Las apps de calorías con IA son útiles, pero no precisas. En las mejores pruebas independientes publicadas, los modelos de IA generales que estimaban las calorías a partir de una sola foto se equivocaban de media en torno a un 36 %, y tendían a quedarse cortos con las raciones grandes. Reconocen bien qué hay en el plato y peor cuánto hay, así que los resultados más fiables llegan cuando revisas y corriges la estimación.

Puede sonar decepcionante, pero sitúa el registro con fotos más o menos al nivel de los diarios de alimentación tradicionales que se usan desde hace décadas. Esto es lo que la investigación ha medido de verdad, de dónde vienen los errores y cómo usar bien estas apps.

¿Son precisas las apps de calorías con IA según los estudios?

No existe una única «nota de precisión» para las apps de calorías con IA. Los estudios usan alimentos, modelos y métodos de referencia distintos. Lo más justo es mirar varios a la vez.

Estudio	Qué se probó	Resultado principal en calorías
Fridolfsson et al., Current Developments in Nutrition, 2025	3 modelos de IA, 52 fotos de comida pesada	Error medio del 35,8 % (los dos mejores modelos) y del 64,2 % (el tercero)
O’Hara et al., Nutrients, 2025	ChatGPT-4, 114 fotos de 38 platos en 3 tamaños de ración	Alimentos bien identificados; peso subestimado en el 76 % de las fotos
Rodríguez-Jiménez et al., Nutrients, 2025	ChatGPT-5, 195 platos, con más o menos información añadida	Error medio del 30,5 % solo con la foto, 13,9 % con ingredientes y cantidades
Joubert et al., Diabetes Therapy, 2021	Una app con reconocimiento por foto frente a una manual, para hidratos de carbono	La app de fotos subestimó los hidratos en 7,2 g por comida de media

La comparación de tres modelos (2025)

Un equipo de Gotemburgo fotografió 52 comidas y alimentos estandarizados, pesó cada componente y calculó su contenido real de nutrientes con una base de datos. Después pidió a tres modelos de IA que estimaran los nutrientes a partir de las fotos.

En calorías, el error porcentual absoluto medio (MAPE) fue del 35,8 % tanto para ChatGPT-4o como para Claude 3.5 Sonnet, y del 64,2 % para Gemini 1.5 Pro. En proteínas, grasas e hidratos de carbono los errores fueron mayores, entre un 42 % y un 110 % aproximadamente según el modelo y el nutriente. Los tres modelos subestimaban más cuanto mayor era la ración.

Los autores concluyeron que los dos mejores modelos eran más o menos tan precisos como los métodos tradicionales de registro autodeclarado, sin su esfuerzo, pero todavía no lo bastante para usos exigentes como la nutrición clínica o deportiva.

ChatGPT y el tamaño de las raciones

Un equipo de Irlanda probó ChatGPT-4 con 114 fotos: 38 platos de una encuesta nacional de nutrición, cada uno en ración pequeña, mediana y grande. El modelo reconocía bien los alimentos, con una precisión del 93 %, pero fallaba mucho más con las raciones. Sus estimaciones de peso coincidían bien en los platos pequeños, pero no en los medianos y grandes, y subestimó el peso en 87 de las 114 fotos (76 %). En 13 de los 16 nutrientes estudiados, la diferencia con los valores reales superó el 10 %.

Más información, mejores estimaciones

Un estudio de 2025 evaluó ChatGPT-5 con 195 platos en varios escenarios. Solo con la foto, el error medio en calorías fue del 30,5 %, unas 123 kcal por plato. Al añadir datos que la cámara no ve, como el tipo y la cantidad de grasa y de edulcorante, la grasa de los lácteos y el tipo de carne, bajó al 24,4 %. Con los ingredientes y sus cantidades, bajó al 13,9 %, unas 53 kcal por plato.

La lección práctica es sencilla: cuanto más le cuentas a la app, mejor es la cifra.

Una mirada desde la diabetes

Para quienes cuentan hidratos de carbono, un estudio francés de 2021 comparó una app con reconocimiento por foto y otra en la que el usuario introduce los hidratos a mano. La app de fotos subestimó los hidratos en 7,2 g por comida de media, y en el 30 % de las comidas se equivocó en más de 20 g, frente al 14 % con la app manual. Aun así, los autores vieron ambas apps más precisas que los errores habituales de las personas con diabetes tipo 1 en su día a día, pero la diferencia importa cuando la dosis de insulina depende del número.

Cómo se compara la IA con otras formas de contar

El error no es exclusivo de la IA. Un metaanálisis de 2021 en Advances in Nutrition reunió estudios de validación de apps de diario alimentario en las que la gente registra a mano. De media, estas apps subestimaban la ingesta de energía en unas 202 kcal al día frente a los métodos de referencia. Cuando la app y la referencia usaban la misma base de datos de alimentos, la diferencia bajaba a unas 57 kcal al día, lo que muestra cuánto depende de la base de datos que hay detrás.

Así que la comparación honesta no es «IA contra perfección», sino «IA contra ti tecleando y calculando raciones a ojo», y ambos caminos tienen puntos ciegos. El registro manual lo explicamos en cómo contar calorías.

