Åben Ernæringsdata: Hvorfor Nutrola Offentliggør Nøjagtighedsbenchmark, Som Andre Apps Ikke Gør

Hvis du nogensinde har brugt en kalorietracker-app, har du betroet den et fundamentalt spørgsmål: hvor meget har jeg egentlig spist? Dine beslutninger om portionsstørrelser, måltidsvalg og ugentlige mål afhænger alle af de tal, appen giver dig. Men her er et spørgsmål, som de fleste brugere aldrig tænker på: hvor nøjagtige er disse tal, og hvordan ville du overhovedet vide det?

Svaret, for langt de fleste ernæringsapps på markedet, er, at du ikke ville vide det. De fleste apps offentliggør ikke nøjagtighedsdata. De afslører ikke fejlprocenter. De nedbryder ikke præstationen efter madtype, køkken eller måltidskompleksitet. Du bliver bedt om at stole på outputtet uden nogen beviser for, at det fortjener din tillid.

Nutrola tager en anden tilgang. Vi offentliggør vores nøjagtighedsbenchmark offentligt, opdateret kvartalsvis, opdelt efter madkategori, køkkentype, måltidskompleksitet og registreringsmetode. Denne artikel forklarer, hvorfor vi gør det, hvad tallene faktisk viser, hvor vi falder kort, og hvorfor vi mener, at denne form for gennemsigtighed bør være standarden for hver ernæringsapp.

Hvorfor De Fleste Apps Ikke Offentliggør Nøjagtighedsdata

Der er ingen teknisk hindring for, at en ernæringsapp kan måle og offentliggøre sin nøjagtighed. Værktøjerne findes. Metodologierne er vel etablerede. Årsagen til, at de fleste apps forbliver tavse, kan forklares med tre faktorer.

1. Tallene Er Ikke Smigrende

Nøjagtighedsbenchmarking kræver, at appens output sammenlignes med en sandhed --- typisk vejede fødevarer krydsrefereret med verificerede ernæringsdatabaser som USDA FoodData Central. Når du udfører den sammenligning grundigt, afslører resultaterne ofte betydelige forskelle. En databaseindgang, der angiver "kyllingesteg" uden at specificere mængden af olie, kan være forkert med 200 til 400 kalorier. En brugersubmitteret indgang for "hjemmelavet pasta" kan repræsentere alt fra en 300-kalorie til en 800-kalorie portion.

Apps, der er bygget på crowdsourced databaser med minimal verifikation, har mest at tabe ved gennemsigtighed. Offentliggørelse af fejlprocenter ville afsløre inkonsistensen i deres datagrundlag.

2. Nøjagtighed Er Svær At Definere Tydeligt

Der findes ikke en universel standard for, hvordan man måler nøjagtigheden af ernæringsapps. Måler du gennemsnitsfejl? Medianfejl? Procentdelen af måltider inden for en 10 procents grænse? Tester du mod vejede ingredienser eller mod ernæringsetiketter? Inkluderer du brugerfejl i målingen eller isolerer du systemets præstation?

Denne tvetydighed giver apps dækning. Uden en aftalt metodologi er det nemt at påstå "høj nøjagtighed" i markedsføringsmateriale uden nogensinde at definere, hvad det betyder eller bevise det.

3. Der Er Ingen Markedspres

Indtil for nylig forventede brugerne ikke, at ernæringsapps skulle bevise deres nøjagtighed. Branchen voksede på tillid som standard --- hvis en app har en stor fødevaredatabase, antager brugerne, at dataene er korrekte. Konkurrenter udfordrer ikke hinanden på nøjagtighed, fordi det ville invitere til granskning af deres egne tal.

Dette skaber en kollektiv tavshed. Ingen offentliggør, så ingen forventes at offentliggøre, så ingen gør det.

Nutrolas Holdning: Offentliggør Alt

Vi mener, at hvis du træffer sundhedsbeslutninger baseret på vores data, fortjener du at vide, hvor pålidelige disse data er. Ikke i vage termer. I specifikke, målbare, regelmæssigt opdaterede tal.

