En pocas palabras: una fotografía responde bien a «qué hay en el plato» y mal a «cuántas calorías son». Con una sola imagen, los modelos fuertes se equivocan de media entre el 20 y el 36 % de las calorías del plato, y las aplicaciones de la tienda se quedan cortas, de media, entre el 27 y el 38 %. La precisión se sube con un sensor de profundidad, una lista de ingredientes y correcciones manuales. Salvo el sensor, todo eso lo escribe una persona: justo el trabajo que la foto venía a quitar.
Más abajo: qué ve la foto, qué falta en ella, 18 fuentes con una cifra de error en un gráfico, cómo se sube la precisión y los datos abiertos para quien quiera comprobarlo.
Qué ve la foto#
El reconocimiento de alimentos funciona bastante bien, y esa parte de la promesa es honesta. En un estudio de 2025 el sistema nombró correctamente 189 de 220 platos Sahoo 2025. En una comparación de cuatro aplicaciones, MyFitnessPal reconoció el 97 % de los componentes de los platos. A partir de una imagen, un modelo puede decir:
- qué alimento es: arroz, ensalada, pan, pollo, sopa;
- cuántas piezas hay: uno o dos huevos, una o dos hamburguesas;
- qué parte del plato ocupa la comida, su color y su superficie;
- el plato, el bol y los cubiertos que tiene al lado.
Eso basta para reducir una búsqueda de miles de entradas a unas pocas. Para las calorías hace falta más.
Qué falta en la imagen#
La receta#
El mismo curry se hace con tomate, leche de coco, nata o ghee. Una sopa se hace con caldo o se termina con nata. La imagen muestra la superficie terminada, no de qué está hecha.
El porcentaje de grasa y el corte#
La carne picada magra y la grasa tienen el mismo aspecto después de cocinarse. También se parecen los distintos cortes de cerdo o de pollo, sobre todo cuando la grasa derretida se quedó en el plato. La guía de calorías ocultas recoge un ejemplo verificado del USDA: la carne picada cruda 95 % magra y la 80/20 se diferencian en 111 kcal por 100 g.
El aceite#
El aceite cubre las verduras, se queda en el empanado, se absorbe en el arroz y en la salsa. Una superficie brillante no dice cuántos gramos entraron ni cuántos quedaron en la sartén. En la prueba del NIH las cuatro aplicaciones se saltaron unos 30 g de grasa por comida.
Los ingredientes de dentro y de debajo#
El azúcar de un glaseado, la mantequilla del arroz, el queso dentro de la hamburguesa, una segunda capa debajo de la salsa. Nada de eso aparece en la imagen.
La ración en gramos#
La imagen muestra qué parte del plato ocupa la comida, no cuánto pesa. El tamaño del plato, la distancia de la cámara, el ángulo y la altura del montón bastan para multiplicar la estimación, y la comida se tapa a sí misma. En la prueba de Fridolfsson, cuanto más grande era la ración, más se quedaba corta la estimación.
La cuenta es simple: las calorías salen del nombre, la ración y la receta. De los tres, la foto solo aporta con seguridad el nombre. Y lo que no ve —aceite, porcentaje de grasa, queso— es sobre todo grasa y proteína, así que la composición sale peor que el total de calorías.
Qué encontraron las pruebas de precisión#
Reunimos 164 registros sobre la precisión de las calorías por foto entre 2015 y septiembre de 2026: artículos científicos, preprints, pruebas de medios y de particulares, afirmaciones de las empresas. De ellos, 18 recogen un número que entra en una misma escala; cuentan el error de maneras distintas, así que esto no es un ranking. El resto está en los datos abiertos, con el motivo.
Una fila por fuente. Abre una fila para ver qué se midió y dónde se publicó.
