# Warum KI-Kalorien-Apps 250–345 Kalorien zu wenig zählen (und wie du das korrigierst)

> Foto-Kalorien-Apps liegen aus sechs Gründen zu niedrig: verstecktes Fett, Portionstiefe, gemischte Gerichte, Keto-Mahlzeiten, weniger bekannte Küchen und Demo-Verzerrung. Hier steht, was jeden Fehler verursacht, wie groß er ist und wie du ihn in 10 Sekunden korrigierst.

Canonical: https://www.mycallie.app/de/blog/why-ai-calorie-apps-underestimate
Published: 2026-10-20 · Updated: 2026-10-20
Author: Md Sadab Wasim · Source: https://www.mycallie.app

## Das Wichtigste

- In einem NIH-Kongressabstract von 2026 unterschätzten vier Foto-Kalorien-Apps 102 abgewogene Mahlzeiten um jeweils etwa 250 bis 345 Kalorien, beim Fett um etwa 30 Gramm. Dreißig Gramm Fett sind rund 270 Kalorien, der Großteil der Lücke ist also Fett, das die Kamera nicht sieht.
- Der Fehler wächst mit der Portion. In einer Studie von 2025 zu ChatGPT, Claude und Gemini unterschätzten alle drei Modelle umso stärker, je größer die Portion war, und laut einer Studie von 2025 in Nutrients schätzte ChatGPT große Mahlzeiten auf 530 g, obwohl sie 798 g wogen.
- Gemischte Gerichte, Keto-Mahlzeiten und weniger bekannte Küchen sind die anderen großen Fehlerquellen. Eine Studie von 2024 in Nutrients fand, dass KI-Foto-Apps Rindfleisch-Pho und Bubble Tea um bis zu 76 % unterschätzten.
- Die Lösung: Sag der KI, was das Foto nicht zeigt. Bei 195 Gerichten sank der Kalorienfehler von ChatGPT-5 von 30,5 % mit Foto allein auf 13,9 % mit Foto und Zutatenliste, so eine Studie von 2025 in Nutrients.
- Die schnellsten Gewohnheiten: Öl separat eintragen, kalorienreiche Lebensmittel einmal abwiegen, vor dem Vermischen fotografieren, eine Zeile Beschreibung ergänzen und ein zweites Foto aus einem anderen Winkel machen. Dann die Schätzung prüfen, bevor sie gespeichert wird.

Wir entwickeln Callie. Dieser Artikel erklärt, warum alle Foto-Kalorien-Apps eher zu niedrig liegen, unsere eingeschlossen, und was du gegen jede Ursache tun kannst. Unsere eigenen Testergebnisse sind als unsere gekennzeichnet, und alle anderen Zahlen sind mit ihrer Quelle verlinkt.

## Die Antwort in 30 Sekunden

**KI-Kalorien-Apps zählen vor allem deshalb zu wenig, weil ein Foto weder Fett noch Tiefe zeigt.** In einem NIH-Kongressabstract von 2026 unterschätzten vier beliebte Apps 102 abgewogene Mahlzeiten um jeweils etwa 250 bis 345 Kalorien, beim Fett um etwa 30 Gramm. Portionsgröße, gemischte Gerichte, Keto-Mahlzeiten und weniger bekannte Küchen kommen als Fehlerquellen hinzu. Die Lösung ist, der KI zu sagen, was die Kamera übersehen hat. In einer Studie von 2025 mit 195 Gerichten sank der Kalorienfehler von ChatGPT-5 von 30,5 % mit Foto allein auf 13,9 %, wenn es zusätzlich eine Zutatenliste hatte.

Die vollständige Liste der Studien findest du in unserer [Übersicht zur Forschung über KI-Kaloriengenauigkeit](/blog/ai-calorie-accuracy-research). Hier geht es um Ursachen und Lösungen.

