# Por qué las apps de calorías con IA se quedan cortas por 250–345 calorías (y cómo corregirlo)

> Las apps de calorías por foto se quedan cortas por seis motivos: grasa oculta, profundidad de la porción, platos mezclados, comidas keto, cocinas menos conocidas y el sesgo de las demos. Aquí tienes la causa de cada error, su tamaño y la corrección en 10 segundos.

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

## Para quedarte con esto

- En un resumen de congreso de los NIH de 2026, cuatro apps de calorías por foto subestimaron 102 comidas pesadas en unas 250 a 345 calorías cada una, con unos 30 gramos de grasa de menos. Treinta gramos de grasa son unas 270 calorías, así que la mayor parte del error es grasa que la cámara no ve.
- El error crece con la porción. En un estudio de 2025 sobre ChatGPT, Claude y Gemini, los tres subestimaban más cuanto mayor era la porción, y un estudio de 2025 en Nutrients halló que ChatGPT calculaba 530 g para comidas grandes que pesaban 798 g.
- Los platos mezclados, las comidas keto y las cocinas menos conocidas son las otras grandes fuentes de error. Un estudio de 2024 en Nutrients halló que apps de foto con IA subestimaban el pho de ternera y el té de perlas hasta en un 76 %.
- La solución es decirle a la IA lo que la foto no muestra. En 195 platos, el error de ChatGPT-5 en calorías bajó del 30,5 % con solo la foto al 13,9 % con la foto más la lista de ingredientes, según un estudio de 2025 en Nutrients.
- Los hábitos más rápidos: registra el aceite aparte, pesa una vez los alimentos densos en calorías, fotografía antes de mezclar, añade una descripción de una línea y haz una segunda foto desde otro ángulo. Luego revisa la estimación antes de que se guarde.

Nosotros desarrollamos Callie. Este artículo explica por qué todas las apps de calorías por foto tienden a quedarse cortas, la nuestra incluida, y qué puedes hacer con cada causa. Nuestros propios resultados de prueba están marcados como nuestros, y todas las demás cifras enlazan a su fuente.

## La respuesta en 30 segundos

**Las apps de calorías con IA se quedan cortas sobre todo porque una foto no muestra la grasa ni la profundidad.** En un resumen de congreso de los NIH de 2026, cuatro apps populares subestimaron 102 comidas pesadas en unas 250 a 345 calorías cada una, con unos 30 gramos de grasa de menos. El tamaño de la porción, los platos mezclados, las comidas keto y las cocinas menos conocidas añaden más error. La solución es decirle a la IA lo que la cámara no vio. En un estudio de 2025 con 195 platos, el error de ChatGPT-5 en calorías bajó del 30,5 % con solo la foto al 13,9 % cuando también tenía la lista de ingredientes.

Para la lista completa de estudios, consulta nuestro [resumen de la investigación sobre la precisión de las calorías con IA](/blog/ai-calorie-accuracy-research). Esta página trata de causas y soluciones.

## Causa, error típico y corrección en 10 segundos

**Seis factores empujan a la baja las estimaciones por foto, y cada uno tiene una corrección de unos diez segundos.** Los errores de abajo proceden de los estudios citados en este artículo. Cuando una cifra es una estimación nuestra, se indica.

| Causa | Error típico | Corrección en 10 segundos |
|---|---|---|
| Grasa invisible (aceite, mantequilla, ghee, aliño) | Unos 30 g de grasa, unas 270 kcal por comida (NIH, 2026). Unas 120 kcal por cada cucharada de aceite olvidada (USDA). | Añade el aceite o la mantequilla en una línea aparte antes de guardar |
| Tamaño y profundidad de la porción | Comidas grandes, alrededor de un tercio por debajo en peso (O'Hara et al., 2025) | Haz una foto a 45 grados con un tenedor en el encuadre; escribe los gramos si los sabes |
| Platos mezclados y por capas | Del 22 % al 26 % de error en lasaña y biryani (nuestra propia prueba de 20 comidas, 2026) | Fotografía antes de mezclar o registra las partes por separado |
| Comidas keto y ricas en grasa | Peores que el resto (seguimiento de los NIH, 2026); sin cifra publicada | Registra las grasas aparte y revisa el total de grasa |
| Cocinas menos conocidas | Hasta un 76 % por debajo en pho de ternera y té de perlas (Li et al., 2024) | Escribe el nombre del plato y sus ingredientes principales |
| Sesgo de las demos | No es un error de la comida; sube demasiado las expectativas | Juzga una app con tus propias comidas mezcladas |

