Blog

¿Qué tan precisas son las apps de calorías con IA? Todos los estudios publicados, 2023–2026

Todos los estudios que encontramos sobre la precisión de la IA al estimar calorías a partir de fotos de comida, en una sola tabla: la prueba del NIH de 2026 con cuatro apps, los estudios sobre ChatGPT, Claude y Gemini, dos revisiones sistemáticas, la investigación sobre comida de Oriente Medio y las afirmaciones de los fabricantes. El error típico va del 14 % al 36 %, y tiende a quedarse corto.

Por Md Sadab Wasim, fundador de CallieNormas editorialesPublicado el 20 de octubre de 2026Actualizado el 20 de octubre de 202619 min de lectura
qué tan precisas son las apps de calorías con IAprecisión de contadores de calorías con IAestudio de estimación de calorías con IAprecisión de apps de calorías por fotoprecisión de ChatGPT con las caloríasinvestigación sobre calorías en fotos de comida

Para quedarte con esto

  • En los estudios publicados entre 2023 y 2026, las estimaciones de calorías que hace la IA a partir de una foto de comida suelen fallar entre un 14 % y un 36 %, y tienden a quedarse cortas.
  • En la mayor prueba de apps, un equipo del NIH vio que MyFitnessPal, Lose It!, Cal AI y Appediet subestimaron 102 comidas pesadas en 252 a 345 kcal cada una, alrededor de un tercio, con unos 30 g de grasa de menos. Es un resumen de congreso, aún sin revisión por pares.
  • Los chatbots generales no lo hicieron mejor solo con la foto: 35,8 % de error para GPT-4o y Claude 3.5 Sonnet, 64,2 % para Gemini 1.5 Pro (2025) y 30,5 % para ChatGPT-5 (2025).
  • La corrección es la palanca más fuerte en los datos. Darle a ChatGPT-5 la lista de ingredientes con cantidades redujo su error del 30,5 % al 13,9 % en 195 platos.
  • El error crece con las porciones grandes, los platos mezclados y la grasa oculta. Un preprint de 2026 con 802 comidas añade que un error medio pequeño puede esconder fallos amplios en comidas concretas.
  • La mayor parte de la evidencia es pequeña: de 15 a 195 comidas por estudio, varios resúmenes de congreso o tesis, y modelos que cambian cada pocos meses.

Callie es nuestra app. Aparece aquí una sola vez, en nuestra propia prueba con 20 comidas, en la última fila de la tabla. Todas las demás cifras enlazan a su fuente, comprobada el 20 de octubre de 2026.

La respuesta en 30 segundos

Las estimaciones de calorías por foto que hace la IA suelen fallar entre un 14 % y un 36 %, y tienden a quedarse cortas. Solo con la foto, los fallos se acercan al extremo alto de ese rango. Investigadores del NIH vieron que cuatro apps populares subestimaban comidas pesadas en 252 a 345 kcal, alrededor de un tercio (2026), y los chatbots fallaron entre un 30,5 % y un 35,8 % en estudios de 2025. La precisión mejora mucho cuando una persona corrige los ingredientes y las porciones: darle a ChatGPT-5 la lista de ingredientes bajó su error al 13,9 %.

Todos los estudios de un vistazo

Todos los estudios que encontramos sobre la estimación de calorías con IA a partir de fotos de comida, agrupados por tipo: pruebas de apps y modelos, revisiones, estudios de reconocimiento, y después afirmaciones de fabricantes y nuestra propia prueba. Los errores se refieren a calorías salvo que se indique otra cosa.