● Pruebas externas
NIH · cuatro aplicaciones · 2026102 comidas · resumen de congreso 27,5–37,6 % →
Sesgo, a partir de la subestimación media. Comida de referencia: 918 kcal de media. Subestimación promedio: MyFitnessPal −327, Lose It! −333, Cal AI −345, Appediet −252 kcal. Dividido entre 918, de media falta el 35,6 %, el 36,3 %, el 37,6 % y el 27,5 % de una comida; los platos individuales se dispersan alrededor de estas cifras en ambas direcciones, así que el error típico por plato es otro número.
Resumen de congreso, todavía no es un artículo completo. Financiación del NIH. El análisis de 102 comidas va aparte de las comidas adicionales que menciona la prensa.
Tanabe · seis modelos · 2025Fotos de Nutrition5k · 6 modelos 39,8–129,5 %
Error promedio por plato. Seis modelos probados con las fotos de Nutrition5k, con y sin ajuste fino: 129,5, 92,8, 55,7, 46,7, 41,5 y 39,8 % de error medio por plato (MAPE).
Las cifras citadas de artículos anteriores no cuentan como pruebas nuevas. Los experimentos que inyectan el volumen son otro protocolo y quedan fuera.
Coburn · ocho modelos · 2025806 imágenes · marca de escala 23,3–86,3 %
Error promedio por plato. Ocho modelos sobre 806 fotos que incluyen una marca de escala: entre 23,3 y 86,3 % de error medio por plato (MAPE) en el protocolo base.
Preprint. La marca de escala presente en cada foto ayuda con el tamaño de la ración. Los prompts enriquecidos con metadatos son otra condición. Son medias por modelo, no límites por comida.
Fridolfsson · tres modelos · 202552 fotos de comida 35,8–64,2 %
Error promedio por plato. GPT-4o y Claude 3.5 Sonnet: 35,8 % de error medio por plato (MAPE) cada uno; Gemini 1.5 Pro: 64,2 %. La subestimación crecía con el tamaño de la ración.
Publicado en 2025, probado en septiembre de 2024. Fotos controladas, con cubiertos y raciones pesadas.
Rodríguez · ChatGPT-5 · 2025195 platos · foto / foto + lista 6,9–35,0 %
Error promedio por plato. Los mismos 195 platos con distinta entrada. Solo la foto: entre 20,1 y 35 % en tres conjuntos de imágenes, 30,5 % en total. Foto más una lista detallada de ingredientes: entre 6,9 y 18,6 %, 13,9 % en total. Error promedio por plato (MAPE).
Un solo estudio con entradas distintas. El 6,9 % corresponde a 25 platos caseros con una lista detallada de ingredientes. Las pruebas solo con texto quedan fuera.
Li · cuatro aplicaciones · 20246 platos mixtos · 4 aplicaciones 15,4–59,3 %
Error del total de los seis platos. Cálculo nuestro a partir de las filas de plato completo de la tabla 10, con los seis platos que resolvieron las cuatro aplicaciones: MyFitnessPal 59,3 %, HealthifyMe 39,6 %, Foodvisor 26,6 % y Fastic 15,4 % de las calorías de referencia del total (WAPE).
El subconjunto común es pequeño; el té con leche queda fuera porque Foodvisor no dio resultado. La referencia son los registros de comida de un dietista. No se declaran financiación ni conflictos de interés.
Serra · SNAQ · 202330 mujeres · diario de siete días ≥14,8 %
Déficit del total, a partir de la subestimación media diaria. El diario de la aplicación promedió 1905,5 kcal al día frente a un gasto medido de 2235,2 kcal al día: el total del diario queda un 14,8 % por debajo. El −12,8 % del propio artículo es la media de los porcentajes individuales.
Financiación académico; a SNAQ se le pagó por construir la versión de investigación. Usar el gasto como referencia de la ingesta supone un peso estable, y las comidas sin registrar cuentan en contra de la aplicación.
Herzig · SNAQ · 202048 comidas · profundidad + lista 12,7 %
Error promedio por comida. 12,7 % de error medio por comida (MAPE), 41,2 kcal de media. iPhone con sensor de profundidad, alimento elegido de una lista cerrada y segmentación corregible a mano.
