KI-Kalorienzähler: Ehrliche Einschränkungen und was er noch nicht kann

Jeder KI-Kalorienzähler auf dem Markt hat erhebliche Einschränkungen, die in den Marketingmaterialien nicht erwähnt werden. Dazu gehört auch Nutrola. Die Technologie hat sich in den letzten drei Jahren dramatisch verbessert — die Genauigkeit der Lebensmittelerkennung ist von etwa 60 % auf 80-92 % für gängige Mahlzeiten gestiegen — aber es gibt nach wie vor Kategorien von Lebensmitteln und Essenssituationen, in denen kein KI-System zuverlässig arbeitet.

Diese Einschränkungen anzuerkennen, ist kein Argument gegen KI-Kalorienzähler. Vielmehr ist es wichtig zu verstehen, was KI leisten kann und was nicht, damit Sie mit der Technologie arbeiten können, anstatt blind darauf zu vertrauen. Jedes Werkzeug hat seine Grenzen. Die besten Werkzeuge sind so gestaltet, dass sie Rückfalle bieten, wenn diese Grenzen erreicht werden.

Einschränkung 1: Stark gesaucete und glasierten Gerichte

Das Problem

Wenn eine Mahlzeit mit Sauce, Glasur oder Bratensauce überzogen ist, verliert die KI die meisten visuellen Informationen. Sie kann die Farbe und Textur der Sauce erkennen, kann jedoch die darunter liegenden Lebensmittel nicht identifizieren oder quantifizieren. Ein Hähnchenbrustfilet in Teriyaki-Sauce, ein Teller Pasta in Alfredo oder Gemüse in einer dicken Currysauce — die KI arbeitet mit dem Aussehen der Sauce, nicht mit dem der Lebensmittel.

Der Kalorienbeitrag von Saucen ist erheblich. Eine Analyse aus dem Jahr 2023 im Journal of the American Dietetic Association ergab, dass Saucen und Gewürze im Restaurant durchschnittlich 200-400 Kalorien pro Mahlzeit ausmachten — oft 30-50 % des gesamten Kaloriengehalts der Mahlzeit. Die Sauce falsch zu erfassen bedeutet, die gesamte Mahlzeit falsch zu erfassen.

Was jede App tut

Cal AI und SnapCalorie: Die KI schätzt das gesamte Gericht als einen einzigen Punkt. Wenn sie "Teriyaki-Hähnchen mit Reis" identifiziert, spiegelt die Kalorienzahl die durchschnittlichen Trainingsdaten des Modells für diese Gerichtskategorie wider. Das spezifische Verhältnis von Sauce zu Hähnchen, das Rezept der Sauce und das verwendete Öl sind unbekannt und nicht berücksichtigt.

Foodvisor: Ähnliche KI-Schätzung, mit der Möglichkeit, einen Ernährungsberater zur Korrektur zu konsultieren — aber dies ist nachträglich und langsam.

Nutrola: Die KI identifiziert die Gerichtsart und schlägt Datenbankübereinstimmungen vor. Der Benutzer kann anpassen, indem er eine spezifische Sauce aus der Datenbank auswählt ("Teriyaki-Sauce, 3 Esslöffel = 135 Kalorien") und sie separat von Protein und Stärke erfasst. Die Datenbank bietet verifiziertes Kalorienmaterial für Dutzende von Saucenarten und Zubereitungsstilen. Dies löst das grundlegende visuelle Problem nicht, bietet aber einen Mechanismus, um Saucen-Kalorien hinzuzufügen, den foto-basierte Apps nicht haben.

Ehrliche Bewertung

Kein KI-Tracker erfasst stark gesaucete Gerichte allein anhand von Fotos gut. Der Vorteil von Nutrola liegt in der Möglichkeit, die Sauce separat über Sprach- oder Datenbanksuche zu erfassen — dies erfordert jedoch, dass der Benutzer weiß (oder schätzt), welche Sauce verwendet wurde und ungefähr wie viel. Bei selbst zubereiteten Mahlzeiten ist dies machbar. Bei Restaurantgerichten, bei denen das Rezept der Sauce unbekannt ist, schätzen alle Tracker.

Einschränkung 2: Genaue Portionsschätzung aus Fotos

Das Problem

Dies ist die hartnäckigste und grundlegendste Einschränkung des foto-basierten Lebensmitteltrackings. Ein 2D-Foto kann das dreidimensionale Volumen und die Masse von Lebensmitteln nicht zuverlässig vermitteln.