Estudio y añoRevista o foroQué se probóMuestraMétodo de referenciaError principalNotas
Charles, Hengist et al. (NIDDK), 2026Resumen de NUTRITION 2026, American Society for NutritionMyFitnessPal, Lose It!, Cal AI, Appediet102 comidas, más de 200 en un seguimientoCocina metabólica, ingredientes pesados al 0,1 gSubestimación de 252 a 345 kcal por comida (alrededor de un tercio); grasa unos 30 g por debajoSin revisión por pares. Las comidas keto salieron peor
Li, 2026Preprint en arXiv6 modelos de Claude y GPT802 comidas, 148 días de alimentaciónIngesta pesada en un ensayo de alimentación controlada3 de 6 modelos mantuvieron el error medio dentro del 10 %; ninguno cumplió el límite del 30 % por comidaSin revisión por pares. Todos los modelos subestimaron la proteína
Isobe et al., 2026Nutrients 18(6):96610 modelos de IA frente a 10 dietistas15 comidas de hospitalPesaje directoLos mejores modelos, a menudo dentro del 10 % en energía, r superior a 0,8Todos los modelos de IA sobrestimaron la grasa en más de un 20 %
Rodríguez-Jiménez et al., 2025Nutrients 17(22):3613ChatGPT-5195 platosRecetas, SNAPMe, comidas caseras pesadas30,5 % solo con la foto; 13,9 % con la lista de ingredientes24,4 % con una descripción; 18,1 % solo con ingredientes
Fridolfsson et al., 2025Current Developments in Nutrition 9(10):107556GPT-4o, Claude 3.5 Sonnet, Gemini 1.5 Pro52 fotosPesaje directo y base de datos nutricional35,8 % (GPT-4o y Claude), 64,2 % (Gemini)Error en proteína del 60,7 % al 109,9 %. La subestimación crecía con la porción
Belfarsi y Ekeocha, 2025Kennesaw State, C-Day, investigación de másterGPT Vision, Claude, GeminiConjuntos de datos MenuMatch y CGMacrosEtiquetas de nutricionista, registros de MyFitnessPal13,83 % (GPT Vision, el mejor de 3)Sin revisión por pares. Referencia registrada, no pesada
Póster de Cureus, 2026Póster de CureusGPT-5.2, Gemini 3 Flash, Claude Sonnet 4.620 comidasPesos de báscula de cocina, valores del USDAMedias razonables, errores considerables por comidaMuestra pequeña. Póster, no artículo
Cofre et al., 2025British Journal of Nutrition 133(9)Revisión sistemática de la evaluación dietética con IA13 estudiosMétodos de evaluación tradicionales6 estudios con correlación superior a 0,7 para las calorías61,5 % de los estudios con riesgo de sesgo moderado
Shonkoff et al., 2023Annals of Medicine 55(2)Revisión de métodos de IA automatizados con imágenes52 estudios, de 2010 a 2023Tablas de nutrientes (51 %), comida pesada (27 %)Error medio en calorías del 0,10 % al 38,3 %Menor en alimentos simples. IA a la par de los humanos
Hariri, 2025American University of Beirut, tesis de másterReconocimiento de platos libaneses y regionales174 clases de platos, 7067 imágenes realesImágenes etiquetadas78,66 % de precisión de reconocimientoReconocimiento, no calorías
Aktı, Qaraqe, Ekenel, 2022Taller de ICIAP 2021 (arXiv)Reconocimiento de comida de Oriente Medio23 clases de platosImágenes etiquetadas94 % de precisión de reconocimientoReconocimiento, no calorías
SnapCalorie, 2023Afirmaciones de la empresa (TechCrunch, web)App SnapCalorieConjunto de entrenamiento de 5000 comidasNo publicadoError «inferior al 20 %»; «2x más preciso que los nutricionistas»Afirmaciones del fabricante, sin prueba publicada
Nuestra propia prueba, mayo de 2026Callie (no independiente)Callie, Cal AI20 comidasBáscula de cocina de 0,1 g, USDA FoodData CentralCallie 13 %, Cal AI 17 %Nosotros hacemos Callie. Ver el método

Estudio por estudio

Cada sección resume el método de un estudio, su cifra clave y su principal advertencia.

Prueba de apps del NIH/NIDDK (NUTRITION 2026)

Cuatro apps de fotos populares subestimaron comidas pesadas en 252 a 345 kcal cada una, alrededor de un tercio. Es la única prueba de apps comerciales frente a una cocina metabólica, donde los ingredientes se pesan al 0,1 g.