*Estimación: la cifra de 120 kcal supone que se olvidó una cucharada entera. Un salteado casero suele llevar una; un plato de restaurante, a menudo más.*

## Causa 1: la grasa invisible del aceite, la mantequilla, el ghee y los aliños

**La grasa es el principal motivo por el que las apps de foto se quedan cortas, porque la cámara no ve lo que ha empapado la comida.** En el análisis de los NIH presentado en NUTRITION 2026, la grasa se subestimó en [unos 30 gramos por comida](https://www.eurekalert.org/news-releases/1136415). A 9 calorías por gramo, son unas 270 calorías, la mayor parte de la diferencia de 250 a 345 calorías.

«Estas apps tienden a subestimar las calorías, sobre todo las que vienen de las grasas», dijo Aaron Hengist, investigador posdoctoral del National Institute of Diabetes and Digestive and Kidney Diseases de los NIH, en el [comunicado del NIDDK](https://www.eurekalert.org/news-releases/1136415) (traducción nuestra).

Las cantidades que desaparecen son pequeñas en volumen y grandes en calorías. [USDA FoodData Central](https://fdc.nal.usda.gov/) da 884 calorías por 100 g de aceite de oliva, es decir, 119 calorías por cucharada. Una cucharada de mantequilla con sal tiene 102 calorías y una cucharada de ghee unas 112. Un salteado hecho con una cucharada de aceite se ve igual que uno hecho en sartén seca.

La solución es registrar la grasa como un alimento aparte. Nuestra [guía de calorías ocultas](/blog/hidden-calories-oil-butter-sauces) da cantidades por defecto para cada método de cocción.

## Causa 2: el tamaño y la profundidad de la porción

**Una sola foto muestra superficie, no altura, así que cuanto más grande y profunda es la porción, más se queda corta la estimación.** Un estudio de 2025 en *Current Developments in Nutrition* de [Fridolfsson y sus colegas](https://pmc.ncbi.nlm.nih.gov/articles/PMC12513282/) probó ChatGPT-4o, Claude 3.5 Sonnet y Gemini 1.5 Pro con 52 fotos de comida. El artículo informa de que los tres modelos mostraron una subestimación sistemática que aumentaba con el tamaño de la porción. Para la energía, las pendientes de sesgo fueron de −0,34 a −0,45, y el error porcentual fue entre un 20 % y un 30 % menor en las porciones pequeñas que en las grandes. En un curry de lentejas grande, ChatGPT calculó 255 g frente a 480 g reales.

Otro estudio de 2025 en *Nutrients* de [O'Hara y sus colegas](https://pmc.ncbi.nlm.nih.gov/articles/PMC11858203/) fotografió 38 comidas en tres tamaños. ChatGPT se acercaba en las porciones pequeñas, pero calculaba de media 530 g para comidas grandes que pesaban 798 g, alrededor de un tercio menos. Subestimó el peso en 87 de 114 fotos (76 %).

El [estudio de Rodríguez-Jiménez](https://pmc.ncbi.nlm.nih.gov/articles/PMC12655113/) vio el mismo patrón. Sus mayores errores se dieron en platos servidos en boles, algo que los autores relacionan con la capacidad limitada del modelo para juzgar la profundidad y el volumen a partir de una sola imagen.

## Causa 3: platos mezclados, por capas y con salsa

**Cuando los ingredientes se mezclan o se apilan en capas, la IA tiene que adivinar qué hay debajo y cuánta salsa lleva.** Un curry, un guiso, un biryani o una lasaña solo enseñan su capa de arriba. El arroz bajo la salsa, el queso entre las láminas de pasta y el aceite del guiso quedan ocultos.