Betrachten Sie zwei Portionen Pasta: 150 g und 300 g. Auf demselben Teller, von oben fotografiert, könnte die 300-g-Portion als leicht höherer Hügel erscheinen, aber der Kalorienunterschied beträgt 195 Kalorien. Der visuelle Unterschied ist subtil; der Kalorienunterschied ist erheblich.

Forschungen zur Portionsschätzung durch KI zeigen konsistent mittlere absolute Fehler von 20-40 % bei der Volumenschätzung aus 2D-Fotos. Eine Studie aus dem Jahr 2024 in Nutrients berichtete, dass selbst modernste Modelle zur Portionsschätzung von Lebensmitteln einen mittleren Fehler von 25-35 % über verschiedene Mahlzeiten hinweg aufwiesen, wobei die Fehler bei kaloriendichten Lebensmitteln in kleinen Portionen (Nüsse, Käse, Öle) über 50 % lagen.

Was jede App tut

Cal AI: 2D-Foto-Schätzung unter Verwendung von plattenspezifischen Größen und gelernten Vorannahmen. Unterliegt dem vollen Fehlerbereich von 20-40 %.

SnapCalorie: 3D-LiDAR-Scanning reduziert den Fehler bei gehäuften Lebensmitteln um 30-40 % im Vergleich zu 2D-Methoden. Dies ist ein echter Vorteil für Reis, Haferbrei und ähnliche Lebensmittel, bei denen die Höhe mit dem Volumen korreliert. 3D hilft jedoch nicht bei flachen Lebensmitteln (Pizza, Sandwiches), Lebensmitteln in Schalen (Suppe, Müsli) oder kaloriendichten kleinen Gegenständen (Nüsse, Käsewürfel).

Foodvisor: 2D-Schätzung mit einigen datenbankreferenzierten Standardportionen.

Nutrola: 2D-Foto-Schätzung, ergänzt durch datenbankgestützte Standardportionen. Wenn die KI "Hühnchenpfanne" vorschlägt, liefert die Datenbank Standardportionen (z.B. "1 Portion = 300 g"). Der Benutzer kann die Portionsoptionen der Datenbank verwenden, anstatt ein Gewicht in Gramm zu schätzen. Sprachprotokollierung ermöglicht es, Portionen direkt anzugeben: "etwa zwei Tassen Reis."

Ehrliche Bewertung

Die Portionsschätzung aus Fotos ist ein ungelöstes Problem in der Computer Vision. SnapCalorie's 3D-Ansatz ist die technologisch fortschrittlichste Lösung, aber ihre Verbesserung ist auf bestimmte Lebensmitteltypen beschränkt und erfordert LiDAR-Hardware. Nutrolas Datenbankreferenzen helfen, indem sie Ankerpunkte bieten, aber der Benutzer muss dennoch schätzen, ob er "1 Portion" oder "1,5 Portionen" hatte. Die ehrliche Empfehlung: Wiegen Sie Ihre Lebensmittel, wenn Präzision wichtig ist. Kein KI-Tracker ersetzt eine Küchenwaage für Genauigkeit.

Einschränkung 3: Regionale und unbekannte Lebensmittel

Das Problem

KI-Lebensmittelerkennungsmodelle werden auf Datensätzen trainiert, die die Lebensmittelkulturen widerspiegeln, die in ihren Trainingsdaten am häufigsten vertreten sind — typischerweise amerikanische, westeuropäische und ostasiatische Küchen. Lebensmittel aus unterrepräsentierten Küchen können falsch identifiziert oder mit niedrigen Vertrauensschätzungen versehen werden.

Eine im Jahr 2023 veröffentlichte Studie in den ACM Computing Surveys analysierte Datensätze zur Lebensmittelerkennung und stellte fest, dass 72 % der Bilder in den am häufigsten verwendeten Trainingssets Lebensmittel aus nur 10 Ländern repräsentierten. Westafrikanische, zentralasiatische, pazifische, indigene und viele andere Esskulturen sind erheblich unterrepräsentiert.

