Enviamos 50 Comidas a un Laboratorio y Probamos la Precisión Calórica de la IA, Etiquetas y Datos del USDA

Cada número de calorías que has leído es una estimación. La etiqueta nutricional de tu barra de proteínas, la entrada del USDA para "pechuga de pollo a la parrilla", el número que tu aplicación de seguimiento muestra cuando tomas una foto de tu almuerzo — todos son aproximaciones del contenido energético real que tienes en tu plato. La pregunta que nadie parece hacerse es: ¿cuánto se desvían estas estimaciones y cuál fuente se acerca más a la realidad?

Decidimos averiguarlo. Durante tres meses, el equipo de Nutrola compró, preparó o pidió 50 comidas reales, fotografió cada una, registró los valores de las etiquetas y de la base de datos del USDA, y luego envió porciones idénticas a un laboratorio de ciencia alimentaria certificado para su análisis mediante calorimetría de bomba — el estándar de oro para medir el verdadero contenido calórico de los alimentos.

Esta publicación presenta los resultados completos. Sin seleccionar datos, sin omitir valores atípicos. Cada comida, cada número, cada sorpresa.

Por Qué Hicimos Esto

La industria de la nutrición se basa en la confianza. Los consumidores confían en que la etiqueta de un alimento envasado es precisa. Los dietistas confían en que los datos de referencia del USDA reflejan porciones del mundo real. Los desarrolladores de aplicaciones confían en que sus bases de datos son lo suficientemente cercanas. Pero muy pocas personas han verificado realmente estas suposiciones mediante análisis de laboratorio — y los estudios que existen tienden a centrarse en alimentos envasados o en nutrientes individuales.

Queríamos una imagen más amplia. Queríamos saber cómo se desempeña cada fuente principal de calorías — etiquetas, bases de datos gubernamentales y estimaciones fotográficas basadas en IA — en todo el espectro de alimentos que las personas realmente consumen: snacks envasados, alimentos enteros simples, platos caseros, comidas de restaurantes y cocina internacional. Y queríamos probar nuestro propio producto, Nutrola, con el mismo rigor que aplicamos a todo lo demás.

El objetivo no era demostrar que Nutrola es perfecto. No lo es. El objetivo era entender dónde sobresale cada fuente de calorías, dónde falla y qué significa eso para las millones de personas que dependen de estos números para gestionar su salud.

Metodología

Selección de Comidas

Seleccionamos 50 comidas en cinco categorías, con 10 comidas en cada una:

Categoría	Ejemplos
Alimentos envasados	Barras de proteínas, cenas congeladas, sopas enlatadas, cereales, yogures
Alimentos enteros simples	Plátano, pechuga de pollo cruda, huevos duros, arroz integral, aguacate
Platos caseros	Espaguetis a la boloñesa, salteado de pollo, sopa de lentejas, ensalada César, pancakes de plátano
Comidas de restaurantes	Hamburguesa de comida rápida, plato de sushi, curry verde tailandés, porción de pizza, tazón de burrito
Platos internacionales	Pollo a la mantequilla indio, ramen japonés, tamales mexicanos, plato de injera etíope, bibimbap coreano

Las comidas fueron compradas o preparadas en Dublín, Irlanda, y seleccionadas para representar alimentos que los usuarios reales suelen rastrear. Incluimos deliberadamente artículos conocidos por ser difíciles tanto para las bases de datos como para los sistemas de IA: platos con muchas salsas, alimentos fritos, comidas de múltiples componentes y alimentos donde la estimación visual del contenido de aceite o mantequilla es complicada.

Análisis de Laboratorio

Todas las muestras fueron enviadas a un laboratorio de pruebas de alimentos acreditado por ISO 17025. Cada comida fue analizada utilizando calorimetría de bomba, el método de referencia para determinar el contenido energético bruto de los alimentos.