## Ursache, typischer Fehler und Korrektur in 10 Sekunden

**Sechs Faktoren drücken Foto-Schätzungen nach unten, und für jeden gibt es eine Korrektur, die etwa zehn Sekunden dauert.** Die Fehler unten stammen aus den Studien, die in diesem Artikel zitiert werden. Wo eine Zahl unsere eigene Schätzung ist, steht das dabei.

| Ursache | Typischer Fehler | Korrektur in 10 Sekunden |
|---|---|---|
| Unsichtbares Fett (Öl, Butter, Ghee, Dressing) | Etwa 30 g Fett, rund 270 kcal pro Mahlzeit (NIH, 2026). Etwa 120 kcal pro vergessenem EL Öl (USDA). | Öl oder Butter vor dem Speichern als eigene Zeile eintragen |
| Portionsgröße und Tiefe | Große Mahlzeiten nach Gewicht etwa ein Drittel zu niedrig (O'Hara et al., 2025) | Foto im 45-Grad-Winkel mit Gabel im Bild; Gramm eintragen, wenn bekannt |
| Gemischte und geschichtete Gerichte | 22 % bis 26 % Fehler bei Lasagne und Biryani (unser eigener 20-Mahlzeiten-Test, 2026) | Vor dem Vermischen fotografieren oder die Bestandteile einzeln eintragen |
| Keto- und fettreiche Mahlzeiten | Schlechter als andere Mahlzeiten (NIH-Folgeanalyse, 2026); keine Zahl veröffentlicht | Fette separat eintragen und die Fettsumme prüfen |
| Weniger bekannte Küchen | Bis zu 76 % zu niedrig bei Rindfleisch-Pho und Bubble Tea (Li et al., 2024) | Namen des Gerichts und Hauptzutaten eintippen |
| Demo-Verzerrung | Kein Fehler beim Essen; schraubt die Erwartungen zu hoch | Eine App an deinen eigenen gemischten Mahlzeiten messen |

*Schätzung: Die 120 kcal setzen voraus, dass ein ganzer Esslöffel vergessen wurde. Eine selbst gekochte Pfanne braucht oft einen, ein Restaurantgericht oft mehr.*

## Ursache 1: unsichtbares Fett aus Öl, Butter, Ghee und Dressing

**Fett ist der größte einzelne Grund, warum Foto-Apps zu niedrig liegen, denn die Kamera sieht nicht, was ins Essen eingezogen ist.** In der NIH-Analyse, die auf der NUTRITION 2026 vorgestellt wurde, wurde Fett um [etwa 30 Gramm pro Mahlzeit](https://www.eurekalert.org/news-releases/1136415) unterschätzt. Bei 9 Kalorien pro Gramm sind das rund 270 Kalorien, der Großteil der Lücke von 250 bis 345 Kalorien.

„Diese Apps neigen dazu, Kalorien zu unterschätzen, besonders die aus Fett“, sagte Aaron Hengist, Postdoc am National Institute of Diabetes and Digestive and Kidney Diseases der NIH, in der [Mitteilung des NIDDK](https://www.eurekalert.org/news-releases/1136415) (unsere Übersetzung).

Die Mengen, die verschwinden, sind klein im Volumen und groß bei den Kalorien. [USDA FoodData Central](https://fdc.nal.usda.gov/) gibt Olivenöl mit 884 Kalorien pro 100 g an, also 119 Kalorien pro Esslöffel. Ein Esslöffel gesalzene Butter hat 102 Kalorien, ein Esslöffel Ghee etwa 112. Eine Pfanne mit einem Esslöffel Öl sieht genauso aus wie eine ohne Fett.

Die Lösung: Trag das Fett als eigenes Lebensmittel ein. Unser [Ratgeber zu versteckten Kalorien](/blog/hidden-calories-oil-butter-sauces) nennt Standardmengen für jede Garmethode.

## Ursache 2: Portionsgröße und Tiefe

**Ein einzelnes Foto zeigt Fläche, keine Höhe: Je größer und tiefer die Portion, desto stärker liegt die Schätzung zu niedrig.** Eine Studie von 2025 in *Current Developments in Nutrition* von [Fridolfsson und Kollegen](https://pmc.ncbi.nlm.nih.gov/articles/PMC12513282/) testete ChatGPT-4o, Claude 3.5 Sonnet und Gemini 1.5 Pro mit 52 Essensfotos. Laut der Arbeit zeigten alle drei Modelle eine systematische Unterschätzung, die mit der Portionsgröße zunahm. Für die Energie lagen die Bias-Steigungen zwischen −0,34 und −0,45, und der prozentuale Fehler war bei kleinen Portionen etwa 20 % bis 30 % geringer als bei großen. Bei einem großen Linsencurry schätzte ChatGPT 255 g, tatsächlich waren es 480 g.