Investigadores del NIDDK pasaron las fotos de 102 comidas por MyFitnessPal, Lose It!, Cal AI y Appediet. La grasa quedó unos 30 g por debajo por comida, y los carbohidratos fueron el macronutriente más constante. Healio publicó las medias por app: Appediet 252 kcal por debajo, MyFitnessPal 327, Lose It! 333 y Cal AI 345. En un seguimiento con más de 200 comidas adicionales, las comidas keto salieron peor.

Las fotos se registraron sin correcciones. Aaron Hengist, investigador posdoctoral del NIDDK, dijo en el comunicado de prensa: «Quienes usan una app de seguimiento por foto sin ajustar las porciones ni introducir las cantidades de comida deberían tomarse los resultados con pinzas». Leigh A. Frame, PhD, de la George Washington University, escribió en el artículo de opinión de Healio que «probablemente es mejor ver estas herramientas como ayudas para cambiar hábitos que como instrumentos de nutrición de precisión».

Es un resumen de congreso, aún sin revisión por pares. Nuestro análisis del estudio del NIH explica el método.

Li, 802 comidas en un ensayo de alimentación (preprint de 2026)

Con 802 comidas pesadas, tres de seis modelos acertaron en promedio, pero ninguno fue fiable comida a comida. Es la muestra más grande de esta lista, un preprint publicado el 19 de octubre de 2026.

El preprint probó modelos de Claude y GPT frente a la ingesta pesada en un ensayo de alimentación controlada. A lo largo de 148 días de alimentación, tres modelos mantuvieron el intervalo de confianza del 90 % de su error medio dentro de un margen del 10 %. Ningún modelo cumplió el límite fijado de antemano del 30 % para comidas individuales. Todos los modelos subestimaron la proteína, sobre todo en comidas ricas en proteína.

La conclusión del autor vale para todos los estudios de esta tabla: un error medio bajo no demuestra que las estimaciones de cada comida sean precisas.

Isobe et al., comidas de hospital frente a dietistas (2026)

En energía, los mejores modelos de IA igualaron a dietistas titulados con 15 comidas de hospital pesadas. La grasa fue la excepción: todos los modelos de IA la sobrestimaron.

Este estudio publicado en Nutrients fotografió 15 comidas de hospital estandarizadas con iluminación fija. Diez dietistas titulados y 10 modelos de IA, entre ellos GPT-4o y Gemini 1.5 Pro, estimaron cada una. En energía y carbohidratos, los mejores modelos alcanzaron correlaciones superiores a 0,8 y a menudo quedaron dentro del 10 % de los valores pesados.

La proteína y la grasa salieron peor: todos los modelos de IA sobrestimaron los lípidos, con un sesgo medio superior al 20 %. Es lo contrario de lo que halló el NIH: la dirección del error en la grasa depende de la comida. Los autores piden una revisión «human-in-the-loop» y herramientas que tengan en cuenta los detalles de cocción.

Rodríguez-Jiménez et al., ChatGPT-5 con más contexto (2025)

ChatGPT-5 falló un 30,5 % solo con la foto y un 13,9 % cuando además tenía la lista de ingredientes. Esa caída es la prueba más clara de que corregir la estimación de la IA vale la pena.

El artículo publicado en Nutrients pasó 195 platos por ChatGPT-5 de cuatro formas. El error de energía fue del 30,5 % (unas 123 kcal por plato) solo con la foto, del 24,4 % con una descripción breve, del 13,9 % (unas 53 kcal) con la foto más los ingredientes y sus cantidades, y del 18,1 % con los ingredientes pero sin la foto. La foto ayudó; el detalle escrito ayudó más.

Así funciona una pantalla de revisión. Callie muestra cada estimación de foto y no guarda nada hasta que confirmas, así que puedes añadir el aceite o corregir una porción antes. El estudio no probó Callie. Probó la corrección en general, y fue la corrección lo que movió la cifra.