En nuestra propia prueba de 20 comidas pesadas con báscula de cocina (mayo de 2026), los platos por capas como la lasaña y el biryani fueron la categoría más difícil para las dos apps que probamos. Callie tuvo un 22 % de error medio en ellos y Cal AI un 26 %, frente al 13 % y el 17 % en el conjunto de comidas. El método completo está en nuestra página [Callie vs Cal AI](/compare/callie-vs-cal-ai).

El comunicado de los NIH señala que dos de las apps, MyFitnessPal y Lose It!, estimaban mejor las comidas más calóricas que las ligeras, así que el problema no es solo el tamaño de la comida. Lo que más pesa es cuánta energía de la comida está donde la cámara no puede ver.

La solución más fácil es fotografiar los componentes antes de mezclarlos, o registrarlos por separado: el arroz, el curry y la cucharada de aceite o ghee del tadka.

## Causa 4: comidas keto y ricas en grasa

**Las comidas que obtienen casi toda su energía de la grasa son el caso más difícil para una cámara, y el seguimiento de los NIH halló que las apps lo hacían peor con ellas.** En un análisis adicional de más de 200 comidas más, el equipo del NIDDK informó de resultados iniciales que sugieren que las apps [tienen más dificultades con las comidas cetogénicas bajas en carbohidratos](https://www.eurekalert.org/news-releases/1136415). La cobertura de HealthDay añade que probablemente se debe a que las apps subestiman de forma constante su mayor contenido de grasa.

El comunicado también indica que las cuatro apps estimaban los carbohidratos de forma más constante que los demás macronutrientes. Encaja con el mecanismo. El arroz, el pan y las patatas tienen un volumen visible. La mantequilla de una salsa, la nata de los huevos y la grasa dentro de un entrecot, no.

Si sigues una dieta keto, revisa la línea de grasa en cada registro por foto en lugar del total de calorías. Si la grasa parece baja para lo que cocinaste, añade tú la mantequilla, el aceite o el queso. Todavía no hay ninguna cifra pública sobre la diferencia en keto. Esta parte del trabajo de los NIH es un resultado preliminar de congreso, no un artículo revisado por pares.

## Causa 5: cocinas que los modelos vieron menos al entrenarse

**Los modelos de IA de comida se entrenan sobre todo con bancos de imágenes de ciertos países, así que pueden fallar más con platos que vieron menos.** Una revisión exploratoria de 2025 en [*Frontiers in Nutrition*](https://www.frontiersin.org/journals/nutrition/articles/10.3389/fnut.2025.1501946/full) señala que muchos bancos de imágenes de comida se centran en países o culturas concretos, lo que puede hacer que los sistemas de IA rindan peor con alimentos de regiones poco representadas.

Un estudio de 2024 en *Nutrients* de [Li y sus colegas](https://pmc.ncbi.nlm.nih.gov/articles/PMC11314244/) lo puso a prueba. Las apps de foto con IA no lograron identificar los componentes del pho de ternera y del té de perlas, y subestimaron su energía hasta en un 76 %. En el bibimbap, que tiene seis componentes, Foodvisor y Fastic reconocieron 3 y 4. Las apps de registro manual también se desviaban: frente a los registros alimentarios de referencia, sobrestimaron una dieta occidental en 1.040 kJ (unas 250 kcal) y subestimaron una dieta asiática en 1.520 kJ (unas 363 kcal).

«Los usuarios deben saber que, aunque el reconocimiento de imágenes de comida con IA puede simplificar el registro de comidas, puede que no siempre sea preciso, sobre todo con platos complejos o propios de una cultura», dijo Juliana Chen, dietista de la Universidad de Sídney y autora del estudio, a [Nutrition Insight](https://www.nutritioninsight.com/news/non-western-diets-harder-to-track-using-ai-powered-health-apps-expert-warns.html) (traducción nuestra).