Estudio académico; los autores agradecen a los desarrolladores de SNAQ y no declaran conflictos. Es un registro asistido, no una foto a secas.
Keenoa · 202072 participantes · registro diario 15,6–19,5 % →
Déficit del total, a partir de la subestimación media diaria. Diario de referencia: 2006,3 kcal al día; las entradas de la aplicación: 1615,3; después de la revisión de un dietista: 1693. Los totales quedan un 19,5 % y un 15,6 % por debajo.
La referencia es otro diario, imperfecto a su vez. El resultado incluye la conducta de registro y la revisión humana, además de la estimación de la imagen.
◆ Pruebas con el desarrollador, reseñas y afirmaciones
Bayern 1 · 2026Una semana · fórmula no revelada 6,0–>20,0 %
Desviación semanal, fórmula no revelada. Se informó que Foodvisor se desvió alrededor de un 6 % a lo largo de una semana, y que las demás pasaron del 20 %. El extremo superior se desconoce.
Prueba periodística de cuatro aplicaciones, sin un registro de referencia completo ni fórmula de error. Un total semanal puede esconder errores opuestos en comidas sueltas. La página está fechada el 3 de junio de 2026; los metadatos, el 12 de junio.
Tom’s Guide · Gemini · 20263 comidas · límites calculados 5,3–27,2 %
Error del total de las tres comidas, límites calculados. Referencias de 175 / 295 / 328 kcal; Gemini respondió con intervalos de 115–175 / 255–305 / 370–445. Tomando el extremo más cercano y el más lejano, el error va del 5,3 al 27,2 % del total.
Foto más una descripción de texto. Registro de referencia personal, tres comidas. Los límites salen de los intervalos de las respuestas, no de una media medida.
SnapCalorie · FAQ · 2025Archivo de 2025 · igual en 2026 ≈15,0 %
Afirmación de la empresa, fórmula no revelada. Las preguntas frecuentes hablan de alrededor de un 15 % de error calórico medio. La misma redacción está en el archivo del 21 de enero de 2025 y en la página tal como estaba el 5 de septiembre de 2026.
La fecha es la de la captura del archivo, no la de una prueba. Se cita Nutrition5k, pero no la fórmula, ni la versión de la aplicación, ni ninguna comprobación independiente.
Kakao & Karotte · Lifesum · 20257 comidas · prueba personal 34,6 %
Error del total de las siete comidas. Siete comidas, todas sobreestimadas: 660 kcal de más sobre 1905 kcal de referencia, un 34,6 % del total (WAPE); 41,9 % de error medio por comida.
El total impreso en la web, 1406 kcal, no coincide con sus propias filas, que suman 1905; usamos las filas. La página lleva enlaces de afiliado.
Passio · app de investigación · 202526 participantes · registro diario ≥20,1 %
Déficit del total, a partir de la subestimación media diaria. Subestimación promedio de 1814 kJ al día frente a un gasto medido de 9017 kJ al día: el total queda un 20,1 % por debajo. El 15 % del artículo es la media de las razones individuales.
Los autores académicos construyeron la aplicación sobre el motor de Passio; la pagaron subvenciones públicas y benéficas, y Passio aportó el algoritmo en especie. Es la validación de su propio flujo de trabajo.
FeastGood · 20241 comida · total de 3 de 6 aplicaciones 0,7–11,8 %
Error en una comida. Una comida de 440 kcal; tres aplicaciones dieron un total: 437, 470 y 388 kcal, es decir, un 0,7 %, un 6,8 % y un 11,8 % de error. Las otras tres dieron un total que no se puede comparar.
En MyFitnessPal se usaron las opciones de ración por defecto. Los enlaces de afiliado están declarados. Una comida acertada dice poco sobre la precisión habitual.
SnapCalorie · 2023Declaración · profundidad + revisión <20,0 %
Afirmación de la empresa, fórmula no revelada. Un fundador citado por TechCrunch el 26 de junio de 2023: error calórico medio por debajo del 20 %. El servicio usaba entonces sensor de profundidad y revisores humanos.