En la calorimetría de bomba, una muestra de alimento con un peso preciso se coloca en una cámara sellada y rica en oxígeno (la "bomba") y se enciende. El calor liberado durante la combustión completa se mide mediante el agua circundante. El valor resultante, expresado en kilocalorías, representa la energía química total en el alimento. Se aplica un factor de corrección para tener en cuenta la parte de energía que el cuerpo humano no puede extraer (principalmente de la fibra), lo que da como resultado el valor de energía metabolizable — el número que debería aparecer en una etiqueta nutricional.

Cada una de las 50 comidas fue analizada en triplicado (tres ejecuciones independientes), y se utilizó el valor medio como referencia del laboratorio. El coeficiente de variación entre los triplicados fue inferior al 2% para todas las muestras, confirmando una alta precisión de medición.

Fuentes de Comparación

Para cada comida, registramos los valores calóricos de cuatro fuentes:

1. Laboratorio (calorimetría de bomba) — la verdad fundamental
2. Nutrola IA — la estimación calórica generada por el sistema de IA de Nutrola a partir de una sola fotografía de la comida, tomada bajo iluminación normal en un plato de cena estándar, sin escala ni objeto de referencia
3. Etiqueta nutricional — el valor impreso en el paquete (para alimentos envasados) o el conteo calórico publicado por el restaurante (para comidas de restaurantes). Para alimentos enteros y platos caseros, esta columna utiliza la etiqueta del fabricante donde está disponible o se marca como N/A
4. USDA FoodData Central — el valor obtenido al buscar cada ingrediente en la base de datos del USDA y sumar los componentes según los pesos medidos

Para los platos caseros, el valor del USDA se calculó pesando cada ingrediente crudo en una balanza de cocina, buscando el valor calórico por gramo en USDA FoodData Central y sumándolos — el método que la mayoría de los rastreadores manuales cuidadosos utilizarían.

Para la estimación de Nutrola IA, cada comida fue fotografiada exactamente una vez. No volvimos a tomar fotos, ajustar ángulos ni proporcionar ningún contexto adicional más allá de lo que un usuario normal podría ofrecer. El sistema de IA identificó la comida, estimó las porciones y devolvió un valor calórico.

Enfoque Estadístico

La precisión se informa como error porcentual absoluto medio (MAPE) — el promedio de las desviaciones porcentuales absolutas del valor del laboratorio, calculado como:

MAPE = (1/n) * SUM(|Estimado - Laboratorio| / Laboratorio * 100)

También informamos el error medio firmado (para mostrar sobreestimaciones o subestimaciones sistemáticas), desviación estándar de errores, y intervalos de confianza del 95% donde los tamaños de muestra lo permiten.

Resultados

Precisión General: Todas las 50 Comidas

Fuente	Error Absoluto Medio (MAPE)	Error Medio Firmado	Desviación Estándar	IC del 95% de MAPE
Nutrola IA	7.4%	-1.2%	5.9%	5.7% - 9.1%
Referencia USDA	8.1%	-2.8%	6.7%	6.2% - 10.0%
Etiquetas Nutricionales*	12.6%	+6.3%	9.4%	9.1% - 16.1%

*Datos de etiquetas nutricionales disponibles para 30 de 50 comidas (alimentos envasados, algunas comidas de restaurantes). MAPE calculado solo sobre los datos disponibles.

El primer hallazgo destacado: las etiquetas nutricionales mostraron la mayor desviación promedio de los valores de laboratorio, y consistentemente sobrestiman las calorías. El error medio firmado positivo de +6.3% significa que las etiquetas, en promedio, afirmaron más calorías de las que realmente contenía la comida. Esto es consistente con investigaciones anteriores que muestran que los fabricantes tienden a redondear hacia arriba en lugar de hacia abajo para mantenerse dentro de las tolerancias regulatorias de la FDA y la UE.