Eine weitere Studie von 2025 in *Nutrients* von [O'Hara und Kollegen](https://pmc.ncbi.nlm.nih.gov/articles/PMC11858203/) fotografierte 38 Mahlzeiten in drei Größen. ChatGPT war bei kleinen Portionen nah dran, schätzte große Mahlzeiten aber im Schnitt auf 530 g, obwohl sie 798 g wogen, also etwa ein Drittel zu wenig. Bei 87 von 114 Fotos (76 %) unterschätzte es das Gewicht.

Die [Studie von Rodríguez-Jiménez](https://pmc.ncbi.nlm.nih.gov/articles/PMC12655113/) sah dasselbe Muster. Die größten Fehler traten bei Gerichten in Schüsseln auf, was die Autoren darauf zurückführen, dass das Modell Tiefe und Volumen aus einem einzelnen Bild nur begrenzt einschätzen kann.

## Ursache 3: gemischte, geschichtete Gerichte und Soßen

**Wenn Zutaten verrührt oder geschichtet sind, muss die KI raten, was darunter liegt und wie viel Soße drin ist.** Ein Curry, ein Eintopf, ein Biryani oder eine Lasagne zeigen nur ihre oberste Schicht. Der Reis unter der Soße, der Käse zwischen den Nudelplatten und das Öl in der Soße bleiben verborgen.

In unserem eigenen Test mit 20 Mahlzeiten und Küchenwaage (Mai 2026) waren geschichtete Gerichte wie Lasagne und Biryani für beide getesteten Apps die schwierigste Kategorie. Callie lag dort im Schnitt bei 22 % Fehler und Cal AI bei 26 %, gegenüber 13 % und 17 % über alle Mahlzeiten. Die vollständige Methode steht auf unserer Seite [Callie vs Cal AI](/compare/callie-vs-cal-ai).

Laut der NIH-Mitteilung schätzten zwei der Apps, MyFitnessPal und Lose It!, kalorienreichere Mahlzeiten genauer als leichtere. Das Problem ist also nicht nur die Größe der Mahlzeit. Entscheidend ist, wie viel ihrer Energie dort steckt, wo die Kamera nicht hinsieht.

Die einfachste Lösung: Fotografiere die Bestandteile, bevor du sie vermischst, oder trag sie einzeln ein: Reis, Curry und den Esslöffel Öl oder Ghee im Tadka.

## Ursache 4: Keto- und fettreiche Mahlzeiten

**Mahlzeiten, die den Großteil ihrer Energie aus Fett beziehen, sind für eine Kamera der schwierigste Fall, und die NIH-Folgeanalyse fand, dass die Apps hier schlechter abschnitten.** In einer weiteren Analyse von mehr als 200 zusätzlichen Mahlzeiten berichtete das NIDDK-Team erste Ergebnisse, nach denen die Apps [mit kohlenhydratarmen ketogenen Mahlzeiten mehr Mühe haben](https://www.eurekalert.org/news-releases/1136415). HealthDay ergänzt, dass das wahrscheinlich daran liegt, dass die Apps den höheren Fettgehalt durchgehend unterschätzen.

Laut der Mitteilung schätzten alle vier Apps Kohlenhydrate einheitlicher als die anderen Makronährstoffe. Das passt zum Mechanismus. Reis, Brot und Kartoffeln haben ein sichtbares Volumen. Butter in einer Soße, Sahne im Rührei und das Fett in einem Ribeye-Steak nicht.

Wenn du Keto isst, prüf bei jedem Foto-Eintrag die Fettzeile statt der Kaloriensumme. Wirkt das Fett für das, was du gekocht hast, zu niedrig, ergänze Butter, Öl oder Käse selbst. Eine öffentliche Zahl für die Keto-Lücke gibt es noch nicht. Dieser Teil der NIH-Arbeit ist ein vorläufiges Kongressergebnis, keine begutachtete Veröffentlichung.

## Ursache 5: Küchen, die die Modelle im Training seltener gesehen haben

**KI-Modelle für Essen werden überwiegend mit Bilddatensätzen aus bestimmten Ländern trainiert und schneiden deshalb bei Gerichten, die sie seltener gesehen haben, oft schlechter ab.** Ein Scoping Review von 2025 in [*Frontiers in Nutrition*](https://www.frontiersin.org/journals/nutrition/articles/10.3389/fnut.2025.1501946/full) hält fest, dass sich viele Bilddatensätze für Lebensmittel auf bestimmte Länder oder Kulturen konzentrieren, wodurch KI-Systeme bei Lebensmitteln aus unterrepräsentierten Regionen schlechter abschneiden können.