Fridolfsson et al., GPT-4o, Claude y Gemini (2025)

GPT-4o y Claude 3.5 Sonnet fallaron ambos un 35,8 % en las calorías de 52 fotos de comida, y Gemini 1.5 Pro un 64,2 %. Los tres subestimaron más a medida que crecían las porciones.

El estudio publicado en Current Developments in Nutrition comparó cada modelo con valores de referencia pesados, para alimentos sueltos y comidas completas en tres tamaños de porción. Los errores en proteína fueron del 60,7 % al 109,9 %.

Los autores vieron a GPT-4o y Claude comparables con los métodos tradicionales de evaluación dietética autodeclarada, sin el esfuerzo para el usuario. Aun así, su veredicto fue prudente: estos LLM generales «todavía no son adecuados para una evaluación dietética precisa en poblaciones clínicas o deportivas donde la cuantificación exacta es crítica». Consulta ¿puede ChatGPT contar calorías? para ver el uso de un chatbot en la práctica.

Investigación de máster en Kennesaw State (2025)

GPT Vision tuvo el menor error en calorías de tres modelos, un 13,83 %. Es un proyecto estudiantil presentado en una muestra universitaria, sin revisión por pares.

El Arbi Belfarsi y Henry Ekeocha compararon GPT Vision, Claude y Gemini con dos conjuntos de datos públicos: MenuMatch, etiquetado por un nutricionista, y CGMacros, creado a partir de registros de usuarios de MyFitnessPal. Gemini tuvo los errores de macros más equilibrados: proteína 12,55 %, carbohidratos 19,57 % y grasa 17,07 %.

Lee ese 13,83 % con cuidado: la referencia eran datos registrados, no comida pesada, así que el modelo se evaluó frente a otra estimación.

Póster de Cureus, tres modelos actuales (2026)

Con 20 comidas pesadas, GPT-5.2, Gemini 3 Flash y Claude Sonnet 4.6 dieron estimaciones medias razonables pero errores considerables en comidas concretas. Es un póster, y la muestra es pequeña.

El póster pesó las comidas en una báscula de cocina digital validada y fotografió cada una a 45 y 90 grados con una moneda estadounidense de 25 centavos como escala. El resumen informa de estimaciones medias razonables y una consistencia interna relativamente alta, pero con errores considerables comida a comida. No pudimos confirmar una cifra de error única, así que no citamos ninguna.

Dos revisiones sistemáticas (2023 y 2025)

Una revisión de 2023 con 52 estudios encontró errores medios en calorías del 0,10 % al 38,3 %, con una IA comparable o mejor que los estimadores humanos. Los errores fueron menores en alimentos simples y sueltos.

Shonkoff et al. revisaron 14 059 artículos en Annals of Medicine y se quedaron con 52, de 2010 a 2023. La referencia venía sobre todo de tablas de nutrientes (51 %) o de comida pesada (27 %). Los estudios eran demasiado distintos para combinarlos, pero los autores concluyeron que los métodos de IA igualan la precisión de los estimadores humanos y pueden superarla.

Una revisión de 2025 en el British Journal of Nutrition, de Cofre y sus colegas, encontró 13 estudios válidos. Seis informaron correlaciones superiores a 0,7 entre la IA y los métodos tradicionales para las calorías, y el 61,5 % tenía un riesgo de sesgo moderado. Ambas revisiones son en su mayoría anteriores a los chatbots actuales.

Reconocimiento de comida de Oriente Medio (2022 y 2025)

La investigación sobre comida de Oriente Medio es escasa: una tesis de 2025 alcanzó un 78,66 % de precisión de reconocimiento en 174 platos libaneses y regionales. Ninguno de los dos estudios mide calorías, pero una app tiene que reconocer un plato antes de poder contarlo.

Una tesis de la American University of Beirut de 2025, de Sumayah Hariri, creó un conjunto de 174 clases de platos libaneses y regionales a partir de 7067 imágenes reales y alcanzó un 78,66 % de precisión. Un artículo anterior de Aktı, Qaraqe y Ekenel llegó al 94 % en 23 clases de comida de Oriente Medio y señaló que esta cocina «había quedado sin explorar» en el reconocimiento de alimentos.

