Testowałem 4 AI Trackery Kalorii Równolegle przez 2 Tygodnie

Przez dwa tygodnie rejestrowałem każdy posiłek w czterech różnych trackerach kalorii AI jednocześnie. Te same posiłki, te same zdjęcia, ten sam czas. Nutrola, Cal AI, Foodvisor i SnapCalorie — działające równolegle, każdego dnia, przez 14 dni. Każdy domowy posiłek ważyłem na wadze kuchennej, a kalorie obliczałem na podstawie wartości referencyjnych USDA FoodData Central jako punktu odniesienia.

Celem było proste: dowiedzieć się, która aplikacja generuje najbardziej wiarygodny dziennik żywności w realistycznym okresie dwóch tygodni. Nie była to starannie przygotowana demonstracja z idealnym oświetleniem i pojedynczymi potrawami, ale prawdziwe życie — gotowanie w domu, posiłki w restauracjach, przekąski w opakowaniach, kawowe wypady i od czasu do czasu momenty "zapomniałem to sfotografować".

Oto, co się wydarzyło.

Ustawienia i Zasady

Urządzenia: iPhone 15 Pro (dla LiDAR SnapCalorie), z zainstalowanymi i zalogowanymi wszystkimi czterema aplikacjami.

Protokół ważenia: Wszystkie domowe potrawy ważyłem na wadze kuchennej o dokładności 0,1 g przed podaniem. Kalorie obliczane na podstawie wartości USDA FoodData Central. Posiłki w restauracjach szacowane na podstawie wartości USDA dla porównywalnych dań (wbudowane ograniczenie — prawdziwe wartości dla restauracji są zawsze przybliżone).

Fotografia: To samo zdjęcie przesyłane do wszystkich czterech aplikacji. Jedno zdjęcie z góry na każdy posiłek, robione w dostępnych warunkach oświetleniowych (nieoptymalizowane dla żadnej aplikacji).

Protokół korekcji: Dla każdej aplikacji spędzałem do 30 sekund na poprawianiu oczywistych błędów, korzystając z narzędzi dostępnych w aplikacji. To symuluje rzeczywistego użytkownika, który zauważa błąd, ale nie chce spędzać minut na jego naprawie.

Co śledziłem: Czas na rejestrację (stoper), początkowy szacunek kalorii AI, ostatecznie zarejestrowane kalorie (po korekcie), dzienny całkowity w porównaniu do wartości referencyjnej, istotne frustracje oraz wszelkie funkcje, które miały znaczący wpływ.

Tydzień 1: Dni 1-7

Dzień 1 (poniedziałek): Normalny Dzień Gotowania w Domu

Śniadanie: Owsianka na noc (80g płatków owsianych, 200ml mleka pełnotłustego, 1 banan, 1 łyżka miodu, 15g migdałów). Wartość referencyjna: 520 kcal.

Aplikacja	Początkowy Szacunek	Po Korekcie	Czas	Notatki
Cal AI	340 kcal	340 kcal	4 sek	Całkowicie pominęła miód i migdały. Nie ma możliwości ich dodania.
SnapCalorie	365 kcal	365 kcal	6 sek	Lepszy szacunek porcji dzięki 3D, ale nadal pominęła ukryte składniki.
Foodvisor	380 kcal	420 kcal	15 sek	Zidentyfikowała płatki owsiane i banana. Ręcznie wyszukałem miód.
Nutrola	410 kcal	505 kcal	18 sek	AI rozpoznała płatki owsiane i banana. Dodałem głosowo "łyżkę miodu i 15 gramów migdałów". Baza danych dopasowała oba składniki.

Obiad: Gotowa sałatka grecka z supermarketu (kod kreskowy dostępny). Wartość referencyjna: 340 kcal (zgodnie z etykietą).