Her er, hvad vi offentliggør, og hvordan vi måler det.

Hvordan Vi Måler Nøjagtighed

Benchmark Metodologi

Vores nøjagtighedsbenchmark er afledt af to parallelle processer.

Kontrolleret testning. Hver kvartal udfører vores ernæringsvidenskabsteam en struktureret evaluering ved hjælp af 1.000 måltider tilberedt under kontrollerede forhold. Hver ingrediens vejes til gram. Ernæringsværdier beregnes fra USDA FoodData Central, producentdata og laboratorieverificerede referenceværdier. Hvert måltid logges derefter gennem Nutrola ved hjælp af alle tilgængelige metoder --- fotogenkendelse, stregkodescanning, manuel søgning og opskriftsimport --- og outputtene sammenlignes med referenceværdierne.

Virkelighedsvalidering. Vi rekrutterer frivillige brugere, der accepterer at veje deres mad i en defineret periode og indsende både deres vægtmålinger og deres normale Nutrola-logindgange. Dette giver os grundsandhedssammenligninger under realistiske forhold --- ufuldkommen belysning, afslappet anretning, rigtige køkkener. Vores seneste valideringskohorte omfattede 4.200 brugere, der bidrog med 26.800 verificerede måltidsindgange.

Hvad Vi Måler

For hver benchmarkcyklus rapporterer vi følgende metrics:

• Gennemsnitlig absolut procentuel fejl (MAPE) for kalorier, protein, kulhydrater og fedt.
• Procentdelen af måltider inden for 5%, 10% og 15% af referenceværdierne for hver makronæringsstof.
• Madidentifikationsnøjagtighed --- procentdelen af måltider, hvor AI korrekt identificerer de primære fødevarer.
• Portionsestimeringsnøjagtighed --- procentuel afvigelse i gramvægt mellem AI's portionsestimat og den faktiske målte portion.
• Systematisk biasretning --- om fejl har en tendens til at overvurdere eller undervurdere, og med hvor meget.

Vi opdeler disse metrics efter madkategori, køkkentype, måltidskompleksitet og registreringsmetode. Det fulde datasæt er tilgængeligt på vores benchmarkside.

Hvad Tallene Viser: Nøjagtighed Efter Madkategori

De følgende tabeller afspejler vores benchmarkresultater for Q1 2026, der kombinerer kontrolleret testning og virkelighedsvalideringsdata.

Kalorienøjagtighed Efter Madkategori

Madkategori	Gennemsnitlig kaloriefejl	Inden for 5%	Inden for 10%	Inden for 15%	Biasretning
Enkelt hele fødevarer (frugt, grøntsager, almindelige proteiner)	3.1%	78%	96%	99%	Let overvurdering (+1.2%)
Emballerede fødevarer (stregkodescannet)	1.8%	91%	98%	100%	Neutral
Enkle tilberedte måltider (grillet kylling + ris, salat med dressing)	5.9%	52%	84%	94%	Let undervurdering (-2.4%)
Komplekse hjemmelavede retter (gryderetter, stir-fries, gryderetter)	9.4%	31%	68%	87%	Undervurdering (-4.8%)
Bagværk (hjemmelavet)	11.2%	24%	58%	82%	Undervurdering (-6.1%)
Restaurant- og take-away-måltider	10.8%	26%	62%	85%	Undervurdering (-5.2%)
Drikkevarer (smoothies, kaffedrikke, cocktails)	7.6%	42%	76%	91%	Overvurdering (+3.1%)

Kalorienøjagtighed Efter Køkkentype

Køkken	Gennemsnitlig kaloriefejl	Inden for 10%	Inden for 15%	Primær fejlkilde
Amerikansk / Vestlig standard	6.8%	79%	93%	Variation i portionsstørrelse
Mexicansk / Latinamerikansk	9.2%	68%	88%	Skjulte fedtstoffer (svinefedt, ost, crema)
Italiensk	8.4%	72%	90%	Mængder af olivenolie og ost
Kinesisk	10.1%	64%	86%	Madolie i wokretter
Japansk	6.2%	81%	95%	Minimale skjulte fedtstoffer
Indisk	12.4%	58%	82%	Ghee, fløde, kokosmælk
Thailandsk	11.8%	60%	84%	Kokosmælk, palmesukker, fiske sauce
Koreansk	8.8%	70%	89%	Fermenterede krydderier, sesamolie
Mellemøstlig	9.6%	66%	87%	Olivenolie, tahini, nøddebaserede saucer
Etiopisk / Østafrikansk	13.1%	54%	79%	Niter kibbeh (krydret smør), injera variation