Eine Studie von 2024 in *Nutrients* von [Li und Kollegen](https://pmc.ncbi.nlm.nih.gov/articles/PMC11314244/) hat das direkt geprüft. KI-Foto-Apps erkannten die Bestandteile von Rindfleisch-Pho und Bubble Tea nicht und unterschätzten deren Energie um bis zu 76 %. Bei Bibimbap mit sechs Bestandteilen erkannten Foodvisor und Fastic 3 und 4 davon. Auch Apps mit manueller Eingabe wichen ab: Gegenüber den Referenz-Ernährungsprotokollen überschätzten sie eine westliche Ernährung um 1.040 kJ (etwa 250 kcal) und unterschätzten eine asiatische um 1.520 kJ (etwa 363 kcal).

„Nutzer sollten wissen, dass KI-gestützte Bilderkennung von Essen das Eintragen von Mahlzeiten zwar vereinfachen kann, aber nicht immer genau ist, besonders bei komplexen oder kulturspezifischen Gerichten“, sagte Juliana Chen, Diätologin an der University of Sydney und Mitautorin der Studie, gegenüber [Nutrition Insight](https://www.nutritioninsight.com/news/non-western-diets-harder-to-track-using-ai-powered-health-apps-expert-warns.html) (unsere Übersetzung).

Die Lösung: Tippe den richtigen Namen des Gerichts und die Hauptzutaten ein. Unser [Ratgeber zu indischem Essen](/blog/calorie-tracker-for-indian-food) zeigt, wie das geht.

## Ursache 6: warum Demos genauer wirken als der Alltag

**Marketing-Demos zeigen den leichten Fall: ein einzelnes Lebensmittel, klar getrennt, bei gutem Licht.** Eine Banane, ein Stück Pizza oder ein Steak mit Pommes auf dem Teller lassen sich gut fotografieren und gut schätzen. Ein Wok-Gericht am Dienstagabend, aus der Schüssel gegessen unter Küchenlicht, nicht. Die Studien oben haben vollständige Mahlzeiten getestet, viele davon gemischt oder selbst gekocht, und das ist ein Grund, warum ihre Zahlen schlechter aussehen als die Videos der Apps.

Demo-Videos werden außerdem auf einen flüssigen Ablauf geschnitten, manchmal aus Gründen, die mit Genauigkeit nichts zu tun haben. In einer [Zusammenfassung von RevenueCat zum Sub Club Podcast](https://www.revenuecat.com/blog/growth/jake-castillo-cal-ai-sub-club-podcast-2026.md) (14. Oktober 2026) beschreibt Cal-AI-Mitgründer Jake Castillo den „magischen Moment“ des Scans vor der Kamera. Laut der Zusammenfassung erschien nach dem ersten Scan des Tages ein Streak-Pop-up, das diesen Rhythmus störte, deshalb achtete das Unternehmen darauf, dass seine Influencer ihren ersten Scan des Tages nicht zeigten. Als Grund wurde das Pop-up genannt, nicht die Genauigkeit. Für dich bleibt die Lehre dieselbe: Ein Creator-Video zeigt den besten Fall.

Beurteile jede App, auch unsere, an deinen eigenen gemischten und selbst gekochten Mahlzeiten.

## Die Lösung: Gib der KI, was das Foto nicht zeigt

**Wer der KI sagt, was in der Mahlzeit steckt, halbiert ihren Fehler ungefähr, so eine Studie von 2025 zu ChatGPT-5.** [Rodríguez-Jiménez und Kollegen](https://pmc.ncbi.nlm.nih.gov/articles/PMC12655113/) (*Nutrients*, 2025, 17(22):3613) testeten 195 Gerichte aus drei Quellen und gaben dem Modell bei jedem Schritt mehr Kontext.

| Feature | Kalorienfehler (MAPE) | Mittlere Abweichung |
|---|---|---|
| Nur Foto | 30,5 % | etwa 123 kcal |
| Foto plus kurze Beschreibung (Fettart und -menge, Milchfett, Fleischsorte) | 24,4 % | etwa 92 kcal |
| Foto plus Zutatenliste mit Mengen | 13,9 % | etwa 53 kcal |
| Nur Zutatenliste, ohne Foto | 18,1 % | etwa 67 kcal |

_ChatGPT-5 bei 195 Gerichten. Quelle: Rodríguez-Jiménez et al., Nutrients 2025._

Zwei Dinge fallen auf. Fett und andere Details zu ergänzen, die die Kamera nicht sieht, senkte den Fehler um etwa ein Fünftel, und eine vollständige Zutatenliste senkte ihn um mehr als die Hälfte. Das Foto half trotzdem: Die Zutatenliste allein schnitt schlechter ab als Foto plus Liste. Die Autoren schreiben, dass sich die Genauigkeit durchgehend verbesserte, wenn visuelle Informationen durch nicht-visuelle Angaben ergänzt wurden.

