¿Qué tan confiable es calcular calorías por foto con IA?

Cómo calcula la IA las calorías de una foto

Calcular calorías a partir de una foto lleva tres pasos, y los modelos de IA actuales los hacen al mismo tiempo.

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 aprendió de enormes cantidades de imágenes de comida.
2. Estimación de la porción. Luego calcula cuánto hay de cada alimento, casi siempre en gramos. Usa pistas visuales como el tamaño del plato, un tenedor al lado o la altura de un montón de arroz.
3. Nutrición. Por último, convierte cada cantidad en calorías, proteína, carbohidratos y grasa con lo que sabe sobre los valores nutricionales típicos.

Los errores pueden colarse en cada paso, y se van sumando. Si el modelo identifica bien el alimento pero calcula 150 g de pasta cuando tienes 250 g, las calorías quedarán alrededor de un 40% por debajo, por muy bueno que haya sido el reconocimiento.

Dónde fallan las estimaciones con foto

El tamaño de la porción. Una foto es plana, así que la profundidad es difícil de juzgar. Un plato hondo de arroz y uno poco profundo pueden verse igual desde arriba. Una investigación sobre modelos de IA de uso general encontró que subestimaban más conforme las porciones eran más grandes.

Aceites, mantequilla y aderezos. La grasa que se agrega al cocinar casi no se ve, y concentra muchas calorías. Una cucharada de aceite de oliva tiene unas 119 kcal y una cucharada de mantequilla unas 102 kcal (USDA). Los investigadores de la Universidad de Sídney llaman a la incapacidad de detectar los ingredientes agregados al cocinar “una limitación reconocida de la tecnología actual de reconocimiento de imágenes de alimentos”.

Platillos combinados y salsas. Los curris, guisos, cazuelas y bowls en capas esconden lo que tienen dentro. En el mismo estudio, las estimaciones de energía de platillos como el bibimbap, el pho de res y los huevos sobre pan tostado variaron mucho entre apps: algunas se pasaron por bastante y otras se quedaron muy cortas.

Bebidas. Un vaso de té con leche o un latte no muestra cuánta azúcar ni qué tipo de leche tiene. En el estudio de Sídney, las apps subestimaron la energía del té de perlas (bubble tea) hasta en un 76%.

Alimentos menos conocidos. El equipo de Sídney encontró que las apps a menudo no lograban distinguir los componentes de platillos asiáticos como el pho de res y el té de perlas, y pidió entrenar más a la IA con “platillos combinados y alimentos de culturas diversas”.

Lo que dice la investigación

Estos son estudios revisados por pares que puedes leer tú mismo. Cada uno probó apps o modelos distintos en condiciones distintas, así que los números 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 del reconocimiento de imágenes de alimentos con IA fueron inexactas”, sobre todo en platillos combinados. Sus fotos de prueba se tomaron con buena luz y desde un ángulo constante, así que las fotos del día a día podrían salir peor.

ChatGPT y fotos de comidas, 2025. Un estudio en Nutrients le dio a ChatGPT-4 fotos de 114 comidas. Identificó los alimentos correctamente el 93% de las veces. Su estimación del peso de la comida coincidió bien con la realidad en 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 alimentos. ChatGPT y Claude tuvieron un error promedio de energía de alrededor del 36%, y Gemini 1.5 Pro tuvo errores mayores. Los tres subestimaron más conforme crecían las porciones. CaloriePix usa modelos más nuevos de Google Gemini, 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 (1,040 kJ) en promedio y subestimaron un día de comidas asiáticas en unas 360 kcal (1,520 kJ). Una revisión sistemática de 2019 con 59 estudios comparó lo que las personas reportan comer con un método de laboratorio preciso (agua doblemente marcada) y encontró que la mayoría de los estudios mostraba un subregistro importante. Tanto una estimación con foto como un registro hecho a mano tienen errores. Lo que más ayuda es registrar con constancia y corregir las partes que sabes que están mal.

Cómo lo resuelve CaloriePix

Como lo difícil son las porciones y los ingredientes ocultos, CaloriePix está hecha para que puedas corregirlos fácilmente.

• Una lista de alimentos que puedes editar. Un escaneo te devuelve cada alimento por separado, con su cantidad estimada y sus calorías, proteína, carbohidratos y grasa. Toca cualquier alimento para cambiar su cantidad o unidad, o para corregir sus nutrientes, incluso a cero si la IA agregó algo que no está. También puedes renombrar la comida o ajustar la comida completa hacia arriba o hacia abajo.
• Qué supuso la estimación. La pantalla de revisión incluye notas sobre lo que asumió la estimación, para que veas qué dio por hecho antes de aceptarla.
• Los datos del empaque para alimentos empacados. 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 datos del empaque.
• Palabras cuando una foto no lo muestra. Describe la comida o dila en voz alta, con cantidades como “2 cucharadas de pesto” o “un latte grande con leche de avena”. También puedes buscar alimentos por 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 celular. La estimación es para el registro del día a día y no es un consejo médico.

Consejos para mejores estimaciones

• 
  Usa buena luz y deja todo el plato en la imagenLas sombras y los bordes cortados esconden comida.
• 
  Deja el plato y un tenedor o una cuchara a la vistaDan una idea de la escala, y eso ayuda con el tamaño de la porción.
• 
  Un plato por fotoLos platillos para compartir y las mesas llenas son más difíciles de separar.
• 
  Agrega lo que la cámara no veRegistra el aceite de cocina, la mantequilla, los aderezos y las salsas como un alimento aparte, o describe la comida con palabras y menciónalos.
• 
  Revisa las porciones grandesLas estimaciones tienden a quedarse cortas conforme crecen las porciones, así que fíjate dos veces en un plato grande de pasta o de arroz.
• 
  Usa el código de barras o la etiqueta en alimentos empacadosLos datos del empaque le ganan a cualquier estimación.
• 
  Describe las bebidasDi el tamaño, el tipo de leche y si tiene azúcar.
• 
  Pesa la comida de vez en cuandoPesar una vez algunos alimentos comunes te enseña cómo se ven 100 g, y hace que tus correcciones sean más ágiles.

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. Comunicado 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 Estados Unidos. FoodData Central: aceite de oliva (171413), mantequilla sin sal (173430)
7. Preguntas frecuentes de Cal AI: www.calai.app/faq (revisado el 9 de octubre de 2026)
8. Política de privacidad de CaloriePix: shape-up-me-privacy-policy.vercel.app

Empieza con tu próxima comida
Tómale foto, revisa la estimación y mira cómo se suma tu día.