Kalorienøjagtighed Efter Måltidskompleksitet

Måltidskompleksitet	Gennemsnitlig kaloriefejl	Inden for 10%	Inden for 15%
Enkelt element (1 fødevare)	3.4%	95%	99%
Enkel tallerken (2-3 distinkte elementer)	6.1%	82%	94%
Blandet tallerken (4-5 elementer)	8.9%	69%	88%
Kompliceret ret (6+ ingredienser, blandet)	11.6%	57%	81%
Multi-retters måltid	13.2%	52%	77%

Protein Nøjagtighed Efter Madkategori

Madkategori	Gennemsnitlig proteinfejl	Inden for 10%	Inden for 15%
Almindelige animalske proteiner (kylling, oksekød, fisk)	4.2%	89%	97%
Plantebaserede proteiner (tofu, tempeh, bælgfrugter)	5.8%	80%	94%
Blandet retter med protein	8.6%	66%	86%
Proteinberigede fødevarer (barer, shakes)	2.4%	95%	99%
Restaurant proteinretter	9.8%	61%	83%

Hvad "Nøjagtig Nok" Betyder for Vægttab

Rå nøjagtighedstal betyder kun noget, hvis du forstår, hvilket niveau af nøjagtighed der er nødvendigt for reelle resultater. Her er videnskaben mere tilgivende, end de fleste forventer.

Forskningskonteksten

En systematisk gennemgang fra 2023 offentliggjort i Journal of the Academy of Nutrition and Dietetics undersøgte metoder til kostvurdering og konkluderede, at gennemsnitsfejl under 15 procent "usandsynligt vil have en meningsfuld indvirkning på vægtstyringsresultater, når sporing opretholdes over tid." En undersøgelse fra 2024 i Obesity Reviews fandt, at konsekvente brugere, der loggede med 10 til 20 procents fejl, stadig tabte 89 procent så meget vægt som dem, der loggede med under 10 procents fejl over en 12-ugers periode.

Årsagen er ligetil: kalorietracking fungerer primært gennem bevidsthed og adfærdsmæssig feedback, ikke gennem perfekt måling. Hvis du konsekvent undervurderer dit indtag med 8 procent, reagerer din krop stadig på det faktiske indtag. Og hvis du justerer dine mål baseret på resultaterne fra den virkelige verden (vægttrends, kropsmålinger), bliver systematisk bias korrigeret over tid.

Hvad Tærsklerne Betyder i Praksis

Her er, hvad forskellige nøjagtighedsniveauer oversættes til for et dagligt indtag på 2.000 kalorier:

Nøjagtighedsniveau	Kalorieafvigelse	Daglig fejlinterval	Ugentlig kumulativ fejl	Indvirkning på et 500 kcal/dag underskud
Inden for 5%	Op til 100 kcal	1.900 - 2.100	Op til 700 kcal	Ubetydelig --- underskud opretholdt
Inden for 10%	Op til 200 kcal	1.800 - 2.200	Op til 1.400 kcal	Mindre --- underskud reduceret, men til stede
Inden for 15%	Op til 300 kcal	1.700 - 2.300	Op til 2.100 kcal	Moderat --- underskud kan stagnere nogle uger
Inden for 20%	Op til 400 kcal	1.600 - 2.400	Op til 2.800 kcal	Betydelig --- underskud upålideligt

For de fleste brugere, der stræber efter et moderat kalorieunderskud på 400 til 600 kalorier om dagen, er nøjagtighed inden for 10 til 15 procent tilstrækkelig til at opretholde fremgang. Dette er det interval, hvor Nutrola præsterer for langt de fleste måltider --- 88 procent af alle loggede måltider falder inden for 15 procent af referenceværdierne på tværs af alle madkategorier og køkkener.