La solución es escribir el nombre real del plato y sus ingredientes principales. Nuestra [guía de comida india](/blog/calorie-tracker-for-indian-food) muestra cómo.

## Causa 6: por qué las demos parecen más precisas que el uso diario

**Las demos de marketing muestran el caso fácil: un solo alimento, bien separado y con buena luz.** Un plátano, una porción de pizza o un filete con patatas en el plato se fotografían bien y se estiman bien. Un salteado de martes por la noche comido en un bol con la luz de la cocina, no. Los estudios de arriba probaron comidas completas, muchas mezcladas o caseras, y esa es una de las razones por las que sus cifras parecen peores que los vídeos de las propias apps.

Los vídeos de demo también se editan para que fluyan, a veces por motivos que no tienen nada que ver con la precisión. En un [resumen de RevenueCat sobre el pódcast Sub Club](https://www.revenuecat.com/blog/growth/jake-castillo-cal-ai-sub-club-podcast-2026.md) (14 de octubre de 2026), el cofundador de Cal AI, Jake Castillo, describe el «momento mágico» de escanear ante la cámara. El resumen explica que una ventana de racha aparecía tras el primer escaneo del día y rompía ese ritmo, así que la empresa se aseguraba de que sus influencers no mostraran su primer escaneo del día. El motivo era esa ventana, no la precisión. Para ti, la conclusión es la misma: un vídeo de un creador es el mejor de los casos.

Juzga cualquier app, la nuestra incluida, con tus propias comidas mezcladas y caseras.

## La solución: dale a la IA lo que la foto no muestra

**Decirle a la IA qué lleva la comida reduce su error aproximadamente a la mitad, según un estudio de 2025 sobre ChatGPT-5.** [Rodríguez-Jiménez y sus colegas](https://pmc.ncbi.nlm.nih.gov/articles/PMC12655113/) (*Nutrients*, 2025, 17(22):3613) probaron 195 platos de tres fuentes y dieron al modelo más contexto en cada paso.

| Feature | Error en calorías (MAPE) | Desvío medio |
|---|---|---|
| Solo la foto | 30,5 % | unas 123 kcal |
| Foto y descripción breve (tipo y cantidad de grasa, grasa láctea, tipo de carne) | 24,4 % | unas 92 kcal |
| Foto y lista de ingredientes con cantidades | 13,9 % | unas 53 kcal |
| Solo la lista de ingredientes, sin foto | 18,1 % | unas 67 kcal |

_ChatGPT-5 con 195 platos. Fuente: Rodríguez-Jiménez et al., Nutrients 2025._

Destacan dos cosas. Añadir la grasa y otros detalles que la cámara no ve redujo el error en alrededor de una quinta parte, y una lista completa de ingredientes lo redujo en más de la mitad. La foto seguía ayudando: la lista sola funcionó peor que la foto con la lista. Los autores escriben que la precisión mejoró de forma constante cuando la información visual se complementaba con datos no visuales.

El equipo de los NIH llega a la misma conclusión. «Quien use una app de seguimiento por foto sin ajustar las porciones ni introducir las cantidades de comida debería tomarse los resultados con cautela», dijo Hengist, según [HealthDay](https://www.healthday.com/health-news/nutrition/how-accurate-are-photo-based-calorie-apps-4-are-put-to-the-test) (traducción nuestra).

## Cómo está diseñada Callie en torno a esa solución

**Callie nunca registra un escaneo de foto automáticamente, porque el paso de corrección es de donde sale la mayor parte de la precisión.** Tras un escaneo, una pantalla de revisión muestra cada alimento con su porción, calorías y macros. Puedes editar cualquiera, añadir el aceite o la mantequilla, o quitar algo que la IA identificó mal, y nada llega a tu diario hasta que confirmas.

Las estimaciones de porción de Callie también usan los metadatos de profundidad y de cámara que tu teléfono guarda en la foto original, en lugar de juzgar la escala solo a partir de una imagen plana. Eso ayuda con la causa 2, pero solo si los metadatos están ahí. Las capturas de pantalla y las fotos reenviadas por apps de mensajería suelen perderlos, así que haz una foto nueva en la app o elige la original de tu carrete.