Aplikacja	Początkowy Szacunek	Po Korekcie	Czas	Notatki
Cal AI	280 kcal	280 kcal	5 sek	Brak opcji kodu kreskowego. Szacunek na podstawie zdjęcia był zbyt niski (pominęła sos).
SnapCalorie	295 kcal	295 kcal	7 sek	Podobny problem. Brak kodu kreskowego.
Foodvisor	340 kcal	340 kcal	4 sek	Skan kodu kreskowego idealnie dopasowany.
Nutrola	340 kcal	340 kcal	3 sek	Skan kodu kreskowego. Dokładne dopasowanie. Najszybsza rejestracja dnia.

Kolacja: Domowy stir fry z kurczaka (200g udźca kurczaka, 150g brokułów, 100g papryki, 200g ryżu, 1,5 łyżki oleju sezamowego, 2 łyżki sosu sojowego). Wartość referencyjna: 785 kcal.

Aplikacja	Początkowy Szacunek	Po Korekcie	Czas	Notatki
Cal AI	490 kcal	490 kcal	5 sek	Całkowicie pominęła olej do gotowania. 295 kcal za mało.
SnapCalorie	520 kcal	520 kcal	8 sek	3D pomogło w ocenie objętości ryżu, ale olej nadal niewidoczny.
Foodvisor	530 kcal	580 kcal	20 sek	Zidentyfikowała stir fry. Ręcznie dodałem olej, ale mogłem znaleźć tylko "olej roślinny", a nie sezamowy.
Nutrola	560 kcal	755 kcal	22 sek	AI zidentyfikowała stir fry z kurczaka i ryż. Dodałem głosowo "półtorej łyżki oleju sezamowego". Baza danych miała dokładny wpis. Blisko wartości referencyjnej.

Suma Dnia 1:

Aplikacja	Zarejestrowana Suma	Wartość Referencyjna	Błąd	% Błędu
Cal AI	1,576 kcal	2,105 kcal	-529 kcal	-25.1%
SnapCalorie	1,648 kcal	2,105 kcal	-457 kcal	-21.7%
Foodvisor	1,808 kcal	2,105 kcal	-297 kcal	-14.1%
Nutrola	2,058 kcal	2,105 kcal	-47 kcal	-2.2%

Dzień 1 ustalił wzór, który powtarzał się przez cały test. Sam brak oleju do gotowania odpowiadał za większość błędów w aplikacjach opartych tylko na zdjęciach.

Dzień 3 (środa): Dzień Obiadów w Restauracji

Posiłek w restauracji był najbardziej odkrywczym testem. Miałem kurczaka tikka masala z naanem i ryżem w indyjskiej restauracji. Nie mogłem zważyć tego posiłku, ale oszacowałem wartość referencyjną na około 950 kalorii na podstawie wartości USDA dla porównywalnych porcji w restauracjach.

Aplikacja	Szacunek	Notatki
Cal AI	620 kcal	Znacznie za mało. Traktowała to jako mniejszą porcję niż podano.
SnapCalorie	680 kcal	Lepszy szacunek porcji, ale nadal za mało. Pominęła śmietanę/masło w sosie.
Foodvisor	740 kcal	Bliżej. Zidentyfikowała "tikka masala", co przyniosło lepsze dane.
Nutrola	890 kcal	AI zidentyfikowała tikka masala. Wpis w bazie danych dla tikka masala w stylu restauracyjnym zawierał typową zawartość śmietany/masła. Potwierdziłem porcję jako "dużą".

Dzień 5 (piątek): Wyzwanie Smoothie i Kawy

Poranne smoothie (banan, mleko migdałowe, masło orzechowe, białko serwatkowe, szpinak — w nieprzezroczystej butelce). Wartość referencyjna: 450 kcal. Południowe latte (mleko owsiane, duże, 2 pompki wanilii). Wartość referencyjna: około 290 kcal.

Wyniki smoothie:

Aplikacja	Szacunek	Notatki
Cal AI	180 kcal	Zobaczyła ciemną butelkę. W zasadzie zgadła.
SnapCalorie	210 kcal	3D zmierzyło objętość butelki, ale nie mogło zidentyfikować zawartości.
Foodvisor	195 kcal	Ta sama ograniczenie. Zobaczyła pojemnik, nie zawartość.
Nutrola	435 kcal	Dodałem głosowo przepis. Baza danych dopasowała każdy składnik. Zdjęcie było bezużyteczne (pominąłem je).