No hay fórmula ni comprobación independiente de la cifra citada. El 15 % posterior cabe dentro de ese «por debajo del 20 %» anterior.
CALO mama · 2022120 comidas · automático / corregido 1,6–10,1 % →
Sesgo, a partir de la diferencia media. Comida de referencia: 562 kcal de media. La estimación automática promedió 505 kcal (−57) y, tras la corrección manual, 571 kcal (+9). Eso es una desviación media del 10,1 % y del 1,6 %; el error medido por comida no está publicado.
Pagado por el desarrollador, Link & Communication; dos autores eran empleados suyos y otro tenía un contrato de asesoría en investigación. Con revisión por pares, pero no independiente. La japonesa CALO mama no es Calorie Mama.
Nutrition5k · 2021Foto / profundidad / peso conocido 9,5–26,1 %
Error promedio por plato. Error calórico promedio por plato, normalizado: solo foto 26,1 %; con profundidad 18,8 %; con volumen 16,5 %; con el peso real del plato 9,5 %.
Investigadores de Google evaluando sus propios modelos sobre su propio conjunto de datos. El 9,5 % necesita el peso real y no sale solo de la foto.
→ sesgo del total: cuánto quedó la suma de todas las estimaciones por debajo de la suma real; los platos individuales se dispersan alrededor en ambas direcciones. En Bayern 1 se desconoce el extremo superior. ◇ afirmación de la empresa. Línea discontinua: límites calculados a partir de los intervalos de las respuestas.
El color dice quién midió, no cómo de bueno es el resultado. Las filas cuentan el error de maneras distintas (media por plato, error de un total, sesgo a partir de la subestimación media, una afirmación) y sobre comidas distintas, así que el eje no es un ranking y las filas no se pueden promediar en una sola «precisión del mercado».
Qué muestra el gráfico.
Con una sola foto, el error es de dos cifras. Los modelos fuertes, GPT-4o, Claude y ChatGPT-5, se equivocan de media entre el 20 y el 36 % de las calorías del plato. Los débiles, entre el 64 y el 130 %.
Las aplicaciones de la tienda se quedan cortas. En la prueba del NIH sobre 102 comidas, MyFitnessPal, Lose It!, Cal AI y Appediet se saltaron de media entre 252 y 345 kcal de 918, es decir, entre el 27 y el 38 % de la comida. Es el déficit medio; en platos sueltos el error puede ser mayor. En la comparación de Li sobre los mismos seis platos, cuatro aplicaciones se equivocaron entre el 15 y el 59 % del total.
Las cifras pequeñas llegaron con ayuda. El 12,7 % de Herzig salió de un sensor de profundidad y de un alimento elegido de una lista cerrada. El 9,5 % de Nutrition5k exigió decirle al modelo el peso exacto del plato. El 1,6 % de CALO mama es el sesgo medio después de correcciones manuales, en un estudio que pagó el desarrollador; el error medio por comida no se publicó.
Las empresas no publican una cifra de error. En los materiales que revisamos, Foodvisor, MyFitnessPal, Lose It!, YAZIO, Lifesum, Calorie Mama y BiteSnap nunca dijeron cuál es su error de calorías, solo el porcentaje de reconocimiento o el tamaño de su base. Cal AI escribió «90 % de precisión», después «80 %», sin decir qué mide eso. SnapCalorie: «menos del 20 %» en 2023, «alrededor del 15 %» desde 2025, sin revelar ni el conjunto de platos ni la fórmula.
Cómo se sube la precisión#
Todos los buenos resultados del gráfico salieron de una de cuatro cosas.
- Un sensor de profundidad o un segundo ángulo. En Nutrition5k el error baja del 26 % con una sola foto al 19 % con profundidad, y al 9,5 % cuando al modelo se le da el peso del plato. Herzig llegó al 12,7 % en un iPhone con sensor de profundidad.
- Una lista de ingredientes. ChatGPT-5 sobre los mismos 195 platos: 30,5 % solo con la foto y 13,9 % con una descripción detallada de los ingredientes.