Por qué las fotos son difíciles para la IA

El tamaño de la ración. Una foto no tiene escala. Es la mayor fuente de error, y las raciones grandes son las que más se subestiman.
Grasa y azúcar ocultos. El aceite de la sartén, la mantequilla en las verduras, los aliños y las salsas pueden sumar cientos de calorías y a menudo no se ven.
Platos mezclados o en capas. El arroz bajo el guiso, el relleno de un wrap, el queso dentro de un bocadillo.
Alimentos que se parecen. Yogur natural o desnatado, leche entera o desnatada, refresco normal o zero, pan blanco o integral.
La calidad de la foto. Las fotos oscuras, movidas o muy cercanas dan menos información al modelo.
Las condiciones del estudio. El estudio de los tres modelos usó fotos estandarizadas desde ángulos fijos, y sus autores señalan que las comidas reales son más complejas. En el día a día la precisión puede ser peor que en el laboratorio.

Un ejemplo con números

Supón que tu plato de pasta tiene en realidad 700 kcal. Un error medio de alrededor del 36 % equivale a unas 250 kcal (700 × 0,36 = 252). Una sola estimación podría caer, por tanto, en cualquier punto entre unas 450 y 950 kcal.

A lo largo del día, los errores aleatorios se compensan en parte: una comida se sobreestima y otra se subestima. El problema son los errores sistemáticos. Si cada cena grande se subestima en 200 kcal, no se compensa nada: son unas 1.400 kcal a la semana. Por eso corregir la ración en las comidas grandes importa más que preocuparse por un pequeño tentempié.

Qué significa esto para PixNutri

Los estudios anteriores probaron modelos de IA generales, no PixNutri, así que no dicen cuál es la precisión de PixNutri. Todavía no hemos publicado nuestra propia evaluación y no damos ningún porcentaje de precisión. En nuestra página sobre precisión (en inglés) explicamos lo que sabemos y lo que aún estamos probando.

PixNutri está pensada en torno a los límites que describe la investigación. Cada estimación por foto muestra calorías, proteínas, hidratos, grasas, fibra y azúcar, y puedes revisar y editar cada valor. Los botones de ración (½, ¾, 1½, 2×) corrigen el error más habitual con un toque. Para los productos envasados, el escáner de código de barras usa los datos nutricionales registrados en Open Food Facts, ajustados a la cantidad que indiques. También puedes describir una comida por texto o por voz, lo que da a la app información que una foto no muestra.

Cómo obtener resultados más precisos con cualquier app de calorías con IA

Haz la foto desde arriba, con buena luz y el plato entero a la vista.
Revisa la ración. Si el plato es más grande de lo normal, da por hecho que la estimación se queda corta y ajústala.
Añade lo que la cámara no ve: aceite, mantequilla, salsas, azúcar en las bebidas.
Usa el código de barras para los productos envasados en lugar de una foto.
Fotografía los platos mezclados antes de removerlos o describe los ingredientes principales.
Pesa una vez algunos de tus alimentos habituales para aprender cómo son tus raciones normales. Mira cómo contar calorías sin báscula.
Valora tu progreso por la tendencia semanal, no por una comida.

Cuándo necesitas algo más que una estimación

Si cuentas hidratos para ajustar la insulina, tienes enfermedad renal, estás embarazada o tienes antecedentes de trastornos de la conducta alimentaria, trabaja con tu médico o con un dietista-nutricionista y no te fíes solo de las estimaciones por foto. En estas situaciones, los estudios dejan claro que los modelos de IA aún no son lo bastante precisos.

Preguntas frecuentes

¿Qué tan precisas son las apps que cuentan calorías con IA?

En las pruebas publicadas, los mejores modelos de IA generales se equivocaban de media en torno a un 36 % en calorías a partir de una sola foto, y solían quedarse cortos con las raciones grandes. La precisión mejora si añades detalles como ingredientes y cantidades.

¿Es más precisa una app con IA que apuntar las comidas a mano?

No está claro. Un estudio de 2025 vio a los mejores modelos más o menos igual de precisos que los métodos tradicionales autodeclarados. Las apps de registro manual también subestiman, en unas 200 kcal al día de media según un metaanálisis de 2021.

¿Puedo adelgazar usando una app de calorías con IA?

Sí, si usas las cifras como estimaciones, corriges los errores evidentes y sigues tu tendencia de peso durante varias semanas. Para entender cómo se traducen las cifras en peso, lee nuestro artículo sobre el déficit calórico.

¿Por qué la app se queda corta con mis platos grandes?

Una foto no tiene escala, así que la IA tiende a suponer una ración de aspecto normal. Los estudios coinciden en que las estimaciones bajan a medida que la ración crece. En los platos grandes, usa los botones de ración o edita los valores.

¿Es más preciso escanear el código de barras que hacer una foto?

Normalmente sí, porque usa los datos nutricionales registrados para ese producto en lugar de una estimación visual. Su precisión depende del registro en la base de datos y de la cantidad que introduzcas.

¿Son precisas las apps de calorías con IA? Qué dice la ciencia