Das bedeutet, wenn Sie regelmäßig Injera mit äthiopischem Eintopf, peruanisches Ceviche, philippinisches Adobo, georgisches Khachapuri oder senegalesisches Thieboudienne essen, könnte die KI das Gericht falsch identifizieren, es mit einem visuell ähnlichen Gericht aus einer besser vertretenen Küche verwechseln oder eine generische Schätzung für ein "gemischtes Gericht" mit schlechter Genauigkeit abgeben.

Was jede App tut

Cal AI: Vertraut vollständig auf die Trainingsdaten des KI-Modells. Wenn das Essen in den Trainingsdaten nicht gut vertreten ist, wird die Schätzung schlecht sein, ohne Rückfalloption.

SnapCalorie: Dieselbe Einschränkung. 3D-Scanning verbessert die Portionsschätzung, kann jedoch bei der Lebensmittelidentifikation für unterrepräsentierte Küchen nicht helfen.

Foodvisor: Etwas bessere Abdeckung europäischer Küchen (französisches Unternehmen), hat jedoch die gleiche Trainingsdaten-Einschränkung für nicht-europäische Lebensmittel.

Nutrola: Die KI hat die gleiche Erkennungseinschränkung, aber die verifizierte Datenbank mit über 1,8 Millionen Einträgen umfasst Lebensmittel aus verschiedenen kulinarischen Traditionen. Wenn die KI ein regionales Lebensmittel nicht identifizieren kann, kann der Benutzer es sprachlich beschreiben ("äthiopisches Injera, etwa 200 Gramm, mit Linseneintopf, etwa 150 Gramm") und die Datenbank bietet verifizierte Einträge für diese Lebensmittel. Die Unterstützung von 15 Sprachen bedeutet auch, dass Lebensmittelnamen in lokalen Sprachen für die Datenbanksuche verwendet werden können.

Ehrliche Bewertung

Dies ist eine Einschränkung des gesamten Bereichs der KI-Lebensmittelerkennung, nicht nur spezifischer Apps. Datenbankgestützte Tracker haben einen Vorteil, weil Datenbanken erweitert werden können, um regionale Lebensmittel aufzunehmen, ohne das KI-Modell neu zu trainieren — einen verifizierten Eintrag für "Thieboudienne" zur Datenbank hinzuzufügen, ist einfacher, als sicherzustellen, dass die KI es anhand von Fotos erkennt. Aber auch die Datenbankabdeckung hat Lücken. Nutrolas 1,8 Millionen Einträge decken mehr Lebensmittel ab als der Klassifikationswortschatz eines reinen KI-Modells, aber hochgradig lokale, hausgemachte oder seltene Lebensmittel erfordern möglicherweise immer noch eine manuelle Eingabe. Kein Tracker deckt heute perfekt alle globalen Esskulturen ab.

Einschränkung 4: Getränke in undurchsichtigen Behältern

Das Problem

Das Fotografieren eines Getränks in einem undurchsichtigen Becher, einer Tasse oder Flasche liefert der KI fast keine verwertbaren Informationen. Eine weiße Kaffeetasse könnte schwarzen Kaffee (5 Kalorien), einen Latte mit Vollmilch (190 Kalorien), einen Mocha mit Schlagsahne (400 Kalorien) oder eine Tasse Tee (2 Kalorien) enthalten. Das visuelle Signal ist die Tasse, nicht der Inhalt.

Selbst bei Getränken in transparenten Gläsern hat die KI nur begrenzte Informationen. Die Farbe und Opazität einer Flüssigkeit schränkt die Möglichkeiten ein, bestimmt jedoch nicht das Rezept. Orangensaft, Mangosmoothie und Karotten-Ingwer-Saft können in einem Glas ähnlich aussehen. Eine dunkle Cola und ein dunkler Eiskaffee sind visuell nahezu identisch.

Was jede App tut

Cal AI: Die KI rät basierend auf dem Kontext (Becherform, Farbe der sichtbaren Flüssigkeit). Die Genauigkeit für Getränke liegt typischerweise bei 40-60 % — im Grunde genommen auf Münzwurf-Niveau.

SnapCalorie: 3D-Scanning misst das Volumen des Glases/Bechers, was hilft, die Menge der Flüssigkeit zu schätzen. Aber der Kaloriengehalt pro Milliliter bleibt unbekannt, ohne das spezifische Getränk zu identifizieren.

Foodvisor: Die gleiche Einschränkung wie Cal AI bei der Getränkeidentifikation.