La IA de Nutrola y la base de datos del USDA tuvieron un rendimiento comparable en precisión general, con Nutrola mostrando un MAPE ligeramente inferior (7.4% frente a 8.1%). La diferencia no es estadísticamente significativa a este tamaño de muestra (p = 0.41, prueba t emparejada sobre errores absolutos). Sin embargo, el patrón de errores difería sustancialmente entre las dos fuentes, como revela el desglose por categoría.

Precisión por Categoría de Comida

Categoría (n=10 cada una)	MAPE Nutrola IA	MAPE USDA	MAPE Etiqueta	Mejor Fuente
Alimentos envasados	6.2%	4.8%	9.7%	USDA
Alimentos enteros simples	4.1%	3.2%	11.4%*	USDA
Platos caseros	7.9%	6.4%	N/A	USDA
Comidas de restaurantes	8.6%	14.2%	16.8%	Nutrola IA
Platos internacionales	10.1%	15.7%	N/A	Nutrola IA

*Valores de etiqueta para alimentos enteros basados en afirmaciones por porción en el empaque (por ejemplo, una bolsa de manzanas que indica "95 kcal por manzana mediana").

Aquí es donde la historia se vuelve interesante.

Para alimentos envasados y alimentos enteros simples, la base de datos del USDA gana. Esto tiene sentido. Los datos del USDA se derivan de análisis de laboratorio de alimentos estandarizados. Cuando comes un huevo duro o un plátano crudo, el valor del USDA es esencialmente un resultado de laboratorio en sí mismo, y coincide estrechamente con nuestros hallazgos independientes del laboratorio.

Para comidas de restaurantes y platos internacionales, la IA de Nutrola supera tanto al USDA como a los conteos calóricos publicados por un amplio margen. Las comidas de restaurantes mostraron un MAPE del USDA de 14.2% en comparación con el 8.6% de Nutrola. La razón es sencilla: los datos del USDA describen ingredientes idealizados, no lo que realmente pone un restaurante en el plato. Una estimación basada en el USDA para "pollo teriyaki con arroz" no puede tener en cuenta la cantidad específica de aceite que utilizó el chef, el grosor de la salsa o el tamaño real de la porción — pero un sistema de IA visual que analiza el plato real frente a ti puede.

Las 10 Sorpresas Más Grandes

Estas comidas individuales produjeron las mayores diferencias entre al menos una fuente y el valor del laboratorio:

Comida	Laboratorio (kcal)	Nutrola IA	Etiqueta	USDA	Fuente de Mayor Error	Error
Pad Thai de restaurante	738	692	520*	584	Etiqueta	-29.5%
Lasaña "light" congelada	412	388	310	395	Etiqueta	-24.8%
Pollo a la mantequilla con naan	943	874	N/A	716	USDA	-24.1%
Mezcla de frutos secos envasada (1 porción)	287	264	230	271	Etiqueta	-19.9%
Ensalada César casera	486	421	N/A	347	USDA	-28.6%
Doble cheeseburger de comida rápida	832	898	740	780	Etiqueta	-11.1%
Bibimbap coreano	687	742	N/A	531	USDA	-22.7%
Sopa de tomate enlatada (1 lata)	189	202	180	184	Nutrola IA	+6.9%
Ramen tonkotsu japonés	891	824	N/A	648	USDA	-27.3%
Espaguetis a la boloñesa (caseros)	623	581	N/A	527	USDA	-15.4%

*Conteo calórico publicado por el restaurante.

Emergen varios patrones de los valores atípicos:

Los conteos calóricos publicados por restaurantes son los menos fiables. El pad Thai que figuraba en el menú con 520 kcal contenía en realidad 738 kcal en el laboratorio — una subestimación del 29.5%. Esto no es inusual. Un estudio de 2013 publicado en el Journal of the American Medical Association encontró que las comidas de restaurantes contenían en promedio un 18% más de calorías de las que se indicaban, con algunas superando sus conteos publicados en más de un 30%.