Hvorfor Konsistens Betydning Mere End Præcision

Vores interne data viser, at brugere, der logger konsekvent i 60 dage eller mere, opnår deres angivne mål med næsten identiske hastigheder, uanset om deres gennemsnitlige nøjagtighed er 6 procent eller 12 procent. De brugere, der ikke når deres mål, er overvejende dem, der stopper med at logge --- ikke dem, der logger med moderat fejl.

Dette betyder ikke, at nøjagtighed er irrelevant. Det betyder, at en apps primære opgave er at være nøjagtig nok til at opretholde en pålidelig feedbackloop, samtidig med at den er hurtig og problemfri nok til, at brugerne faktisk fortsætter med at bruge den. Offentliggørelse af vores benchmark giver brugerne mulighed for at træffe en informeret vurdering af, om vores nøjagtighed opfylder deres behov.

Hvor Vi Falder Kort: En Ærlig Vurdering

Gennemsigtighed betyder at offentliggøre de tal, der får os til at se godt ud, og dem der ikke gør. Her er de områder, hvor vores nøjagtighedsbenchmark afslører klare svagheder.

Skjulte Fede Er Vores Største Udfordring

Den største kilde til fejl på tværs af alle kategorier er skjulte madlavningsfedtstoffer. Når en ret tilberedes i olie, smør eller ghee, er den mængde, der bruges, ofte usynlig i det endelige anrettede måltid. Vores AI estimerer madlavningsfedt baseret på retstype, køkkennormer og visuelle indikatorer, men dette forbliver en inferens snarere end en måling.

For retter med betydelige skjulte fedtstoffer --- indiske curryer, kinesiske stir-fries, restaurantstegte retter --- stiger vores gennemsnitlige kaloriefejl fra 7 procent (for protein- og kulhydratkomponenterne) til 14 procent, når madlavningsfedt inkluderes. Dette er den primære årsag til, at indiske og thailandske køkkener viser højere fejlprocenter i vores køkkenopdeling.

Vi arbejder aktivt på dette gennem forbedrede træningsdata og brugerassisterede forfiningsprompter (som beder brugerne om at bekræfte, om en ret ser olieagtig eller tør ud), men det forbliver et åbent problem for ethvert visionsbaseret system.

Komplekse Multi-Komponent Måltider

Når en tallerken indeholder seks eller flere distinkte elementer, især i blandede eller lagdelte præsentationer, falder vores identifikationsnøjagtighed. AI'en kan forveksle en kornsalat med en risret eller overse en saucekomponent under et protein. Multi-retters måltider, der logges som en enkelt indgang, viser vores højeste fejlprocenter med 13.2 procent gennemsnitlig afvigelse.

Den praktiske løsning er at logge individuelle komponenter separat, hvilket forbedrer nøjagtigheden, men tilføjer friktion. Vi arbejder på bedre multi-element nedbrydning i vores AI-pipeline, men vi har endnu ikke løst dette til vores tilfredshed.

Underrepræsenterede Køkkener

Vores nøjagtighed er demonstrativt dårligere for køkkener, der er underrepræsenteret i vores træningsdata. Etiopisk, Vestafrikansk, Centralasiatisk og Stillehavs-køkkener viser fejlprocenter, der er 30 til 50 procent højere end vestlige køkkener. Dette er et dataproblem, ikke et algoritmisk, og vi adresserer det ved at udvide vores reference datasæt og samarbejde med ernæringsforskere i disse regioner.

Vi sporer og offentliggør nøjagtighed efter køkken specifikt, så brugere fra disse madtraditioner kan se, hvor vores system står, og træffe informerede beslutninger om, hvordan de kan supplere AI-logning med manuelle justeringer.