Nutrola: Sprachprotokollierung ist die Hauptlösung: "großer Hafermilch-Latte mit zwei Pumps Vanille" liefert genügend Informationen für eine verifizierte Datenbankübereinstimmung. Die Datenbank enthält Einträge für spezifische Getränke aus Cafés, Milcharten, Sirups und Zubereitungsmethoden. Das Scannen von Barcodes deckt verpackte Getränke ab. Das Scannen von Fotos von Getränken bleibt unzuverlässig und ist ehrlich gesagt der schwächste Anwendungsfall für die Foto-Funktion von Nutrola.

Ehrliche Bewertung

Die KI-Kalorienverfolgung für Getränke ist die schwächste Kategorie über alle Apps hinweg. Die Lösung ist nicht eine bessere KI — es sind alternative Eingabemethoden. Sprachprotokollierung und Barcode-Scanning umgehen die visuelle Einschränkung vollständig. Dies ist eines der stärksten Argumente für Multi-Methoden-Tracker: Getränke machen für die meisten Menschen 10-20 % der täglichen Kalorienaufnahme aus, und foto-basierte Tracker gehen damit schlecht um.

Einschränkung 5: Mehrschichtige und versteckte Komponenten-Gerichte

Das Problem

Lasagne, Burritos, Sandwiches, gefüllte Paprika, Pasteten, Frühlingsrollen, Teigtaschen und jedes Gericht, bei dem die Außenschicht die Innenschicht verbirgt, stellt eine grundlegende Herausforderung für foto-basiertes KI-Tracking dar. Die Kamera sieht die oberste Schicht; die Kalorien stammen aus allen Schichten.

Ein Burrito, der von außen fotografiert wird, zeigt eine Tortilla. Innen könnten Hähnchen, Reis, Bohnen, Käse, Sauerrahm und Guacamole sein — oder nur Reis und Bohnen. Der Kalorienunterschied zwischen diesen Füllungen kann 300-500 Kalorien betragen, und nichts davon ist sichtbar.

Eine Studie aus dem Jahr 2023 in Food Quality and Preference testete die KI-Lebensmittelerkennung bei mehrschichtigen Gerichten und stellte fest, dass die Genauigkeit um 25-40 % im Vergleich zu einlagigen sichtbaren Mahlzeiten abnahm. Die Modelle unterschätzten konsequent den Kaloriengehalt mehrschichtiger Gerichte, weil sie die sichtbaren Komponenten stärker gewichtet hatten als die versteckten.

Was jede App tut

Cal AI: Schätzt das gesamte Element als einen Eintrag basierend auf dem äußeren Erscheinungsbild. Ein Burrito ist "ein Burrito" mit einer durchschnittlichen Kalorienabschätzung, unabhängig von seinen spezifischen Inhalten.

SnapCalorie: 3D-Scanning misst die äußeren Dimensionen und liefert eine bessere Volumenschätzung. Aber die Füllzusammensetzung bleibt unbekannt. Ein genau gemessener Burrito mit unbekannten Inhalten ist ein genau gemessetes Geheimnis.

Foodvisor: Die gleiche Einschränkung für mehrschichtige Gerichte. Eine Überprüfung durch einen Ernährungsberater könnte helfen, erfordert jedoch Wartezeit.

Nutrola: Die KI identifiziert die Gerichtsart, und der Benutzer kann spezifische Komponenten sprachlich protokollieren: "Hühnchen-Burrito mit Reis, schwarzen Bohnen, Käse, Sauerrahm und Guacamole." Jede Komponente wird aus verifizierten Datenbankeinträgen abgerufen. Der Benutzer zerlegt das Problem der versteckten Schichten in identifizierbare Komponenten. Dies erfordert, dass man weiß (oder vernünftig schätzt), was sich darin befindet, was bei selbst zubereiteten Lebensmitteln einfacher ist als bei Restaurant- oder Takeout-Gerichten.

Ehrliche Bewertung

Mehrschichtige Gerichte sind eine inhärente Einschränkung jeder foto-basierten Herangehensweise. Die Frage ist, welche Rückfalloption die App bietet. Foto-basierte Apps haben keine Rückfalloption — die KI's äußere Schätzung ist die endgültige Antwort. Multi-Methoden-Apps ermöglichen es dem Benutzer, die Inneninformationen bereitzustellen, die die Kamera nicht erfassen kann. Die Genauigkeitsverbesserung hängt ganz davon ab, ob der Benutzer weiß, was sich im Gericht befindet und sich die Zeit nimmt, es zu beschreiben.

