  Pesa la comida de vez en cuandoPesar una vez unos cuantos alimentos habituales te enseña cómo son 100 g y hace que corrijas más rápido.

Preguntas frecuentes

Fuentes

1. Li X, Yin A, Choi HY, Chan V, Allman-Farinelli M, Chen J. Evaluating the Quality and Comparative Validity of Manual Food Logging and Artificial Intelligence-Enabled Food Image Recognition in Apps for Nutrition Care. Nutrients. 2024;16(15):2573. doi:10.3390/nu16152573. Nota de prensa de la Universidad de Sídney: AI food tracking apps need improvement to address accuracy, cultural diversity (29 de agosto de 2024)
2. 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. doi:10.3390/nu17040607
3. Fridolfsson J, Sjöberg E, Thiwång M, Pettersson S. Performance Evaluation of 3 Large Language Models for Nutritional Content Estimation from Food Images. Current Developments in Nutrition. 2025;9(10):107556. doi:10.1016/j.cdnut.2025.107556
4. Burrows TL, Ho YY, Rollo ME, Collins CE. Validity of Dietary Assessment Methods When Compared to the Method of Doubly Labeled Water: A Systematic Review in Adults. Frontiers in Endocrinology. 2019;10:850. doi:10.3389/fendo.2019.00850
5. Dalakleidi KV, Papadelli M, Kapolos I, Papadimitriou K. Applying Image-Based Food-Recognition Systems on Dietary Assessment: A Systematic Review. Advances in Nutrition. 2022;13(6):2590–2619. doi:10.1093/advances/nmac078
6. Departamento de Agricultura de EE. UU. FoodData Central: aceite de oliva (171413), mantequilla sin sal (173430)
7. Preguntas frecuentes de Cal AI: www.calai.app/faq (comprobado el 9 de octubre de 2026)
8. Política de privacidad de CaloriePix: shape-up-me-privacy-policy.vercel.app

Empieza con tu próxima comida
Hazle una foto, revisa la estimación y mira cómo va tu día.