Das NIH-Team zieht denselben Schluss. „Wer eine Foto-Tracking-App nutzt, ohne die Portionen anzupassen oder die Mengen einzugeben, sollte die Ergebnisse mit Vorsicht genießen“, sagte Hengist laut [HealthDay](https://www.healthday.com/health-news/nutrition/how-accurate-are-photo-based-calorie-apps-4-are-put-to-the-test) (unsere Übersetzung).

## Wie Callie um diese Lösung herum gebaut ist

**Callie trägt einen Foto-Scan nie automatisch ein, weil der Korrekturschritt den Großteil der Genauigkeit bringt.** Nach einem Scan listet ein Prüfbildschirm jedes Lebensmittel mit Portion, Kalorien und Makros. Du kannst alles bearbeiten, Öl oder Butter ergänzen oder etwas entfernen, das die KI falsch erkannt hat, und nichts landet in deinem Tagebuch, bevor du bestätigst.

Die Portionsschätzungen von Callie nutzen außerdem die Tiefen- und Kamera-Metadaten, die dein Handy im Originalfoto speichert, statt den Maßstab nur aus einem flachen Bild abzuleiten. Das hilft bei Ursache 2, aber nur, wenn die Metadaten vorhanden sind. Screenshots und über Messenger weitergeleitete Fotos verlieren sie meist, also mach ein neues Foto in der App oder wähl das Original aus deiner Galerie.

Keine der beiden Funktionen sieht Öl im Essen. Die Tiefe hilft bei der Menge auf dem Teller, und im Prüfbildschirm ergänzt du, was in die Pfanne kam. In unserem eigenen 20-Mahlzeiten-Test lag Callie im Schnitt bei 13 % Fehler und Cal AI bei 17 %. Das ist unser Test, kein unabhängiger. Unser [Ratgeber zum Kalorienzählen per Foto](/blog/how-to-track-calories-from-a-photo) erklärt das ganze Vorgehen.

## Fünf Korrekturen, die in jeder App funktionieren

**Diese Gewohnheiten verringern die größten Fehler in jedem Foto-Tracker, nicht nur in unserem.** Jede zielt auf eine der Ursachen oben.

1. **Öl separat eintragen.** Füge bei einer selbst gekochten Pfanne „1 EL Olivenöl“ (119 kcal, USDA) als eigene Zeile hinzu. Genauso bei Butter, Ghee und Dressing.
2. **Kalorienreiche Lebensmittel einmal abwiegen.** Wiege deine übliche Portion Öl, Erdnussbutter, Käse, Granola, Reis und Nudeln ein- oder zweimal. Danach weißt du, wie 30 g Käse aussehen, und kannst die Schätzung nach Augenmaß korrigieren.
3. **Vor dem Vermischen fotografieren.** Fotografiere Reis, Curry und Toppings, bevor sie verrührt werden, oder trag sie als einzelne Lebensmittel ein.
4. **Eine kurze Beschreibung ergänzen.** „Hähnchenschenkel mit Haut, in 2 TL Butter gebraten“ gibt der KI Fettart und -menge, also genau die Art Detail, die ChatGPT-5 von 30,5 % auf 24,4 % Fehler brachte.
5. **Zwei Fotos machen.** Eines aus etwa 45 Grad mit Gabel oder Hand als Größenvergleich und eines direkt von oben. Das schräge Foto zeigt die Höhe, das von oben alles, was auf dem Teller liegt.

Dann prüf deinen Gewichtstrend. Wenn drei Wochen Einträge ein Defizit zeigen und sich die Waage nicht bewegt hat, liegen deine Einträge wahrscheinlich zu niedrig.