Einschränkung 6: Mahlzeiten, die Sie nicht fotografieren können

Das Problem

Nicht alle Mahlzeiten können bequem fotografiert werden. Mahlzeiten, die unterwegs gegessen werden, Snacks, die schnell zwischen Meetings gegriffen werden, Essen, das von Gemeinschaftstellern geteilt wird, Mahlzeiten, die in dunklen Restaurants gegessen werden, und Mahlzeiten, die Sie bereits beendet haben, bevor Sie daran denken, sie zu protokollieren. Foto-basierte Tracker haben ein binäres Problem: Wenn Sie es nicht fotografiert haben, existiert es nicht in Ihrem Protokoll.

Was jede App tut

Cal AI: Kein Foto, kein Eintrag. Sie können manuell eine Beschreibung eingeben, aber der Workflow der App ist auf die Kamera ausgerichtet. Nachträgliches Protokollieren ist möglich, beruht jedoch auf Texteinschätzungen.

SnapCalorie: Dieselbe Einschränkung. Das 3D-Scanning erfordert, dass das Essen physisch vorhanden ist.

Foodvisor: Fotozentrierter Workflow mit manueller Suche verfügbar.

Nutrola: Sprachprotokollierung funktioniert für jede Mahlzeit, fotografiert oder nicht. "Ich hatte vor etwa zwei Stunden ein Truthahnsandwich mit Mayo und einen Beilagensalat" kann nachträglich über Sprache protokolliert werden, wobei jede Komponente mit verifizierten Datenbankeinträgen abgeglichen wird. Dies erfordert nicht, dass man daran denkt, ein Foto zu machen — es erfordert, dass man sich erinnert, was man gegessen hat, was die meisten Menschen innerhalb weniger Stunden tun können.

Ehrliche Bewertung

Dies ist keine Einschränkung der KI, sondern eine Einschränkung des Workflows. Foto-basierte Apps sind fragil — sie brechen zusammen, wenn das Foto nicht gemacht wird. Multi-Methoden-Apps sind robust — sie bieten alternative Wege, wenn eine Methode nicht verfügbar ist. Für Benutzer, die häufig vergessen, Mahlzeiten zu fotografieren, oder in Situationen essen, in denen das Fotografieren unpraktisch ist, kann der Unterschied in der erfassten Mahlzeitabdeckung erheblich sein.

Was kein KI-Tracker heute leisten kann

Einige Einschränkungen gelten universell und werden von keiner aktuellen App gelöst.

Genau die Menge an Kochöl bestimmen. Ob das Hähnchen in einem Teelöffel Öl oder zwei Esslöffeln Öl (ein Unterschied von 200 Kalorien) gebraten wurde, ist auf einem Foto unsichtbar und nicht bekannt, es sei denn, der Benutzer gibt es an. Dies ist der größte systematische Fehler in allen KI-Kalorienzählern.

Spezifische Marken aus unmarkierten Behältern identifizieren. Griechischer Joghurt in einer Schüssel könnte von jeder Marke und mit jedem Fettgehalt sein. Der Kalorienbereich zwischen Marken und Fettstufen liegt bei 59-170 Kalorien pro 100 g.

Genau die Zubereitungsmethoden für Restaurantessen bestimmen. Wurde der Fisch trocken gegrillt oder in Butter gebraten? Wurden das Gemüse gedämpft oder in Öl angebraten? Wurden die Kartoffeln mit Sahne oder Milch zubereitet? Die Antworten beeinflussen die Kalorien um 100-300 pro Komponente, und sie sind für jede KI unsichtbar.

Individuelle Portionsvariationen berücksichtigen. Zwei Personen können sich "eine Portion" des gleichen Gerichts servieren und sich um 50-100 % unterscheiden. Keine KI kann wissen, ob Ihre Tendenz darin besteht, großzügig oder bescheiden zu servieren.

Alkoholgehalt aus Fotos verfolgen. Ein Glas Wein, ein Cocktail, ein Bier — die KI kann den Getränketyp schätzen, aber die spezifische Marke, die Größe des Einschenkens und der Alkoholgehalt (der die Kalorien direkt beeinflusst) sind oft unsichtbar.

