¿Es fiable contar calorías con una foto?

Actualizado el 24 de octubre de 2026

Al gramo, no. Los estudios que compararon las estimaciones de la IA a partir de fotos con comidas pesadas en báscula encontraron errores medios grandes, sobre todo a la baja. Una foto da una estimación útil cuando sabes cuánto puedes fiarte de ella. FotoMeal muestra en cada escaneo lo segura que dice estar la IA, para que sepas cuándo revisar.

Lo que midieron los estudios

Tres estudios recientes son los más útiles aquí, porque compararon las estimaciones con comidas que se pesaron de verdad.

• Estudio de los NIH, NUTRITION 2026 (sin revisión por pares): 102 comidas de un estudio de alimentación controlada (918 kcal de media): las funciones de foto de las 4 apps de calorías probadas subestimaron todas la energía, entre 252 y 345 kcal, alrededor de un tercio. Fuente.
• Fridolfsson et al., Current Developments in Nutrition, 2025 (revisado por pares): 52 fotos de alimentos pesados en báscula: GPT-4o, el modelo que usa FotoMeal, se equivocó de media un 35,8 % en la energía; las raciones grandes se subestimaron. Fuente.
• O'Hara et al., Nutrients, 2025 (revisado por pares): 114 fotos de 38 comidas pesadas en báscula: ChatGPT-4 dio una energía mediana cercana a la referencia, pero se equivocó en el peso de la comida un 27,8 % de media, sobre todo a la baja. Fuente.

El segundo estudio probó GPT-4o, el modelo que usa FotoMeal para el escaneo por foto: sus cifras también valen para FotoMeal. Cada estudio tiene sus límites (número de comidas, tipo de platos, cómo se tomaron las fotos), que se detallan en las fuentes al final de la página. Revisamos esta sección cada trimestre.

Por qué una foto engaña a la IA

• Lo que no se ve: el aceite, la mantequilla, el azúcar y las salsas mezclados en un plato aportan muchas calorías y no aparecen en la foto.
• Profundidad y peso: una foto es plana. El mismo plato puede llevar 250 g o 400 g de arroz.
• Platos mezclados: un curry, un gratinado o una sopa esconden lo que llevan dentro.
• Ángulo y luz: una foto oscura, lejana o muy inclinada pierde detalle.
• Raciones por costumbre: las raciones de restaurante suelen ser más grandes que las de casa.

Qué hace FotoMeal con este margen de error

• Un nivel de confianza en cada escaneo por foto, con un color: verde desde el 75 %, naranja del 50 al 75 %, rojo por debajo del 50 %.
• Por debajo del 60 %, un aviso y los valores listos para editar, para que los revises antes de añadir.
• Las fotos que no sirven se rechazan, con un motivo (no es comida, está borrosa, demasiado oscura, hecha desde demasiado lejos) y un consejo para hacer otra mejor.
• La última palabra es tuya: puedes cambiar cada valor antes de que pase a tu diario.
• Para los productos envasados, el escáner gratuito de códigos de barras lee los datos del propio producto (Open Food Facts), más fiables que una foto.

Cómo leer el nivel de confianza

El nivel es la certeza que la IA declara sobre su propia estimación, de 0 a 100 %. FotoMeal lo toma tal cual, lo mantiene entre 0 y 100 % y lo pone a 0 cuando rechaza la foto. Nadie ha comprobado todavía que un nivel bajo corresponda de verdad a un error mayor: para eso sirve precisamente nuestra prueba con comidas pesadas en báscula (más abajo). Hasta entonces, léelo como una señal para revisar, no como una precisión medida.

• Verde (75 % o más): la IA está segura; basta con un vistazo.
• Naranja (del 50 al 75 %): revisa la ración y lo que no se ve, como el aceite o la salsa.
• Rojo (menos del 50 %): ajusta los valores, o usa el código de barras o la búsqueda.

Cómo obtener una estimación mejor

• Haz la foto desde arriba, con luz natural, con todo el plato en el encuadre.
• Un plato por foto cuando puedas; separa las guarniciones.
• Añade lo que no se ve en la foto: una cucharada de aceite son unas 120 kcal.
• Para los productos envasados, escanea el código de barras.
• Cuando la precisión importe, pesa la comida.

Cuando una estimación no basta

FotoMeal da estimaciones, no consejos médicos. Si sigues una dieta por prescripción médica, tienes diabetes u otra enfermedad metabólica, estás embarazada o tienes una relación difícil con la comida, habla con un médico o un dietista-nutricionista antes de basarte en el recuento de calorías. Consulta nuestras condiciones de uso.

Nuestra prueba: pesamos 50 comidas, con el protocolo publicado antes

Vamos a pesar 50 comidas reales y compararlas con las estimaciones de FotoMeal. Publicamos el protocolo antes de la prueba, para no poder ajustarlo a los resultados.

1. 50 comidas de todos los días, caseras y de restaurante o para llevar, elegidas de antemano por tipo (platos sencillos, platos mezclados, platos con salsa, tentempiés).
2. Cada comida se fotografía con FotoMeal con el mismo teléfono, desde arriba y con luz normal. Anotamos la estimación (calorías, macros) y el nivel de confianza tal como salen, sin corregir nada.
3. Después se pesa cada ingrediente en una báscula de cocina, y los valores de referencia se calculan con el envase o con una tabla pública de composición de alimentos.
4. Para cada comida: la diferencia entre la estimación y la referencia, en calorías y en porcentaje.
5. Resultados agrupados por color (verde, naranja, rojo). La hipótesis que ponemos a prueba: la diferencia es mayor cuando el nivel es más bajo. Si no es así, lo diremos.
6. No se retira ninguna comida a posteriori. Las fotos que la app rechace se cuentan aparte.

Límites que dejamos claros desde ya: una persona, un teléfono, 50 comidas; es una prueba, no un estudio revisado por pares. Los resultados completos, comida por comida, se publicarán en esta página.

Preguntas

Fuentes

• Charles O, Flacke EU, Turner S, Yang S, Airaghi K, Vallone N, Herra L, Darcey VL, Chung ST, Hengist A (NIDDK, NIH). Photograph-based AI Features in Calorie-tracking Apps Underestimate Energy Content of Meals. Abstract, President's Oral Session, NUTRITION 2026 (American Society for Nutrition), National Harbor, MD, 25 July 2026.
• Fridolfsson J, Sjöberg E, Thiwång M, Pettersson S. Performance Evaluation of 3 Large Language Models for Nutritional Content Estimation from Food Images. Current Developments in Nutrition. 2025;9(10):107556.
• O'Hara C, Kent G, Flynn AC, Gibney ER, Timon CM. An Evaluation of ChatGPT for Nutrient Content Estimation from Meal Photographs. Nutrients. 2025;17(4):607.
• Cómo calcula FotoMeal el nivel: respuesta del equipo de la app FotoMeal, 18 de octubre de 2026 (nivel declarado por GPT-4o, sin calibrar, aviso por debajo del 60 %).