Wyniki latte:

Aplikacja	Szacunek	Notatki
Cal AI	130 kcal	Zidentyfikowane jako "kawa" ogólnie.
SnapCalorie	150 kcal	Zmierzyło objętość kubka, zgadło "latte".
Foodvisor	160 kcal	Zidentyfikowane jako "latte", ale przyjęto założenie o zwykłym mleku.
Nutrola	275 kcal	Dodałem głosowo "duże latte owsiane z dwiema pompkami wanilii". Baza danych miała wpis latte owsianego w stylu Starbucks.

Ten dzień uwydatnił, dlaczego dodawanie głosowe ma znaczenie. Trackery oparte na zdjęciach były zasadniczo ślepe na napoje i nieprzezroczyste pojemniki.

Podsumowanie Tygodnia 1

Metryka	Cal AI	SnapCalorie	Foodvisor	Nutrola
Średnia dzienna zarejestrowana kaloria	1,640 kcal	1,720 kcal	1,870 kcal	2,145 kcal
Średnia dzienna wartość referencyjna	2,180 kcal	2,180 kcal	2,180 kcal	2,180 kcal
Średni dzienny błąd	-540 kcal	-460 kcal	-310 kcal	-35 kcal
Średni % błędu dziennego	-24.8%	-21.1%	-14.2%	-1.6%
Średni czas na posiłek	5.2 sek	7.1 sek	16.4 sek	17.8 sek
Posiłki, w których dostępny był kod kreskowy	8	8	8	8
Posiłki, w których użyto kodu kreskowego	0	0	8	8
Moment frustracji	12	9	5	2

Obserwacje Tygodnia 1:

Cal AI był konsekwentnie najszybszy, ale również konsekwentnie najmniej dokładny. Szybkość była przyjemna w danym momencie, ale dzienne sumy były znacząco błędne — 540 kalorii dziennie niedoszacowania całkowicie zniweczyłoby typowy deficyt na odchudzanie.

3D skan SnapCalorie pomógł w rozmiarach porcji dla podawanych posiłków, ale nie rozwiązał podstawowego problemu niewidocznych składników (oleje, ukryte komponenty, napoje).

Skanowanie kodów kreskowych w Foodvisor stanowiło znaczną przewagę nad Cal AI i SnapCalorie dla produktów pakowanych. Funkcja dietetyka istniała, ale nigdy jej nie użyłem w czasie rzeczywistym, ponieważ opóźnienie w odpowiedzi było niepraktyczne dla codziennego podejmowania decyzji.

Kombinacja dodawania głosowego i skanowania kodów kreskowych w Nutrola pokryła dwie największe luki w dokładności: niewidoczne składniki i produkty pakowane. Dodatkowe 12 sekund na posiłek w porównaniu do Cal AI było ledwie zauważalne w praktyce.

Tydzień 2: Dni 8-14

Dzień 8 (poniedziałek): Dzień Przygotowania Posiłków

Przygotowałem pięć dni obiadów: pierś z kurczaka, słodkie ziemniaki i zielona fasolka. Ten sam posiłek, te same porcje, rejestrowane codziennie.

To był test na spójność. Ten sam posiłek zarejestrowany pięć razy powinien dać tę samą liczbę kalorii pięć razy.

Aplikacja	Dzień 8	Dzień 9	Dzień 10	Dzień 11	Dzień 12	Zakres
Cal AI	445	410	465	425	455	55 kcal rozrzut
SnapCalorie	430	440	420	445	435	25 kcal rozrzut
Foodvisor	480	480	485	480	480	5 kcal rozrzut
Nutrola	495	495	495	495	495	0 kcal rozrzut

Wartość referencyjna (ważona i obliczona): 490 kcal.