Wie man mit den Einschränkungen umgeht

Diese Einschränkungen zu verstehen, ist kein Grund, das KI-Kalorienzählen aufzugeben — es ist ein Grund, es intelligent zu nutzen.

Verwenden Sie die richtige Methode für jedes Lebensmittel. Barcode für verpackte Artikel. Sprache für komplexe oder versteckte Zutaten. Foto für visuell klare, angerichtete Lebensmittel. Manuelle Suche als letzte Option. Die Einschränkung des Foto-Scannens ist keine Einschränkung des Kalorienzählens, wenn Sie alternative Methoden haben.

Fügen Sie immer die Kochfette separat hinzu. Gewöhnen Sie sich daran. Nach dem Protokollieren einer gekochten Mahlzeit fügen Sie das Kochöl oder die Butter als separaten Eintrag hinzu. Diese Gewohnheit schließt die größte Genauigkeitslücke in der KI-Lebensmittelscannung.

Wiegen, wenn Präzision wichtig ist. Wenn Sie sich in einem wettbewerbsorientierten Schnitt, einem medizinischen Ernährungsprotokoll oder einer Forschungsstudie befinden, verwenden Sie eine Küchenwaage für wichtige Mahlzeiten. KI-Tracking + eine Küchenwaage ist genauer als jede Methode allein.

Erstellen Sie Mahlzeitenvorlagen für regelmäßige Mahlzeiten. Die meisten Menschen essen 15-20 verschiedene Mahlzeiten im Wechsel. Protokollieren Sie jede einmal sorgfältig und wiederholen Sie den Eintrag für zukünftige Fälle. Dies wandelt Ihre häufigsten Mahlzeiten von KI-Schätzungen in verifizierte, konsistente Einträge um.

Akzeptieren Sie nützliche Ungenauigkeiten. Bei Mahlzeiten, bei denen Genauigkeit schwierig ist (Restaurantbesuche, gesellige Mahlzeiten), akzeptieren Sie, dass die KI-Schätzung ungefähr ist, und konzentrieren Sie sich darauf, die Größenordnung richtig zu erfassen, anstatt die exakte Zahl. Innerhalb von 20 % bei einer Restaurantmahlzeit zu sein, ist besser, als sie gar nicht zu protokollieren.

Der Nutrola-Ansatz zu Einschränkungen

Nutrola behauptet nicht, alle oben genannten Einschränkungen zu lösen. Kein ehrlicher Tracker kann das. Was Nutrola bietet, sind die meisten Rückfalloptionen, wenn die KI an ihre Grenzen stößt.

Konnte die Mahlzeit nicht fotografiert werden? Protokollieren Sie es per Sprache. Hat die KI das Essen falsch identifiziert? Wählen Sie den richtigen Eintrag aus der verifizierten Datenbank aus. Versteckte Zutaten, die die Kamera nicht sehen kann? Fügen Sie sie einzeln über Sprache oder Suche hinzu. Verpackte Lebensmittel? Barcode scannen für genaue Daten. Essen Sie eine regelmäßige Mahlzeit? Wiederholen Sie einen zuvor verifizierten Eintrag.

Die KI ist ein Werkzeug in einem System, nicht das System selbst. Wenn die KI funktioniert — einfache, sichtbare, gut beleuchtete Mahlzeiten — ermöglicht sie schnelles, bequemes Protokollieren. Wenn die KI versagt — bei gesauceten Gerichten, versteckten Schichten, Getränken, regionalen Lebensmitteln — bieten die Datenbank, Sprache und Barcode Wege zu genauen Daten, die foto-basierte Apps einfach nicht haben.

Dies ist für €2,50 pro Monat nach einer kostenlosen Testphase erhältlich, ohne Werbung, mit über 100 Nährstoffen, mehr als 1,8 Millionen verifizierten Einträgen und Unterstützung für iOS, Android, Apple Watch und Wear OS in 15 Sprachen. Nicht, weil KI keine Einschränkungen hat, sondern weil ehrliches Design bedeutet, um die Einschränkungen herum zu bauen, anstatt vorzugeben, dass sie nicht existieren.

Der beste KI-Kalorienzähler ist nicht der mit den wenigsten Einschränkungen. Es ist derjenige mit den besten Rückfalloptionen, wenn diese Einschränkungen erreicht werden.