## Wann eine Foto-App nicht reicht

**Für manche Ziele ist eine Foto-Schätzung auch nach der Korrektur zu grob, und eine Küchenwaage oder ein datenbankbasierter Tracker ist das bessere Werkzeug.** Wenn du dich auf einen Wettkampf vorbereitest, Kohlenhydrate für Insulin zählst oder einer medizinischen Diät folgst, brauchst du genauere Zahlen, als sie eine Foto-App heute liefert. Unser Ratgeber, [ob du zu einem KI-Tracker eine Küchenwaage brauchst](/blog/do-you-need-a-food-scale-with-ai-tracker), erklärt, wann sich Abwiegen lohnt.

Wenn du vor allem verpackte Lebensmittel isst, sind Barcode-Scan und eine geprüfte Datenbank genauer als ein Foto. Wenn du lieber ganz ohne KI arbeitest, findest du in unserer Liste von [Kalorienzählern ohne KI](/blog/calorie-tracker-without-ai) Optionen mit manueller Eingabe wie Cronometer und MyFitnessPal.

Foto-Tracking passt zu dir, wenn du viel selbst Gekochtes oder Restaurantessen isst, in Sekunden eintragen willst und bereit bist, die Schätzung vor dem Speichern zu korrigieren.

Dieser Artikel ist eine allgemeine Information und keine medizinische Beratung. Wenn du Diabetes hast, Medikamente nimmst, die von der Ernährung beeinflusst werden, schwanger bist oder eine Essstörung hattest, sprich mit qualifiziertem medizinischem Fachpersonal, bevor du deine Ernährung oder dein Tracking änderst.

## Weiterlesen

- [Forschung zur Genauigkeit von KI-Kalorien-Apps](/blog/ai-calorie-accuracy-research), alle Studien an einem Ort.
- [KI-Kalorien-Apps unterschätzen Mahlzeiten um bis zu 345 Kalorien](/blog/ai-calorie-app-accuracy-study-2026), unsere Analyse des NIH-Abstracts.
- [Ist Cal AI genau?](/blog/is-cal-ai-accurate), ein Test speziell zu dieser App.
- [Versteckte Kalorien in Öl, Butter und Soßen](/blog/hidden-calories-oil-butter-sauces), mit USDA-Werten pro Esslöffel.

## Quellen

1. Charles O, Hengist A et al. (2026). Studie zu Foto-Kalorien-Apps, vorgestellt auf der NUTRITION 2026, American Society for Nutrition, 25. Juli 2026. Kongressabstract, nicht begutachtet. Pressemitteilung von NIDDK/ASN über EurekAlert!: https://www.eurekalert.org/news-releases/1136415
2. HealthDay (27. Juli 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
3. Nutritional Outlook (30. Juli 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. Rodríguez-Jiménez M, Martín-del-Campo-Becerra GD, Sumalla-Cano S, Crespo-Álvarez J, Elio I (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/
5. 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/
6. O'Hara C, Kent G, Flynn AC, Gibney ER, Timon CM (2025). „An Evaluation of ChatGPT for Nutrient Content Estimation from Meal Photographs.“ *Nutrients* 17(4):607. https://pmc.ncbi.nlm.nih.gov/articles/PMC11858203/
7. Li X, Yin A, Choi HY, Chan V, Allman-Farinelli M, Chen J (2024). „Evaluating the Quality and Comparative Validity of Manual Food Logging and Artificial Intelligence-Enabled Food Image Recognition in Apps for Nutrition Care.“ *Nutrients* 16(15):2573. https://pmc.ncbi.nlm.nih.gov/articles/PMC11314244/
8. Nutrition Insight (5. September 2024). „Non-Western diets harder to track using AI-powered health apps, expert warns.“ https://www.nutritioninsight.com/news/non-western-diets-harder-to-track-using-ai-powered-health-apps-expert-warns.html
9. Rouhafzay A, Rouhafzay G, Jbilou J (2025). „Image-based food monitoring and dietary management for patients living with diabetes: a scoping review of calorie counting applications.“ *Frontiers in Nutrition* 12. https://www.frontiersin.org/journals/nutrition/articles/10.3389/fnut.2025.1501946/full
10. RevenueCat, David Barnard (14. Oktober 2026). „Cal AI paid UFC creators thousands of dollars to post, and got no download spike at all.“ Zusammenfassung des Sub Club Podcasts. https://www.revenuecat.com/blog/growth/jake-castillo-cal-ai-sub-club-podcast-2026.md
11. USDA FoodData Central, SR Legacy: „Oil, olive, salad or cooking“ (FDC 171413), „Butter, salted“ (FDC 173410), „Butter oil, anhydrous“ (FDC 173412). Abgerufen am 20. Oktober 2026. https://fdc.nal.usda.gov/
12. Interner Callie-Test mit 20 Mahlzeiten und Küchenwaage (Mai 2026). Methode: https://www.mycallie.app/en/compare/callie-vs-cal-ai