Portionsestimering for Uklare Portioner

Fødevarer uden klare visuelle størrelsesreferencer --- en bunke kartoffelmos, en stak pasta, en skål suppe --- er sværere for AI'en at estimere nøjagtigt end fødevarer med definerede former. En kyllingebryst har en nogenlunde forudsigelig vægt-til-størrelsesforhold. En skefuld ris gør ikke.

Vores portionsestimerings MAPE for amorfe fødevarer er 16.4 procent, sammenlignet med 7.8 procent for fødevarer med definerede former. Inkludering af et referenceobjekt i fotoet (en gaffel, en standard tallerken) forbedrer dette til 11.2 procent, hvilket er grunden til, at vi opfordrer brugerne til at fotografere måltider på standard middagsservice, når det er muligt.

Gennemsigtighedsargumentet

Hvorfor Vi Mener, At Hver App Bør Gøre Dette

Offentliggørelse af nøjagtighedsbenchmark er ikke en markedsføringsstrategi for os. Det er et produktkrav rodfæstet i et simpelt princip: folk, der træffer sundhedsbeslutninger baseret på data, fortjener at vide, hvor pålidelige disse data er.

Overvej alternativet. En bruger med type 2-diabetes styrer sit kulhydratindtag ved hjælp af en kalorietracker-app. Hvis appens kulhydratestimater systematisk er lave med 20 procent, træffer den bruger kliniske beslutninger baseret på fejlbehæftede data. De har ingen måde at vide dette på, medmindre appen fortæller dem det, og appen har ingen incitament til at fortælle dem det, medmindre gennemsigtighed er indbygget i produktfilosofien.

Dette er ikke hypotetisk. Crowdsourced ernæringsdatabaser --- ryggraden i de fleste konkurrerende apps --- indeholder dokumenterede fejlprocenter på 20 til 30 procent for brugersubmitterede indgange, ifølge en analyse fra 2024 offentliggjort i Nutrients. Indgange er ofte duplikeret med modstridende data, refererende til forskellige portionsstørrelser eller kopieret fra upålidelige kilder. Uden systematisk validering spreder disse fejl sig stille.

Hvad Gennemsigtighed Muliggør

Når nøjagtighedsdata er offentlige, bliver flere ting mulige:

Brugere kan kalibrere deres forventninger. Hvis du ved, at restaurantmåltidsestimater har en gennemsnitlig fejl på 10.8 procent, kan du indregne den usikkerhed i din planlægning. Du kan sigte efter et lidt større underskud på dage, hvor du spiser ude, eller du kan verificere nøglemåltider med manuelle justeringer.

Forskere kan evaluere værktøjer objektivt. Ernæringsforskere, der undersøger effektiviteten af kosttrackingværktøjer, har brug for nøjagtighedsdata for at vurdere, hvilke værktøjer der er passende til klinisk eller forskningsbrug. Offentliggjorte benchmark gør Nutrola tilgængelig for uafhængig evaluering på en måde, som uigennemsigtige apps ikke er.

Branchen forbedres. Hvis en app offentliggør benchmark og brugerne begynder at kræve det samme fra konkurrenterne, bevæger hele kategorien sig mod højere nøjagtighed og ansvarlighed. Dette er godt for alle, inklusive os --- vi ville hellere konkurrere på dokumenteret præstation end på markedsføringspåstande.

Vi holder os selv ansvarlige. Offentliggørelse af benchmark kvartalsvis betyder, at vi ikke stille kan lade nøjagtigheden forringes. Hver kvartal er tallene offentlige, og enhver regression er synlig. Dette skaber internt pres for kontinuerligt at forbedre, hvilket er præcis pointen.