Ninguna de las dos funciones ve el aceite dentro de la comida. La profundidad ayuda con cuánto hay en el plato, y la pantalla de revisión es donde añades lo que fue a la sartén. En nuestra propia prueba de 20 comidas, Callie tuvo un error medio del 13 % y Cal AI del 17 %. Es nuestra prueba, no una independiente. Nuestra [guía para registrar calorías con una foto](/blog/how-to-track-calories-from-a-photo) explica todo el proceso.

## Cinco correcciones que funcionan en cualquier app

**Estos hábitos reducen los errores más grandes en cualquier contador por foto, no solo en el nuestro.** Cada uno apunta a una de las causas de arriba.

1. **Registra el aceite aparte.** Añade «1 cucharada de aceite de oliva» (119 kcal, USDA) en su propia línea para un salteado casero. Haz lo mismo con la mantequilla, el ghee y el aliño.
2. **Pesa una vez los alimentos densos en calorías.** Pesa una o dos veces tu porción habitual de aceite, crema de cacahuete, queso, granola, arroz y pasta. Después sabrás cómo se ven 30 g de queso y podrás corregir la estimación a ojo.
3. **Fotografía antes de mezclar.** Haz la foto del arroz, el curry y los acompañamientos antes de mezclarlos, o regístralos como alimentos separados.
4. **Añade una descripción breve.** «Muslo de pollo con piel, a la plancha con 2 cucharaditas de mantequilla» le da a la IA el tipo y la cantidad de grasa, el tipo de detalle que llevó a ChatGPT-5 del 30,5 % al 24,4 % de error.
5. **Haz dos fotos.** Una a unos 45 grados con un tenedor o una mano como referencia de tamaño, y otra justo desde arriba. La foto en ángulo muestra la altura; la de arriba muestra todo lo que hay en el plato.

Luego revisa tu tendencia de peso. Si tres semanas de registros dicen que estás en déficit y la báscula no se ha movido, probablemente tus registros se quedan cortos.

## Cuándo no basta con una app de foto

**Para algunos objetivos, una estimación por foto es demasiado aproximada incluso corregida, y una báscula o un contador basado en una base de datos es la mejor herramienta.** Si te preparas para una competición, cuentas carbohidratos para la insulina o sigues una dieta médica, necesitas cifras más precisas de las que da hoy cualquier app de foto. Nuestra guía sobre [si necesitas una báscula de cocina con un contador con IA](/blog/do-you-need-a-food-scale-with-ai-tracker) explica cuándo merece la pena pesar.

Si comes sobre todo productos envasados, escanear el código de barras con una base de datos verificada es más preciso que una foto. Si prefieres no usar IA, nuestra lista de [contadores de calorías sin IA](/blog/calorie-tracker-without-ai) recoge opciones centradas en el registro manual, como Cronometer y MyFitnessPal.

El registro por foto encaja contigo si comes mucha comida casera o de restaurante, quieres registrar en segundos y estás dispuesto a corregir la estimación antes de que se guarde.

Este artículo es información general, no consejo médico. Si tienes diabetes, tomas medicación que depende de la dieta, estás embarazada o tienes antecedentes de trastornos de la conducta alimentaria, habla con un profesional sanitario cualificado antes de cambiar cómo comes o cómo registras tu comida.

## Lecturas relacionadas

- [Investigación sobre la precisión de las calorías con IA](/blog/ai-calorie-accuracy-research), todos los estudios en un solo lugar.
- [Las apps de calorías con IA subestiman las comidas hasta en 345 calorías](/blog/ai-calorie-app-accuracy-study-2026), nuestro análisis del resumen de los NIH.
- [¿Es precisa Cal AI?](/blog/is-cal-ai-accurate), una reseña centrada en esa app.
- [Calorías ocultas en el aceite, la mantequilla y las salsas](/blog/hidden-calories-oil-butter-sauces), con los valores del USDA por cucharada.