Los productos muestran la misma brecha. En 2023, el cofundador de SnapCalorie admitió ante TechCrunch que su algoritmo podía estar sesgado hacia la comida estadounidense. Si cocinas comida árabe o del sur de Asia, cuenta con tener que corregir más; consulta registrar comida india.

Las afirmaciones de SnapCalorie (fabricante)

SnapCalorie dice que su error es inferior al 20 % y que es el doble de preciso que los nutricionistas. Ambas son afirmaciones de la empresa sin una prueba publicada detrás.

El cofundador Wade Norris dijo a TechCrunch en junio de 2023: «De media, el equipo consigue reducir el error calórico a menos del 20 %». TechCrunch informó de que el modelo se entrenó con 5000 comidas fotografiadas con un equipo robótico, con cada ingrediente pesado. La página de inicio de SnapCalorie dice que la app es «2x más precisa que los nutricionistas» y enlaza a la investigación Nutrition5k de Google de 2021, sin explicar cómo se midió ese «2x».

Las cifras pueden ser correctas, pero hasta que un equipo externo pruebe la app, trátalas como cualquier afirmación de un fabricante, incluidas las nuestras. Consulta Callie vs SnapCalorie.

Nuestra propia prueba con 20 comidas (mayo de 2026)

En nuestra propia prueba, Callie tuvo un error medio del 13 % y Cal AI del 17 %. Nosotros hacemos Callie, así que no es independiente, y por eso va al final de la tabla.

En mayo de 2026 pesamos 20 comidas en una báscula de cocina de 0,1 g, fotografiamos cada una con un tenedor en el encuadre, la registramos una vez en cada app y comparamos el resultado con los valores de USDA FoodData Central. Los platos por capas como la lasaña y el biryani fueron los más difíciles para ambas apps, con un 22 % para Callie y un 26 % para Cal AI. El método y los resultados están en nuestra página comparativa.

Dos advertencias. Veinte comidas es una muestra pequeña. Y Cal AI se ha conectado desde entonces a la base de datos de alimentos de MyFitnessPal, lo que puede haber reducido la diferencia; no hemos repetido la prueba completa.

En qué coinciden los estudios

Los estudios coinciden en que las estimaciones de la IA tienden a quedarse cortas, y en que la grasa, las porciones grandes y los platos mezclados explican la mayor parte del fallo. El patrón se repite en toda la tabla.

  • Subestimación. Las cuatro apps de la prueba del NIH se quedaron cortas, igual que los tres chatbots del estudio de Fridolfsson. Los errores aleatorios se compensarían a lo largo de una semana. Estos no.
  • Grasas y aceites. La grasa quedó unos 30 g por debajo por comida en la prueba del NIH. El aceite que absorbe la comida no deja rastro visible. El estudio de 2026 con comidas de hospital es la excepción, con la grasa sobrestimada en más de un 20 %.
  • Porciones grandes. En el estudio de 2025 sobre chatbots, la subestimación crecía con el tamaño de la porción (pendientes de sesgo de -0,23 a -0,50).
  • Platos mezclados. La revisión de 2023 encontró errores menores en alimentos simples y sueltos. Los platos por capas fueron la categoría más difícil en nuestra propia prueba.
  • Comidas keto. El seguimiento del NIH con más de 200 comidas mostró que las apps lo hacían peor con comidas cetogénicas ricas en grasa, lo que encaja con el patrón de la grasa.

Lo que los estudios aún no te dicen

La evidencia es más débil de lo que sugieren los titulares: muestras pequeñas, resúmenes sin revisar y modelos que cambian cada pocos meses. Toma cada cifra como una foto fija.