Los datos del USDA subestiman sistemáticamente los alimentos preparados densos en calorías. El pollo a la mantequilla, el bibimbap, el ramen, la boloñesa y la ensalada César mostraron grandes errores negativos cuando se estimaron mediante la búsqueda de ingredientes del USDA. El hilo común es la grasa de cocción. Las entradas del USDA para "aceite vegetal" o "mantequilla" son precisas por gramo, pero la cantidad de grasa que realmente se utiliza en la cocción — especialmente en platos de restaurantes y internacionales — es extremadamente difícil de estimar sin medición directa. Un aderezo de ensalada César casero puede contener 3-4 cucharadas de aceite que son casi invisibles una vez mezcladas con la lechuga.

La IA de Nutrola tendió a subestimar platos altos en grasa y a sobreestimar ligeramente los alimentos simples. El error firmado para las comidas de restaurantes fue de -3.8% (ligera subestimación), mientras que los alimentos enteros simples mostraron un error firmado de +1.9% (ligera sobreestimación). Esto sugiere que la IA es algo conservadora al estimar las grasas añadidas — un desafío conocido para cualquier sistema de estimación visual, ya que el aceite absorbido durante la fritura no es visible en la superficie.

Desviación Estándar y Consistencia

La precisión bruta es importante, pero también lo es la consistencia. Una fuente que se equivoca un 5% cada vez es más útil para rastrear tendencias que una que se equivoca un 0% la mitad del tiempo y un 30% la otra mitad.

Fuente	Desviación Estándar de Errores	Rango (Error Mínimo a Máximo)	% de Comidas Dentro del 10% del Laboratorio
Nutrola IA	5.9%	-12.4% a +8.7%	74% (37/50)
Referencia USDA	6.7%	-28.6% a +4.1%	62% (31/50)
Etiquetas Nutricionales	9.4%	-29.5% a +14.2%	53% (16/30)

Nutrola IA mostró la menor desviación estándar y el rango de error más ajustado de las tres fuentes. El 74% de las estimaciones de Nutrola cayeron dentro del 10% del valor del laboratorio, en comparación con el 62% para el USDA y el 53% para las etiquetas nutricionales. Esta ventaja de consistencia significa que incluso cuando la IA se equivoca, tiende a hacerlo por un monto predecible y pequeño — lo que es, sin duda, más valioso para alguien que rastrea una tendencia calórica semanal que una precisión ocasional perfecta mezclada con grandes errores.

Precisión en el Desglose de Macronutrientes

También comparamos las estimaciones de macronutrientes (proteínas, grasas, carbohidratos) contra los valores del laboratorio para un subconjunto de 20 comidas. Los resultados refuerzan los hallazgos calóricos:

Macronutriente	MAPE Nutrola IA	MAPE USDA	MAPE Etiqueta
Proteínas	8.2%	6.1%	10.8%
Grasas	11.4%	12.7%	14.1%
Carbohidratos	6.8%	5.9%	9.3%

La estimación de grasas es el punto más débil en todas las fuentes. Esto es esperado: el contenido de grasa es el macronutriente más difícil de evaluar visualmente (para la IA) y el más variable en la preparación (para las bases de datos). Una cucharada más o menos de aceite de cocina añade aproximadamente 14 gramos de grasa y 120 calorías, y ni una cámara ni una entrada de base de datos pueden capturar completamente esa variabilidad.

Hallazgos Clave

1. Las Etiquetas Nutricionales Utilizan Su Tolerancia Regulatoria — Generosamente

En Estados Unidos, la FDA permite que las etiquetas nutricionales se desvíen hasta un 20% del valor declarado para las calorías, y la etiqueta se considera conforme siempre que el valor real no exceda la etiqueta en más de un 20%. La Unión Europea aplica un marco de tolerancia similar. Nuestros datos sugieren que los fabricantes son muy conscientes de esta tolerancia y la utilizan estratégicamente.

Entre los 20 alimentos envasados y comidas de restaurantes etiquetadas en nuestro estudio, 14 (70%) subestimaron las calorías en relación con el valor del laboratorio. La subestimación promedio fue del 8.9%. Solo 4 comidas (20%) sobrestimaron las calorías, y 2 estaban dentro del 2% del valor del laboratorio.