Rozrzut 55 kalorii w Cal AI dla identycznych posiłków jest bezpośrednim wynikiem architektury opartej tylko na AI — różne zdjęcia dawały różne szacunki. 3D skan SnapCalorie zmniejszył zmienność. Baza danych Foodvisor utrzymała ją niemal na stałym poziomie. Nutrola była idealnie spójna, ponieważ za każdym razem rejestrowałem ten sam wpis w bazie danych (zapisany jako szablon posiłku po Dniu 8).

Dzień 11 (czwartek): Kolacja Towarzyska

Kolacja u przyjaciela. Wiele potraw, wspólne serwowanie, brak możliwości ważenia jedzenia. To najtrudniejszy scenariusz w prawdziwym świecie dla każdego trackera kalorii.

Dania obejmowały makaron carbonara, sałatkę cezar, chleb czosnkowy i tiramisu. Oszacowałem swoje porcje wizualnie i w przybliżeniu obliczyłem wartość referencyjną na około 1,200 kalorii za posiłek.

Aplikacja	Szacunek	Notatki
Cal AI	680 kcal	Tylko raz sfotografowałem talerz. AI potraktowała to jako umiarkowany posiłek makaronowy. Pominęła deser (zjadłem go, zanim przypomniałem sobie o fotografii).
SnapCalorie	720 kcal	To samo zdjęcie talerza. 3D pomogło w objętości makaronu. Również pominęła deser.
Foodvisor	810 kcal	Sfotografowałem talerz, a potem przypomniałem sobie, aby ręcznie dodać tiramisu z bazy danych.
Nutrola	1,080 kcal	Sfotografowałem talerz. AI zidentyfikowała carbonara i sałatkę. Dodałem głosowo "dwie kromki chleba czosnkowego z masłem" i "jeden kawałek tiramisu, około 150 gramów." Wszystko z bazy danych.

Kolacja towarzyska ujawniła kruchość workflow opartego na zdjęciach. Zapomnienie o sfotografowaniu jednego dania (deseru) stworzyło lukę 200-400 kalorii, której aplikacje oparte tylko na zdjęciach nie mogły uzupełnić. Dodawanie głosowe w Nutrola pozwoliło na dodanie pominiętego dania po fakcie.

Dzień 14 (niedziela): Dzień Brunchu i Przekąsek

Dzień z dużym brunch'em (jajka benedyktyńskie z wędzonym łososiem, pieczone ziemniaki, sałatka owocowa, sok pomarańczowy i cappuccino) oraz wieloma małymi przekąskami w ciągu popołudnia.

Przekąski były szczególnie ujawniające. Miałem garść mieszanki orzechowej (szacowane 180 kcal), batonik proteinowy (kod kreskowy: 210 kcal), jabłko (95 kcal) i trochę ciemnej czekolady (150 kcal). Te szybkie przekąski łatwo pominąć lub źle oszacować.

Aplikacja	Szacunek Brunchu	Suma Przekąsek	Suma Dnia	Wartość Referencyjna	Błąd
Cal AI	580 kcal	320 kcal	1,890 kcal	2,450 kcal	-560 kcal
SnapCalorie	620 kcal	340 kcal	1,960 kcal	2,450 kcal	-490 kcal
Foodvisor	710 kcal	485 kcal	2,185 kcal	2,450 kcal	-265 kcal
Nutrola	820 kcal	615 kcal	2,380 kcal	2,450 kcal	-70 kcal

Sos hollandaise w brunchu był dużym czynnikiem różnicującym — Cal AI i SnapCalorie ledwie uwzględniły go. Skan kodu kreskowego batona proteinowego dał Foodvisor i Nutrola dokładne dane. Mieszanka orzechowa wymagała opisu głosowego ("garść mieszanki orzechowej, około 40 gramów") dla jakiejkolwiek dokładności.