  • Muestras pequeñas. La mayoría de los estudios usaron de 15 a 195 comidas. Solo el preprint de 2026 pasó de 800.
  • Resúmenes y preprints. La prueba del NIH, el estudio de 802 comidas, el proyecto de Kennesaw y el póster de Cureus no han pasado la revisión por pares de una revista.
  • Objetivos móviles. Los artículos de 2025 probaron GPT-4o, Claude 3.5 Sonnet y Gemini 1.5 Pro, todos ya sustituidos. Las apps cambian de modelo sin avisar, así que una cifra de 2025 puede no describir tu app hoy.
  • Las medias esconden fallos. Como mostró el preprint de 802 comidas, un modelo puede acertar en promedio y aun así fallar mucho en comidas concretas.
  • Uso real. Ningún estudio mide todavía lo que la gente registra después de editar una estimación en una app comercial.

Cómo acercarte al número real

La investigación señala un hábito por encima de todos: revisar y corregir la estimación antes de guardarla. El detalle escrito bajó el error de ChatGPT-5 del 30,5 % al 13,9 %.

  1. Añade tú la grasa. Registra el aceite de cocina, la mantequilla y el aliño como elementos aparte. Una cucharada de aceite son unas 120 kcal, y ninguna cámara la ve. Nuestra guía sobre las calorías ocultas en el aceite, la mantequilla y las salsas recoge los peores casos, y por qué las apps de calorías con IA se quedan cortas repasa cada causa con su solución.
  2. Corrige la porción, deja el alimento. El reconocimiento suele acertar. Es la cantidad la que se desvía, sobre todo en platos grandes.
  3. Describe los platos mezclados. Para un curry o un guiso al horno, añade los ingredientes principales y sus cantidades, como en la condición del 13,9 %.
  4. Pesa solo los alimentos densos. Una báscula ayuda sobre todo con el aceite, la crema de cacahuete, el queso, la granola y la pasta. Consulta ¿necesitas una báscula de cocina con un contador de calorías con IA?.
  5. Revisa la tendencia de tu peso. Si tu registro muestra un déficit y la báscula no se ha movido en tres semanas, probablemente el registro se queda corto.

Cuándo es mejor un contador sin IA

Si ya lo pesas todo, un contador basado en base de datos como Cronometer probablemente supere a cualquier estimación por foto. Los estudios de arriba miden estimaciones, y una entrada pesada no lo es.

La versión gratuita de Cronometer registra por búsqueda en su base de datos y por escaneo de código de barras, sigue una larga lista de nutrientes y deja el registro por foto con IA para su plan de pago Gold. Encaja con personas que siguen una dieta médica, deportistas que tienen que dar un peso y cualquiera a quien ya le guste usar la báscula. Nuestra lista de los mejores contadores de calorías sin IA incluye Cronometer, MyNetDiary y dos apps de código abierto.

El registro por foto con IA tiene más sentido cuando la rapidez decide si registras o no. Una estimación corregida que falla un 14 % es mejor que una comida que nunca anotaste.

Aviso médico

Este artículo es información general, no consejo médico. Si tienes una enfermedad, tomas medicación que se ve afectada por la dieta, estás embarazada o tienes antecedentes de trastornos alimentarios, habla con un profesional sanitario cualificado antes de cambiar tu forma de comer o de registrar la comida.