Este sesgo direccional no es accidental. Subestimar las calorías hace que un producto parezca "más ligero" y más atractivo para los consumidores preocupados por su salud. Una comida congelada que afirma tener 310 kcal pero que en realidad contiene 412 kcal (como encontramos con una lasaña "light") puede posicionarse en el pasillo de alimentos dietéticos mientras entrega sustancialmente más energía de la anunciada.

Para cualquiera que dependa de las etiquetas para mantener un déficit calórico, esta subestimación sistemática es un problema serio. Si tus etiquetas están equivocadas en un promedio de -8.9%, y comes tres comidas etiquetadas al día con un objetivo de 1,800 kcal, podrías estar consumiendo aproximadamente 1,960 kcal — suficiente para reducir casi a la mitad tu déficit calórico previsto de 500 calorías.

2. Los Datos del USDA Sobresalen para Ingredientes Crudos, Luchan con Alimentos Preparados

La base de datos USDA FoodData Central es un recurso notable. Para alimentos simples y no procesados — un plátano, una pechuga de pollo, una taza de arroz — es extremadamente precisa. Nuestros datos mostraron un MAPE de solo 3.2% para alimentos enteros simples, que es casi tan bueno como las mediciones de laboratorio repetidas.

Pero en el momento en que comienza la cocción, la precisión del USDA se degrada. Para platos caseros, el MAPE aumentó a 6.4%. Para comidas de restaurantes, saltó a 14.2%. Para platos internacionales, alcanzó 15.7%.

El problema no es la base de datos en sí, sino la brecha entre las entradas de la base de datos y la preparación en el mundo real. Una entrada del USDA para "verduras salteadas" asume una cantidad específica de aceite, un tiempo de cocción específico y una mezcla específica de verduras. Tu salteado — o el que se sirve en tu restaurante tailandés local — puede usar el doble de aceite, incluir verduras más grasas y venir en una porción más grande. La base de datos no puede tener en cuenta estas variaciones; solo puede describir un promedio.

Esto tiene implicaciones para los rastreadores manuales que se enorgullecen de llevar un registro "preciso" pesando ingredientes y buscándolos en bases de datos. Ese enfoque funciona bien para comidas simples preparadas en casa con ingredientes medidos. Se rompe para comer fuera, pedir comida o cocinar recetas donde las cantidades de grasa son aproximadas.

3. La Estimación Fotográfica de IA Es Más Precisa de lo Esperado — Especialmente para Comidas del Mundo Real

Antes de realizar este estudio, nuestra suposición interna era que la IA de Nutrola funcionaría bien para alimentos simples y mal para comidas complejas. Los datos apoyaron y contradijeron parcialmente esto.

Como se esperaba, el mejor rendimiento de la IA fue en alimentos enteros simples (4.1% MAPE). Un plátano se ve como un plátano, y los datos de entrenamiento de la IA incluyen miles de imágenes de plátanos con pesos y valores calóricos conocidos.

Lo que nos sorprendió fue el rendimiento relativo de la IA en comidas de restaurantes y platos internacionales. Con un MAPE de 8.6% y 10.1% respectivamente, Nutrola superó significativamente el enfoque basado en el USDA (14.2% y 15.7%). La IA pareció beneficiarse de varias ventajas en estas categorías:

• Estimación del tamaño de porción a partir de pistas visuales. La IA utiliza el plato, el tazón y los utensilios como objetos de referencia para estimar el volumen de comida, lo que captura la porción real servida en lugar de una "porción estándar" asumida.
• Detección de salsas y coberturas. El modelo está entrenado para identificar salsas visibles, glaseados, queso derretido y otras coberturas densas en calorías que una búsqueda en la base de datos podría pasar por alto.
• Calibración específica de la cocina. Los datos de entrenamiento de Nutrola incluyen decenas de miles de imágenes etiquetadas de restaurantes y cocinas internacionales, lo que permite al modelo aprender patrones específicos de la cocina (por ejemplo, que un tazón de ramen típicamente contiene más grasa de lo que sugiere su apariencia de caldo).