Podsumowanie Tygodnia 2

Metryka	Cal AI	SnapCalorie	Foodvisor	Nutrola
Średnia dzienna zarejestrowana kaloria	1,580 kcal	1,680 kcal	1,910 kcal	2,190 kcal
Średnia dzienna wartość referencyjna	2,220 kcal	2,220 kcal	2,220 kcal	2,220 kcal
Średni dzienny błąd	-640 kcal	-540 kcal	-310 kcal	-30 kcal
Średni % błędu dziennego	-28.8%	-24.3%	-14.0%	-1.4%
Średni czas na posiłek	5.0 sek	6.8 sek	15.8 sek	16.2 sek

Błędy w Tygodniu 2 były nieco gorsze niż w Tygodniu 1 dla aplikacji opartych tylko na AI, ponieważ pojawiły się bardziej złożone posiłki (restauracja, kolacja towarzyska, brunch). Dokładność Nutrola w rzeczywistości poprawiła się w Tygodniu 2, ponieważ stałem się bardziej wprawiony w dodawaniu głosowym i zbudowałem bibliotekę zapisanych posiłków.

Pełne Wyniki 14-Dniowe

Metryka	Cal AI	SnapCalorie	Foodvisor	Nutrola
Całkowite zarejestrowane kalorie (14 dni)	22,540	23,800	26,460	30,345
Całkowite kalorie wartości referencyjnej	30,800	30,800	30,800	30,800
Całkowity błąd kaloryczny	-8,260	-7,000	-4,340	-455
Średni % błędu dziennego	-26.8%	-22.7%	-14.1%	-1.5%
Kierunek błędu	Zawsze niedoszacowane	Zawsze niedoszacowane	Zawsze niedoszacowane	Losowo (część nad, część pod)
Najgorszy błąd jednego dnia	-780 kcal	-650 kcal	-420 kcal	-95 kcal
Najlepszy błąd jednego dnia	-320 kcal	-280 kcal	-140 kcal	+15 kcal
Średni czas na posiłek	5.1 sek	7.0 sek	16.1 sek	17.0 sek
Całkowity czas śledzenia dziennego	~25 sek	~35 sek	~80 sek	~85 sek
Użyte skany kodów kreskowych	0	0	16	16
Użyte logi głosowe	0	0	0	38
Posiłki zapomniane do sfotografowania	4	4	4	0 (dodane głosowo po fakcie)

Kluczowe Wnioski

1. Niedoszacowanie jest Rzeczywiste i Konsekwentne

Wszystkie cztery aplikacje niedoszacowały całkowite spożycie kalorii, ale wielkość różniła się znacznie. Niedoszacowanie o 8,260 kalorii w Cal AI przez 14 dni odpowiada 2.4 funta tkanki tłuszczowej — użytkownik polegający na Cal AI dla deficytu na odchudzanie myślałby, że schudł 2.4 funta więcej, niż w rzeczywistości po zaledwie dwóch tygodniach.

Niedoszacowanie jest systematyczne, a nie losowe, ponieważ najczęstsze błędy AI (niewidoczne oleje do gotowania, ukryte składniki, niedoszacowanie sosów) powodują niedoszacowanie, a nie przeszacowanie.

2. Dodawanie Głosowe to Najbardziej Niedoceniana Funkcja w Śledzeniu Kalorii

Dodawanie głosowe stanowiło 38 wpisów przez 14 dni — głównie oleje do gotowania, smoothie, napoje kawowe i posiłki zapomniane do sfotografowania. Te 38 logów głosowych reprezentowało około 5,200 kalorii, które byłyby brakujące lub poważnie niedoszacowane w aplikacji opartej tylko na zdjęciach.

3. Skanowanie Kodów Kreskowych to Najłatwiejsza Wygrana w Dokładności

Szesnaście skanów kodów kreskowych przez 14 dni. Każdy z nich zajmował 2-3 sekundy i dawał dane o dokładności 99%+. Cal AI i SnapCalorie zmuszały do oszacowania na podstawie zdjęcia dla każdego z tych produktów pakowanych — korzystając z metody o dokładności 85-92%, gdy dostępna była metoda o dokładności 99%+.