Fuentes

  1. Comunicado de NIDDK / American Society for Nutrition vía EurekAlert! (25 de julio de 2026). "Photo-based calorie-tracking apps may underestimate energy in meals." https://www.eurekalert.org/news-releases/1136415
  2. Healio (4 de agosto de 2026). "AI photo-based calorie-tracking tools underestimate them by 33%", con un artículo de opinión de Leigh A. Frame, PhD. https://www.healio.com/news/primary-care/20260804/ai-photobased-calorietracking-tools-underestimate-them-by-33
  3. Nutritional Outlook (2026). "Study finds popular AI calorie tracking apps underestimate meal energy by about a third." https://www.nutritionaloutlook.com/view/study-finds-popular-ai-calorie-tracking-apps-underestimate-meal-energy-by-about-a-third
  4. HealthDay (27 de julio de 2026). "How Accurate Are Photo-Based Calorie Apps? 4 Are Put To The Test." https://www.healthday.com/health-news/nutrition/how-accurate-are-photo-based-calorie-apps-4-are-put-to-the-test
  5. Li X (19 de octubre de 2026). "Small Average Error, Wide Individual Error: General-Purpose LLMs Estimating Energy Intake from Meal Photos in a Feeding Trial." Preprint de arXiv 2610.26538. https://arxiv.org/abs/2610.26538
  6. Isobe T, Zhang LW, Murakami H, et al. (2026). "Accuracy of AI-Based Nutrient Estimation from Standardized Hospital Meal Images: A Comparison with Registered Dietitians." Nutrients 18(6):966. https://doi.org/10.3390/nu18060966
  7. Rodríguez-Jiménez M, Martín-del-Campo-Becerra GD, Sumalla-Cano S, Crespo-Álvarez J, Elio I (19 de noviembre de 2025). "Image-Based Dietary Energy and Macronutrients Estimation with ChatGPT-5: Cross-Source Evaluation Across Escalating Context Scenarios." Nutrients 17(22):3613. https://pmc.ncbi.nlm.nih.gov/articles/PMC12655113/ y https://www.mdpi.com/2072-6643/17/22/3613
  8. Fridolfsson J, Sjöberg E, Thiwång M, Pettersson S (2025). "Performance Evaluation of 3 Large Language Models for Nutritional Content Estimation from Food Images." Current Developments in Nutrition 9(10):107556. https://pmc.ncbi.nlm.nih.gov/articles/PMC12513282/
  9. Belfarsi EA, Ekeocha H (15 de abril de 2025). "Assessing the Performance of Intelligent Agents in Visual Food Recognition Relative to Manual Data Entry." Kennesaw State University C-Day Computing Showcase. https://digitalcommons.kennesaw.edu/cday/Spring_2025/Masters_Research/10
  10. Póster de Cureus. "Validity and Reliability of Photo-Based AI Estimates of Meal Calories and Macronutrients." https://www.cureus.com/posters/3217-validity-and-reliability-of-photo-based-ai-estimates-of-meal-calories-and-macronutrients
  11. Cofre S, Sanchez C, Quezada-Figueroa G, López-Cortés XA (2025). "Validity and accuracy of artificial intelligence-based dietary intake assessment methods: a systematic review." British Journal of Nutrition 133(9):1241–1253. https://pmc.ncbi.nlm.nih.gov/articles/PMC12229984/
  12. Shonkoff E, Cara KC, Pei XA, et al. (2023). "AI-based digital image dietary assessment methods compared to humans and ground truth: a systematic review." Annals of Medicine 55(2):2273497. https://pubmed.ncbi.nlm.nih.gov/38060823/
  13. Hariri S (2025). "Estimating Calories and Macronutrients from Lebanese Food Images Using Deep Learning–Based Classification and Single-View Portion Size Estimation." Tesis de máster, American University of Beirut. https://scholarworks.aub.edu.lb/items/b4a5f886-4834-48a3-bdf1-31aeedde9ce3/full
  14. Aktı Ş, Qaraqe M, Ekenel HK (2022). "A Mobile Food Recognition System for Dietary Assessment." Taller de ICIAP 2021, arXiv 2204.09432. https://www.arxiv.org/abs/2204.09432
  15. TechCrunch (26 de junio de 2023). "SnapCalorie taps AI to estimate the caloric content of food from photos." https://techcrunch.com/2023/06/26/snapcalorie-computer-vision-health-app-raises-3m/
  16. Página de inicio de SnapCalorie (consultada el 20 de octubre de 2026). https://www.snapcalorie.com/
  17. Prueba interna de Callie con 20 comidas pesadas (mayo de 2026). Método en https://www.mycallie.app/en/compare/callie-vs-cal-ai

Preguntas frecuentes

¿Qué tan precisas son las apps de calorías con IA?