Hvordan Vore Benchmark Sammenlignes Med Hvad Forskning Siger

For at sætte vores tal i kontekst, her er hvordan Nutrolas nøjagtighed sammenlignes med offentliggjort forskning om metoder til kostvurdering:

Metode	Gennemsnitlig kaloriefejl (Offentliggjort Forskning)	Kilde
Selvrapporteret kosttilbagekaldelse (24 timer)	15 - 30%	Journal of Nutrition, 2022
Fødevarefrekvensspørgeskemaer	20 - 40%	American Journal of Clinical Nutrition, 2023
Manuel kalorietracker logging (uden vægt)	12 - 25%	Nutrients, 2024
AI foto-baseret logging (branchegennemsnit)	10 - 18%	IEEE Conference on Computer Vision, 2025
Nutrola samlet (alle metoder kombineret)	6.8%	Nutrola Q1 2026 Benchmark
Nutrola AI foto kun	8.9%	Nutrola Q1 2026 Benchmark
Nutrola stregkodescan	1.8%	Nutrola Q1 2026 Benchmark
Vejede fødevareoptegnelser (guldstandard)	2 - 5%	British Journal of Nutrition, 2021

Vores samlede nøjagtighed på 6.8 procent placerer Nutrola mellem den guldstandard vejede fødevareoptegningsmetode og de bedste AI-baserede systemer. Dette afspejler fordelene ved en multi-metode tilgang --- mange Nutrola-brugere kombinerer fotologging for tilberedte måltider med stregkodescanning for emballerede fødevarer, hvilket bringer den blandede nøjagtighed godt under, hvad nogen enkelt metode opnår alene.

Hvad Vi Gør For At Forbedre

Offentliggørelse af benchmark handler ikke kun om at rapportere den nuværende tilstand. Det handler om at skabe en offentlig optegnelse over forbedringer over tid.

Her er, hvordan vores gennemsnitlige kaloriefejl har ændret sig, siden vi begyndte at offentliggøre:

Kvartal	Gennemsnitlig kaloriefejl	Inden for 10%	Inden for 15%
Q1 2025	10.4%	64%	83%
Q2 2025	9.1%	70%	87%
Q3 2025	8.2%	74%	89%
Q4 2025	7.4%	77%	91%
Q1 2026	6.8%	79%	93%

Hvert kvartal sigter vi mod specifikke kategorier for forbedring baseret på, hvor dataene viser de største huller. Nuværende prioriteringsområder for Q2 2026 inkluderer:

• Estimering af skjulte fedtstoffer: Ny modeltræning med olie-mængde-mærkede datasæt fra samarbejdende kulinariske skoler.
• Nøjagtighed af sydasiatiske køkkener: Udvidet reference datasæt med 3.200 nye verificerede indiske, pakistanske, srilankanske og bangladeshiske retter.
• Multi-element målnedbrydning: Opdateret computer visionspipeline for bedre komponentseparation i komplekse tallerkener.
• Portionsestimering for amorfe fødevarer: Dybdeestimeringsforbedringer ved hjælp af multi-vinkel fotoinput.

Ofte Stillede Spørgsmål

Hvor ofte opdateres benchmark?

Vi offentliggør fulde benchmarkrapporter kvartalsvis. Mellemliggende opdateringer offentliggøres, hvis en modelopdatering giver en statistisk signifikant ændring i nøjagtighed (større end 0.5 procentpoint i samlet MAPE).

Kan jeg se de rå benchmarkdata?

Ja. Vi offentliggør sammendragstabeller på vores benchmarkside og gør det anonymiserede, aggregerede datasæt tilgængeligt for download. Individuelle måltidsindgange inkluderes aldrig --- kun kategoriniveau statistikker.

Ændrer Nutrolas nøjagtighed sig baseret på, hvilken telefon jeg bruger?

Kvaliteten af kameraet påvirker nøjagtigheden af foto-baseret logging. I vores test producerer flagskibstelefoner fra 2024 og senere (iPhone 15 og derover, Samsung Galaxy S24 og derover, Google Pixel 8 og derover) resultater, der er konsistente med vores offentliggjorte benchmark. Ældre eller budgetenheder med lavere opløsning viser cirka 1 til 2 procentpoint højere fejl i gennemsnit, primært på grund af reduceret detalje i portionsstørrelsesestimering.

Hvordan håndterer Nutrola fødevarer, den ikke kan identificere?