4. Różnice w Szybkości są Znikome w Praktyce

Różnica między Cal AI (25 sekund dziennie) a Nutrola (85 sekund dziennie) wynosi 60 sekund — jedna minuta dodatkowego wysiłku dziennie dla 25-punktowej poprawy dokładności. Innymi słowy: jedna dodatkowa minuta dziennie wyeliminowała 8,000 kalorii błędu przez dwa tygodnie.

5. Spójność Ma Znaczenie dla Analizy Trendów

Wpisy oparte na bazie danych Nutrola produkowały gładki, wiarygodny trend kaloryczny przez 14 dni. Zmienność szacunków Cal AI stworzyła hałaśliwy trend, w którym codzienne wahania były dominowane przez zmienność szacunków AI, a nie rzeczywiste zmiany w wzorcach żywieniowych. Jeśli próbujesz zidentyfikować, czy twoje nawyki żywieniowe w weekend różnią się od dni roboczych, potrzebujesz spójnych baz danych w dni robocze — a trackery oparte tylko na AI nie mogą ich dostarczyć.

Werdykt

Cal AI jest naprawdę szybki i imponująco prosty. Dla kogoś, kto chce zerowej frikcji i nie potrzebuje precyzyjnych liczb, działa jako narzędzie do świadomości. Ale średni błąd dzienny na poziomie 26.8% sprawia, że jest nieodpowiedni dla jakiegokolwiek celu, który wymaga dokładnych danych. Szybkie, czyste doświadczenie jest podważane przez fakt, że liczby w twoim dzienniku są znacząco błędne.

SnapCalorie to najbardziej technologicznie interesująca aplikacja testowana. Skanowanie 3D nie jest chwytliwym pomysłem — rzeczywiście poprawiło oszacowanie porcji dla widocznych posiłków na talerzu. Ale poprawa była skromna (22.7% błąd w porównaniu do 26.8% Cal AI), ponieważ największe błędy pochodzą z niewidocznych składników, a nie z błędów w obliczaniu porcji. Ceny premium (9-15 €/miesiąc) za aplikację opartą tylko na zdjęciach są trudne do uzasadnienia.

Foodvisor zajmuje rozsądne położenie pośrodku. Skanowanie kodów kreskowych i częściowe wsparcie bazy danych znacząco zmniejszają błędy w porównaniu do aplikacji opartych tylko na AI. Działa najlepiej z europejskimi produktami i ma profesjonalny wygląd. Funkcja dietetyka to unikalna oferta, ale opóźnienie czyni ją niepraktyczną dla śledzenia w czasie rzeczywistym.

Nutrola wygenerowała najbardziej dokładny dziennik żywności z szeroką przewagą — średni błąd na poziomie 1.5% w porównaniu do 14-27% konkurencji. Dokładność nie wynika z dramatycznie lepszego AI, ale z weryfikowanej bazy danych, która wychwytuje to, co AI pomija, dodawania głosowego, które pokrywa to, co zdjęcia nie mogą uchwycić, oraz skanowania kodów kreskowych, które dostarczają dokładnych danych dla produktów pakowanych. Przy cenie 2.50 €/miesiąc po bezpłatnym okresie próbnym i bez reklam, kosztuje mniej niż każda aplikacja, którą przewyższyła.

Dodatkowa minuta dziennie to uczciwa wymiana. Nutrola nie jest najszybszą aplikacją. Wymaga kilku dodatkowych sekund na posiłek i nieco bardziej aktywnego użytkownika (potwierdzanie wpisów w bazie danych, dodawanie głosowe niewidocznych składników). Ale rezultatem jest dziennik żywności, który odzwierciedla to, co naprawdę zjadłeś — co jest całym celem śledzenia kalorii.

Po 14 dniach równoległego testowania wnioski są proste: najbardziej wiarygodny tracker kalorii AI to nie ten z najbardziej imponującym AI. To ten, który wie, kiedy AI nie wystarcza i ma zweryfikowaną bazę danych, dodawanie głosowe i skanowanie kodów kreskowych gotowe do wypełnienia luk. Tą aplikacją w tym teście była Nutrola.