Suelen fallar entre un 14 % y un 36 % en las calorías, según los estudios publicados entre 2023 y 2026. Solo con la foto, el error se acerca al extremo alto de ese rango: un equipo del NIH vio en 2026 que cuatro apps populares subestimaban las comidas en alrededor de un tercio, y los chatbots fallaron entre un 30,5 % y un 35,8 % en estudios de 2025. Cuando una persona corrige los ingredientes y las porciones, el error baja hacia el extremo inferior.

¿Las apps de calorías con IA sobrestiman o subestiman?

Sobre todo subestiman. Las cuatro apps de la prueba del NIH de 2026 se quedaron cortas, entre 252 y 345 kcal por comida, y un estudio de 2025 vio que tres chatbots subestimaban más a medida que crecían las porciones. La causa habitual es la grasa y el aceite que la cámara no ve. Una excepción: un estudio de 2026 con 15 comidas de hospital encontró que los modelos de IA sobrestimaban la grasa en más de un 20 %.

¿Qué app de calorías con IA fue la más precisa en el estudio del NIH?

Según el resumen que publicó Healio, la subestimación media fue de 252 kcal para Appediet, 327 kcal para MyFitnessPal, 333 kcal para Lose It! y 345 kcal para Cal AI. Las cuatro fallaron en la misma dirección. La cobertura no dice si las diferencias entre apps son estadísticamente significativas, y el trabajo aún no ha pasado revisión por pares.

¿Es ChatGPT tan preciso como una app de calorías?

Solo con la foto, está más o menos en el mismo rango. ChatGPT-5 tuvo un error medio del 30,5 % en 195 platos en un estudio de 2025 publicado en Nutrients, cerca del tercio de subestimación que el equipo del NIH midió en apps dedicadas. ChatGPT mejoró mucho cuando recibió las cantidades de los ingredientes, pero no lleva un diario de comidas ni totales diarios.

¿Corregir la estimación de la IA ayuda de verdad?

Sí. En el estudio de 2025 sobre ChatGPT-5, añadir una lista de ingredientes con cantidades redujo el error de energía del 30,5 % al 13,9 %, o de unas 123 a 53 kcal por plato. Los investigadores del NIH también advirtieron que quien no ajusta las porciones debería tomarse los resultados «con pinzas».

¿Estos estudios sobre calorías e IA están revisados por pares?

Algunos. Los estudios sobre ChatGPT, Claude y Gemini en Current Developments in Nutrition y Nutrients, las dos revisiones sistemáticas y el estudio de 2026 con comidas de hospital están revisados por pares. La prueba de apps del NIH es un resumen de congreso, el estudio de 802 comidas es un preprint, y los resultados de Kennesaw State y de Cureus son una muestra estudiantil y un póster.

Sigue leyendo

Blog

Cómo registrar aceite, mantequilla y salsas en una app de calorías por foto (guía de calorías ocultas)

Las apps de calorías por foto no ven el aceite que absorbió la sartén, la mantequilla derretida en el arroz ni el aliño mezclado en la ensalada. Aquí tienes los valores del USDA por cucharada, cantidades por defecto según el método de cocción y cómo añadir la grasa antes de que se guarde el registro.

Blog

¿Es preciso Cal AI? Un análisis honesto de sus estimaciones de calorías (2026)

¿Es preciso Cal AI y vale la pena pagarlo? Lo que encontró el estudio del NIH en 2026, lo que Cal AI dice de sí mismo, dónde fallan las estimaciones por foto, nuestra propia prueba con 20 comidas y cómo obtener cifras más exactas con cualquier app de fotos.

Blog

Contar calorías en días de viaje: aeropuertos, vuelos, desayunos de hotel y viajes de trabajo

La comida de aeropuerto es densa y de poco volumen, los datos sobre comidas a bordo son antiguos y los bufés de hotel se apoyan en ultraprocesados. Aquí tienes las calorías de las cadenas, tentempiés para llevar con valores del USDA, una comparación de platos de hotel, la investigación sobre viajes de trabajo y una lista para los días de viaje.