Når vores AI's tillidsscore falder under en defineret grænse, markerer appen indgangen og beder brugeren om at bekræfte eller rette identifikationen. Cirka 5.2 procent af foto-loggede måltider udløser denne bekræftelsesprompt. Disse markerede indgange udelukkes fra vores nøjagtighedsbenchmark, hvilket betyder, at de offentliggjorte tal repræsenterer måltider, hvor systemet var sikker på sin identifikation.

Er restaurantmåltider mindre nøjagtige på grund af restauranten eller fordi af madtypen?

Begge dele. Restaurantmåltider bærer højere fejl af to grunde. For det første varierer den faktiske tilberedning (mængder af madlavningsfedt, saucemængder, portionsstørrelser) mellem restauranter og er ikke synlig i et foto. For det andet er restaurantretter ofte mere komplekse end hjemmelavede måltider, med flere skjulte ingredienser. Vores data viser, at enkle restaurantretter (en grillet kyllingsalat, et stykke sushi) er næsten lige så nøjagtige som deres hjemmelavede ækvivalenter. Nøjagtighedsgabet udvides primært med friturestegte fødevarer, sauceretter og genstande med ikke-synlige tilsatte fedtstoffer.

Hvad med emballerede fødevarer med forkerte producentmærker?

Dette er et kendt problem i branchen. FDA-regler tillader, at ernæringsetiketter kan afvige med op til 20 procent fra angivne værdier for de fleste næringsstoffer. Vores stregkodenøjagtighed på 1.8 procent afspejler matchen mellem vores data og producentens etiket --- ikke nødvendigvis matchen til, hvad der faktisk er i pakken. Når uafhængig laboratorietest afslører etiketfejl for populære produkter, markerer vi disse i vores database og justerer referenceværdierne i overensstemmelse hermed.

Hvordan sammenlignes Nutrolas nøjagtighed med en registreret diætists estimat?

En undersøgelse fra 2025 i Journal of the American Dietetic Association fandt, at registrerede diætister, der estimerede måltidskalorier fra fotografier, havde en gennemsnitlig fejl på 10.2 procent, med betydelig variation afhængigt af diætistens erfaring og måltidets kompleksitet. Nutrolas foto-baserede nøjagtighed på 8.9 procent ligger i samme område, lidt bedre i gennemsnit, selvom diætister præsterer bedre end AI på visse komplekse eller usædvanlige retter.

Jeg har bemærket, at mine loggede totaler ser konsekvent lave ud. Er det et kendt problem?

Ja. Vores benchmark viser en systematisk undervurderingsbias på cirka 3 til 5 procent på tværs af de fleste madkategorier, drevet primært af undervurdering af skjulte fedtstoffer. Vi afslører biasretningen i vores benchmarktabeller, så brugerne kan justere, hvis det er nødvendigt. Hvis du mistænker konstant undervurdering, reducerer det betydeligt denne bias at logge madlavningsfedt separat (i stedet for at stole på, at AI'en infererer dem).

Konklusion

De fleste ernæringsapps beder om din tillid uden at give dig nogen grund til at give den. De viser dig kaloritallene med sikker præcision, mens de holder deres fejlprocenter usynlige.

Nutrola offentliggør sine nøjagtighedsbenchmark, fordi vi mener, at den modsatte tilgang er den rigtige. Her er, hvad disse tal viser: vi er nøjagtige inden for 10 procent for 79 procent af måltiderne og inden for 15 procent for 93 procent af måltiderne. Vi er svagest på komplekse retter med skjulte fedtstoffer, underrepræsenterede køkkener og multi-retters måltider. Vi har forbedret vores samlede nøjagtighed fra 10.4 procent gennemsnitsfejl til 6.8 procent over det seneste år, og vi offentliggør de specifikke områder, vi sigter mod at forbedre yderligere.

Disse tal er ikke perfekte, og vi påstår ikke, at de er. Men de er reelle, de er offentlige, og de opdateres hvert kvartal. Det er den standard, vi holder os selv til, og det er den standard, vi mener, at hver ernæringsapp bør leve op til.

Hvis du vælger en kalorietracker, så stil et simpelt spørgsmål: kan denne app vise mig sine nøjagtighedsdata? Hvis svaret er nej, så spørg dig selv, hvorfor ikke.