Dicho esto, la IA no fue perfecta. Sus momentos más débiles ocurrieron con grasas ocultas — aceite absorbido en alimentos fritos, mantequilla derretida en salsas y crema mezclada en sopas. Estas calorías están físicamente presentes pero son visualmente indetectables, y representan un límite difícil para lo que cualquier sistema basado en cámara puede lograr sin información adicional del usuario.

4. Los Culpables Ocultos de Calorías

A través de las 50 comidas, la fuente de error de estimación más grande — para cada método, incluida la IA — fue la grasa de cocción añadida. Aceite, mantequilla, ghee, crema y otras grasas utilizadas durante la preparación representaron la mayoría de las grandes desviaciones.

Considera la ensalada César casera. Nuestro laboratorio midió 486 kcal. La estimación basada en el USDA fue de 347 kcal — una subestimación del 28.6%. La brecha se debió casi por completo al aderezo: un aderezo César hecho desde cero que contenía aceite de oliva, yema de huevo, parmesano y pasta de anchoas. La estimación del USDA utilizó una cantidad "estándar" de aderezo, pero la porción real fue significativamente más generosa.

De manera similar, el pollo a la mantequilla se midió en 943 kcal en el laboratorio frente a 716 kcal del USDA — una falta del 24.1% impulsada por la cantidad de mantequilla y crema en la receta del restaurante, que superó con creces las cantidades asumidas en las entradas estándar de la base de datos.

Estos hallazgos reflejan un principio bien establecido en la ciencia de la nutrición: la grasa es el macronutriente más denso en calorías (9 kcal/g frente a 4 kcal/g para proteínas y carbohidratos) y el más difícil de estimar con precisión. Pequeños errores en la estimación de grasas producen grandes errores calóricos. Una sola cucharada de aceite que se pasa por alto en cualquier método de estimación añade 119 calorías no contabilizadas.

Lo Que Esto Significa para los Rastreados Diarios

Si estás rastreando calorías para gestionar tu peso, estos hallazgos tienen varias implicaciones prácticas:

No asumas que tu etiqueta es la verdad absoluta. Las etiquetas nutricionales son puntos de partida útiles, pero pueden subestimar el contenido calórico real en un 10-20% o más, especialmente para comidas envasadas y conteos publicados por restaurantes. Si tu pérdida de peso se ha estancado y estás comiendo "exactamente" lo que dicen las etiquetas, este excedente oculto podría ser la explicación.

Las búsquedas en el USDA son más confiables para comidas simples y preparadas en casa. Si cocinas en casa, pesas tus ingredientes y usas principalmente alimentos enteros, un enfoque de seguimiento basado en el USDA puede ser altamente preciso. Cuanto más complejas y influenciadas por restaurantes sean tus comidas, menos confiable será este método.

El seguimiento fotográfico de IA proporciona el mejor equilibrio para la alimentación del mundo real. Para las personas que comen una mezcla de comidas caseras, de restaurantes y envasadas — que describe a la mayoría de los adultos — un sistema basado en IA como Nutrola proporciona la precisión más consistente a través de categorías. No superará un registro cuidadoso del USDA para una pechuga de pollo simple, pero superará significativamente ese enfoque para el pad Thai que pediste un viernes por la noche.

Siempre desconfía de las comidas altas en grasa. Independientemente de tu método de seguimiento, los platos que implican fritura, salsas pesadas, crema, mantequilla o queso son los más propensos a ser subestimados. Cuando tengas dudas, añade un pequeño margen (50-100 kcal) para las comidas que se vean o sepan ricas. En Nutrola, también puedes ajustar manualmente la estimación de la IA después de revisarla, y el sistema aprende de tus correcciones con el tiempo.