## Häufige Fragen

**Q: Warum unterschätzen KI-Kalorien-Apps die Kalorien?**
A: Vor allem, weil ein Foto weder Fett noch Tiefe zeigt. Beim Kochen aufgesogenes Öl, in einer Soße geschmolzene Butter und ein untergemischtes Salatdressing hinterlassen kaum sichtbare Spuren, und ein einzelnes Foto kann nicht messen, wie tief eine Schüssel ist. In einem NIH-Kongressabstract von 2026 lagen vier Apps pro Mahlzeit etwa 250 bis 345 Kalorien zu niedrig, beim Fett um etwa 30 Gramm. Gemischte Gerichte, Keto-Mahlzeiten und Küchen, die in den Trainingsdaten seltener vorkommen, erhöhen den Fehler weiter.

**Q: Um wie viel unterschätzen Foto-Kalorien-Apps?**
A: In der NIH-Analyse, die auf der NUTRITION 2026 vorgestellt wurde, unterschätzten vier beliebte Apps 102 Mahlzeiten aus einer Stoffwechselküche um durchschnittlich etwa 250 bis 345 Kalorien. Das war ohne jede Portionskorrektur, also der schlechteste Fall. In einer Studie von 2025 lag ChatGPT-5 mit Foto allein um etwa 123 Kalorien (30,5 %) daneben und um etwa 53 Kalorien (13,9 %), wenn es zusätzlich eine Zutatenliste hatte.

**Q: Unterschätzen KI-Kalorien-Apps große Mahlzeiten stärker?**
A: Ja. Eine Studie von 2025 in Current Developments in Nutrition fand, dass ChatGPT, Claude und Gemini umso stärker unterschätzten, je größer die Portionen wurden. Eine Studie von 2025 in Nutrients fand, dass ChatGPT bei kleinen Mahlzeiten nah dran war, große Mahlzeiten aber auf etwa 530 g schätzte, obwohl sie etwa 798 g wogen. Schüsseln und hoch aufgetürmtes Essen sind am schwierigsten, weil ein einzelnes Foto die Höhe nicht sieht.

**Q: Wie mache ich eine Foto-Kalorien-App genauer?**
A: Ergänze, was das Foto nicht zeigt, bevor der Eintrag gespeichert wird: Bratöl, Butter oder Dressing und die Portion in Gramm, wenn du sie kennst. Fotografiere Essen, bevor du es vermischst, mach ein Foto im 45-Grad-Winkel und eines von oben, und tippe eine kurze Beschreibung wie „in 1 EL Olivenöl gebraten“. Wiege kalorienreiche Lebensmittel wie Öl, Erdnussbutter, Käse und Nudeln mindestens einmal ab, damit du lernst, wie eine Portion aussieht.

**Q: Warum wirken Demos von KI-Kalorien-Apps genauer als die echte Nutzung?**
A: Demos zeigen meist einfache, einzelne, gut beleuchtete Lebensmittel, also den leichten Fall. Alltagsmahlzeiten sind gemischt, mit Soße, in Öl gebraten und bei schlechtem Licht fotografiert. Demo-Videos werden außerdem auf einen flüssigen Ablauf geschnitten. Der Mitgründer von Cal AI erzählte 2026 in einem Podcast, dass das Unternehmen Influencer bat, ihren ersten Scan des Tages nicht zu zeigen, weil danach ein Streak-Pop-up erschien und den Rhythmus des Videos störte.

**Q: Ist Callie genauer als andere Foto-Apps?**
A: In unserem eigenen Test mit 20 Mahlzeiten und Küchenwaage vom Mai 2026 lag der durchschnittliche Fehler bei Callie bei 13 % und bei Cal AI bei 17 %. Das ist unser Test, kein unabhängiger. Callie trägt einen Foto-Scan nie automatisch ein: Du prüfst zuerst Lebensmittel, Portionen und Kalorien, und genau dort kommen die Korrekturen aus diesem Artikel hinein.