## Fuentes

1. Charles O, Hengist A et al. (2026). Estudio sobre apps de calorías por foto, presentado en NUTRITION 2026, American Society for Nutrition, 25 de julio de 2026. Resumen de congreso, sin revisión por pares. Comunicado de NIDDK/ASN vía EurekAlert!: https://www.eurekalert.org/news-releases/1136415
2. 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
3. Nutritional Outlook (30 de julio de 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 de septiembre de 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 de octubre de 2026). «Cal AI paid UFC creators thousands of dollars to post, and got no download spike at all.» Resumen del pódcast Sub Club. 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). Consultado el 20 de octubre de 2026. https://fdc.nal.usda.gov/
12. Prueba interna de Callie con 20 comidas pesadas con báscula de cocina (mayo de 2026). Método: https://www.mycallie.app/en/compare/callie-vs-cal-ai

## Preguntas frecuentes

**Q: ¿Por qué las apps de calorías con IA subestiman las calorías?**
A: Sobre todo porque una foto no muestra la grasa ni la profundidad. El aceite absorbido al cocinar, la mantequilla derretida en una salsa y el aliño mezclado en una ensalada casi no dejan rastro visible, y una sola foto no puede medir la profundidad de un bol. En un resumen de congreso de los NIH de 2026, cuatro apps se quedaron unas 250 a 345 calorías cortas por comida, con unos 30 gramos de grasa de menos. Los platos mezclados, las comidas keto y las cocinas menos presentes en los datos de entrenamiento añaden más error.

**Q: ¿Cuánto subestiman las apps de calorías por foto?**
A: En el análisis de los NIH presentado en NUTRITION 2026, cuatro apps populares subestimaron 102 comidas de una cocina metabólica en unas 250 a 345 calorías de media. Fue sin ninguna corrección de porciones, es decir, el peor caso. En un estudio de 2025, ChatGPT-5 fallaba por unas 123 calorías (30,5 %) con solo la foto y por unas 53 calorías (13,9 %) cuando también tenía la lista de ingredientes.

**Q: ¿Las apps de calorías con IA subestiman más las comidas grandes?**
A: Sí. Un estudio de 2025 en Current Developments in Nutrition halló que ChatGPT, Claude y Gemini subestimaban más a medida que crecían las porciones. Un estudio de 2025 en Nutrients halló que ChatGPT se acercaba en comidas pequeñas, pero calculaba unos 530 g para comidas grandes que en realidad pesaban unos 798 g. Los boles y los platos con mucha comida amontonada son los más difíciles, porque una sola foto no ve la altura.

**Q: ¿Cómo hago que una app de calorías por foto sea más precisa?**
A: Añade lo que la foto no muestra antes de que el registro se guarde: el aceite de cocina, la mantequilla o el aliño, y la porción en gramos si la sabes. Fotografía la comida antes de mezclarla, haz una foto a 45 grados además de una desde arriba y escribe una descripción corta como «frito en 1 cucharada de aceite de oliva». Pesa al menos una vez los alimentos densos en calorías, como el aceite, la crema de cacahuete, el queso y la pasta, para aprender cómo se ve una porción.

**Q: ¿Por qué las demos de apps de calorías con IA parecen más precisas que el uso real?**
A: Las demos suelen usar alimentos sencillos, solos y bien iluminados, que son el caso fácil. Las comidas del día a día están mezcladas, llevan salsa, se cocinan con aceite y se fotografían con mala luz. Además, los vídeos de demo se editan para que fluyan. El cofundador de Cal AI contó en un pódcast de 2026 que la empresa pedía a los influencers que no mostraran su primer escaneo del día, porque justo después aparecía una ventana de racha que rompía el ritmo del vídeo.

**Q: ¿Callie es más precisa que otras apps de foto?**
A: En nuestra propia prueba de 20 comidas pesadas con báscula de cocina, en mayo de 2026, Callie tuvo un error medio del 13 % y Cal AI del 17 %. Es nuestra prueba, no una independiente. Callie nunca registra un escaneo de foto automáticamente: primero revisas los alimentos, las porciones y las calorías, y ahí es donde entran las correcciones de este artículo.