Respuesta breve: una foto puede ayudar a nombrar un alimento y aproximar su tamaño visible. No mide directamente la receta, el porcentaje de grasa, el aceite absorbido ni los ingredientes mezclados dentro del plato. Los sistemas de calorías por foto tienen que inferir esos datos, limitar el problema o pedir correcciones.
La pregunta importante no es «¿puede la inteligencia artificial reconocer este plato?», sino «¿qué información produjo la cifra de calorías?».
Qué muestran los mejores sistemas de investigación#
La estimación por foto no es una única tecnología. Los resultados cambian según la cámara, el número de imágenes, la lista de alimentos permitidos y la cantidad de corrección humana.
En un estudio de 2020, un sistema para iPhone con sensor de profundidad estimó la energía de 48 comidas con un error absoluto medio del 12,7 % Herzig 2020. Es un resultado sólido, pero procede de una tarea más estrecha que la promesa de un solo toque: el tipo de alimento se elegía manualmente de una lista cerrada, no se puso a prueba el reconocimiento y la segmentación se podía corregir a mano.
Un estudio de 2025 probó otro proceso en la vida diaria. El sistema identificó 189 de 220 platos (86 %) y comunicó con precisión 136 de 200 platos reconocidos (68 %) Sahoo 2025. Las personas podían corregir nombres, ingredientes, métodos de cocción y raciones, además de añadir platos que faltaban. El estudio midió la identificación y el registro, no el error calórico de cada comida final.
Una revisión sistemática llegó a una conclusión más amplia: en algunos casos, los sistemas de inteligencia artificial igualaron o superaron las estimaciones humanas, pero los métodos eran demasiado distintos para obtener una cifra conjunta de precisión y las herramientas aún necesitaban desarrollo antes de usarse por sí solas en investigación o clínica Shonkoff 2023.
La evidencia no dice que registrar con fotos sea inútil. Dice que «una foto» y «una comida precisa» son afirmaciones distintas.
Qué puede observar una foto plana#
Una imagen aporta información útil:
- identidad visible del alimento: arroz, ensalada, pan, pollo, sopa;
- recuento aproximado: uno o dos huevos, una o dos hamburguesas;
- área y forma visibles;
- color y textura superficial;
- contexto del plato, el bol o los cubiertos.
Un sensor de profundidad, otro ángulo o un objeto de tamaño conocido pueden mejorar la estimación del volumen. Los modelos de reconocimiento también pueden reducir una larga búsqueda de texto a unos pocos alimentos probables.
Son observaciones. El total de calorías depende además de información que la foto no contiene.
Lo que la imagen no puede medir directamente#
Receta#
El mismo curry puede llevar tomate, leche de coco, nata o ghee. Una sopa puede ser de caldo o estar terminada con nata. La foto registra la superficie final, no los ingredientes que la produjeron.
Porcentaje de grasa y corte#
La carne picada magra y la grasa pueden parecerse después de cocinarse. También distintos cortes de cerdo o pollo cuya grasa se haya fundido en el plato. La guía de las calorías ocultas muestra un ejemplo verificado de USDA: la carne picada cruda 95 % magra y la 80/20 difieren en 111 kcal por 100 g.
Grasa de cocción#
El aceite puede recubrir las verduras, permanecer en el empanado o desaparecer en el arroz y la salsa. Una superficie brillante no revela cuántos gramos se añadieron ni cuánto quedó en la sartén.
Ingredientes interiores u ocultos#
El azúcar de un glaseado, la mantequilla del arroz, el queso dentro de una hamburguesa o una segunda capa bajo la salsa pueden no aparecer en la imagen.
Escala física real#
Una sola imagen plana no contiene por sí misma una escala física fiable. El tamaño del plato, la distancia de la cámara, el ángulo y las partes ocultas afectan a la ración inferida.
El reconocimiento es el principio del proceso#
El estudio de Sahoo concreta la diferencia: se identificó el 86 % de los platos, mientras que el 68 % se comunicó con precisión después de un proceso de corrección Sahoo 2025.
Cuando hay que reparar el resultado de una foto, la persona todavía puede tener que decidir:
- qué plato contiene la imagen;
- qué ingredientes faltan o son incorrectos;
- cómo se ha cocinado;
- si se incluyeron el aceite, la salsa o el azúcar;
- qué cantidad se comió realmente.
La corrección no es un detalle menor ajeno al método. Aporta la información que la imagen no contenía.
Por qué un único factor de corrección no arregla todas las comidas#
Las variables que faltan cambian en cada comida. Una foto puede inferir demasiado aliño y la siguiente, pasar por alto aceite absorbido. La ración puede estar cerca mientras la receta es incorrecta, o el nombre puede ser correcto y la cantidad no.
Por eso «mi cámara suele quedarse un 15 % corta» es una regla de calibración débil. La dirección y el tamaño del error dependen de qué información faltaba esta vez.
Qué hace Calk de otra manera#
Calk empieza por el plato, no por su imagen. Una plantilla de comida contiene las elecciones que suelen cambiar:
- proteína o ingrediente principal;
- método de cocción;
- aceite, salsa, azúcar, sal y coberturas;
- ración.
Elige la plantilla en la pantalla de inicio. Si la comida es la de siempre, pulsa «Comer». Si hoy hay salmón en vez de pollo, cambia la proteína y se recalculará toda la comida.
El método es determinista: las mismas elecciones producen la misma estimación. Cuando cambia la comida, se nombra el ingrediente modificado. No hay que descifrar un resultado de reconocimiento antes de editarlo.
Mira cómo funcionan las plantillas de comida o la comparación completa de métodos para registrar calorías.
En resumen#
Una foto aporta información útil sobre la identidad visible y el tamaño aproximado de la comida. No mide directamente la receta, el porcentaje de grasa, el aceite absorbido ni los ingredientes ocultos.
Los sistemas de investigación mejoran el resultado con sensores de profundidad, listas cerradas y corrección manual. Calk toma otro camino: partir de una comida editable, hacer explícitos los supuestos importantes y volver a utilizarla.
Calk ya está disponible para iPhone, iPad y Android.