La consistencia importa más que la perfección. Nuestros datos mostraron que la ventaja más ajustada de Nutrola no estaba en la precisión promedio, sino en la consistencia — la menor desviación estándar y el mayor porcentaje de estimaciones dentro del 10% de los valores del laboratorio. Para el seguimiento a largo plazo, un sistema que se equivoca de manera confiable en un 5-7% es mucho más útil que uno que a veces es perfecto y a veces se equivoca en un 25%. Un sesgo consistente puede contabilizarse; un error errático no puede.

Limitaciones

Queremos ser transparentes sobre las limitaciones de este estudio:

• Tamaño de la muestra. Cincuenta comidas son suficientes para identificar patrones, pero no lo suficientemente grandes para conclusiones estadísticas definitivas en cada subcategoría. Cada categoría contenía solo 10 comidas. Estudios más grandes aumentarían la confianza en los hallazgos a nivel de categoría.
• Región geográfica única. Todas las comidas se obtuvieron en Irlanda. Los tamaños de porción de los restaurantes, las prácticas de cocción y el abastecimiento de ingredientes varían según el país e incluso según la ciudad. Los resultados pueden diferir en otras regiones.
• Único sistema de IA probado. Solo probamos la IA de Nutrola. Otros rastreadores de calorías basados en IA pueden tener un rendimiento diferente. Animamos a los productos competidores a realizar y publicar análisis similares.
• Condiciones de las fotos. Todas las fotos fueron tomadas por miembros del equipo que están familiarizados con las mejores prácticas de fotografía de alimentos. Un usuario típico que toma una foto apresurada en mala iluminación podría experimentar una precisión de IA algo menor.
• La calorimetría de bomba mide la energía bruta. Si bien se aplicaron correcciones para la energía metabolizable, las diferencias individuales en la digestión y absorción significan que las "verdaderas" calorías que una persona determinada extrae de un alimento pueden diferir del valor del laboratorio en varios porcentajes.

Conclusión

El número de calorías en tu plato siempre es una estimación — pero no todas las estimaciones son iguales.

Las etiquetas nutricionales, a pesar de su apariencia oficial, son la fuente menos precisa que probamos, con una tendencia sistemática a subestimar las calorías. Los datos del USDA son excelentes para alimentos simples, crudos y preparados en casa, pero luchan con la realidad desordenada de la cocina de restaurantes y la cocina internacional. El seguimiento basado en IA, tal como se implementa en Nutrola, proporciona el rendimiento más consistente a través de toda la gama de alimentos que las personas realmente comen, con una precisión general de 7.4% de desviación absoluta media de los valores del laboratorio.

Ningún método de seguimiento es perfecto. Los alimentos que engañan a la IA también engañan a las bases de datos y a las etiquetas — los platos con muchas salsas, ricos en aceite y de múltiples componentes siguen siendo los más difíciles de estimar para cualquier sistema. Pero para el rastreador diario que desea una forma confiable y de bajo esfuerzo para entender lo que está comiendo, los datos sugieren que una IA bien entrenada mirando tu plato real se acerca más a la verdad que una etiqueta impresa en una fábrica o una entrada de base de datos escrita para una receta idealizada.

Nutrola se basa en el principio de que la precisión no debería requerir esfuerzo. Tomas una foto y la IA hace el trabajo. Este estudio fue nuestra forma de responsabilizarnos por esa promesa — y de compartir los resultados, incluidas nuestras debilidades, con las personas que confían en nosotros con sus datos nutricionales.

Si deseas probar Nutrola por ti mismo, los planes comienzan en 2,50 EUR al mes, sin anuncios en ningún nivel. Preferimos ganarnos tu confianza con datos precisos que vender tu atención a los anunciantes.

Las tablas de datos en bruto de este estudio están disponibles a solicitud para investigadores, periodistas y dietistas que deseen realizar su propio análisis. Contáctanos en research@nutrola.com.