- Un menú cerrado. En el estudio de Herzig la persona elegía el alimento de una lista y el modelo solo estimaba el volumen. Los hospitales y los comedores funcionan igual.
- Correcciones manuales. En CALO mama el sesgo medio cayó del 10 al 1,6 % después de que el usuario corrigiera la entrada. En Keenoa, la revisión de un dietista redujo el déficit del 19,5 al 15,6 %.
Cada una de estas vías añade información que no estaba en los píxeles. Ninguna hace que la foto misma sea más precisa.
El precio de la precisión#
Las ayudas funcionan, y salvo el sensor de profundidad cada una la escribe una persona. El estudio de Sahoo muestra la distancia: el sistema reconoció el 86 % de los platos, y quedó bien registrado el 68 % después de las correcciones Sahoo 2025. Para llevar el resultado de una foto hasta la verdad, el usuario sigue decidiendo:
- si el plato es el que corresponde;
- qué falta y qué sobra;
- cómo se cocinó;
- si están contados el aceite, la salsa y el azúcar;
- cuánto se comió.
Es el mismo trabajo que escribirlo a mano, solo que después de descifrar qué adivinó el modelo. Un factor de corrección único no lo resuelve: en una foto el sistema añadió un aliño que no estaba, en la siguiente pasó por alto el aceite absorbido, en la tercera acertó la ración y erró la receta. «Mi cámara suele quedarse un 15 % corta» falla porque cada vez faltan datos distintos.
Una foto acorta la búsqueda del plato; comprobar la receta y la ración sigue siendo cosa tuya. Esa comprobación es el trabajo de verdad, y es más cómodo hacerla una vez, en la plantilla de una comida conocida, que después de cada foto. Una revisión sistemática de 52 estudios llegó al mismo lugar: los métodos son demasiado distintos para una sola cifra de precisión, y las herramientas todavía no están listas para usarse solas Shonkoff 2023.
Cómo funciona Calk#
Calk empieza por el plato, no por su foto. La plantilla de comida ya recoge aquello que la foto no ve y que suele cambiar:
- la proteína o el ingrediente principal;
- el método de cocción;
- el aceite, la salsa, el azúcar, la sal y las coberturas;
- la ración.
Guarda tu comida en favoritos con el botón ♥. La próxima vez, ábrela en la pestaña de comida y pulsa «Comer»: dos acciones. Si cambió un detalle, cambia solo ese y el plato se recalcula. La receta se ve entera y se puede editar, las mismas elecciones dan siempre el mismo número y el ingrediente que cambió aparece con su nombre. No hay nada que descifrar antes de poder editarlo.
Mira cómo funcionan las plantillas de comida y la comparación de métodos para registrar calorías.
Calk ya está disponible para iPhone, iPad y Android.
Datos para periodistas e investigadores#
Todo lo que sostiene este artículo está abierto: CSV y JSON, 164 registros, revisados el 5 de septiembre de 2026.
- 18 registros en el gráfico, incluidas las afirmaciones de las empresas y las pruebas de particulares, cada uno con la cifra tal como la publicó la fuente, nuestra fórmula de conversión, las condiciones de la prueba y los vínculos declarados con el desarrollador.
- 71 registros verificados sin punto en el gráfico y el motivo: solo reconocimiento, sin referencia, kcal sin el tamaño medio de la comida, reproducción de otro estudio, tablas contradictorias.
- 75 candidatos rechazados con el motivo, incluida una red de 11 sitios que hacen pasar un «estudio» inventado, con un DOI que no existe, por una validación independiente.
De cada registro: quién midió, quién publicó, las fechas de publicación y de la prueba, la versión del producto, la muestra, el método de referencia, la métrica original, la cita o la tabla de donde salió y la cadena de reproducciones. Los datos se pueden reutilizar y citar mencionando a Calk y enlazando este artículo. Si conoces una prueba que falta o encuentras un error en una fila, escribe a support@calk.me con «press» en el asunto; lo revisamos y actualizamos los datos si hace falta.