Enviamos 50 Refeições para um Laboratório e Testamos a Precisão Calórica da IA em Comparação com Rótulos e Dados do USDA

Todo número de calorias que você já leu é uma estimativa. O rótulo nutricional da sua barra de proteína, a entrada do USDA para "peito de frango grelhado", o número que seu aplicativo de rastreamento fornece quando você tira uma foto do seu almoço — todos são aproximações do real conteúdo energético que está no seu prato. A pergunta que ninguém parece fazer é: quão distantes estão essas estimativas da realidade e qual fonte se aproxima mais dela?

Decidimos descobrir. Ao longo de três meses, a equipe da Nutrola comprou, preparou ou pediu 50 refeições reais, fotografou cada uma, registrou os valores do rótulo e do banco de dados do USDA, e então enviou porções idênticas para um laboratório de ciência alimentar certificado para análise usando calorimetria de bomba — o padrão ouro para medir o verdadeiro conteúdo calórico dos alimentos.

Este post apresenta os resultados completos. Sem seleção de dados, sem omissões. Cada refeição, cada número, cada surpresa.

Por Que Fizemos Isso

A indústria de nutrição se baseia na confiança. Os consumidores confiam que o rótulo de um alimento embalado é preciso. Os nutricionistas confiam que os dados de referência do USDA refletem porções do mundo real. Os desenvolvedores de aplicativos confiam que seus bancos de dados estão próximos o suficiente. Mas muito poucas pessoas realmente verificaram essas suposições em comparação com análises laboratoriais — e os estudos que existem tendem a se concentrar em alimentos embalados ou em nutrientes isolados.

Queríamos uma visão mais ampla. Queríamos saber como cada fonte principal de calorias — rótulos, bancos de dados governamentais e estimativas fotográficas baseadas em IA — se comporta em uma ampla gama de alimentos que as pessoas realmente consomem: lanches embalados, alimentos inteiros simples, pratos caseiros, refeições de restaurantes e culinária internacional. E queríamos testar nosso próprio produto, Nutrola, com a mesma rigorosidade que aplicamos a tudo o mais.

O objetivo não era provar que a Nutrola é perfeita. Ela não é. O objetivo era entender onde cada fonte de calorias se destaca, onde falha e o que isso significa para milhões de pessoas que dependem desses números para gerenciar sua saúde.

Metodologia

Seleção das Refeições

Selecionamos 50 refeições em cinco categorias, com 10 refeições em cada uma:

Categoria	Exemplos
Alimentos embalados	Barras de proteína, jantares congelados, sopas enlatadas, cereais, potes de iogurte
Alimentos inteiros simples	Banana, peito de frango cru, ovos cozidos, arroz integral, abacate
Pratos caseiros	Espaguete à bolonhesa, frango salteado, sopa de lentilha, salada Caesar, panquecas de banana
Refeições de restaurantes	Hambúrguer de fast food, prato de sushi, curry verde tailandês, fatia de pizza, tigela de burrito
Pratos internacionais	Frango ao molho de manteiga indiano, ramen japonês, tamales mexicanos, prato de injera etíope, bibimbap coreano

As refeições foram compradas ou preparadas em Dublin, Irlanda, e selecionadas para representar alimentos que os usuários reais costumam rastrear. Incluímos deliberadamente itens conhecidos por serem difíceis tanto para bancos de dados quanto para sistemas de IA: pratos com muito molho, alimentos fritos, refeições com múltiplos componentes e alimentos onde a estimativa visual do conteúdo de óleo ou manteiga é desafiadora.

Análise Laboratorial

Todas as amostras foram enviadas para um laboratório de testes alimentares acreditado pela ISO 17025. Cada refeição foi analisada usando calorimetria de bomba, o método de referência para determinar o conteúdo energético bruto dos alimentos.

Na calorimetria de bomba, uma amostra de alimento pesando precisamente é colocada em uma câmara selada rica em oxigênio (a "bomba") e é incendiada. O calor liberado durante a combustão completa é medido pela jaqueta de água ao redor. O valor resultante, expresso em quilocalorias, representa a energia química total no alimento. Um fator de correção é aplicado para contabilizar a parte da energia que o corpo humano não pode extrair (principalmente da fibra), resultando no valor de energia metabolizável — o número que deve aparecer em um rótulo nutricional.

Cada uma das 50 refeições foi analisada em triplicado (três execuções independentes), e o valor médio foi utilizado como referência do laboratório. O coeficiente de variação entre os triplicados foi inferior a 2% para todas as amostras, confirmando alta precisão de medição.

Fontes de Comparação

Para cada refeição, registramos os valores calóricos de quatro fontes:

1. Laboratório (calorimetria de bomba) — a verdade absoluta
2. Nutrola IA — a estimativa calórica gerada pelo sistema de IA da Nutrola a partir de uma única fotografia da refeição, tirada sob iluminação normal em um prato de jantar padrão, sem escala ou objeto de referência
3. Rótulo nutricional — o valor impresso na embalagem (para alimentos embalados) ou a contagem de calorias publicada pelo restaurante (para refeições de restaurantes). Para alimentos inteiros e pratos caseiros, esta coluna usa o rótulo do fabricante onde disponível ou é marcada como N/A
4. USDA FoodData Central — o valor obtido ao pesquisar cada ingrediente no banco de dados do USDA e somar os componentes com base em pesos medidos

Para pratos caseiros, o valor do USDA foi calculado pesando cada ingrediente cru em uma balança de cozinha, pesquisando o valor calórico por grama no USDA FoodData Central e somando-os — o método que os rastreadores manuais mais cuidadosos usariam.

Para a estimativa da IA da Nutrola, cada refeição foi fotografada exatamente uma vez. Não retivemos fotos, ajustamos ângulos ou fornecemos qualquer contexto adicional além do que um usuário normal forneceria. O sistema de IA identificou o alimento, estimou porções e retornou um valor calórico.

Abordagem Estatística

A precisão é relatada como erro percentual absoluto médio (MAPE) — a média das desvios percentuais absolutos em relação ao valor do laboratório, calculada como:

MAPE = (1/n) * SOMA(|Estimado - Laboratório| / Laboratório * 100)

Também relatamos o erro médio assinado (para mostrar superestimação ou subestimação sistemática), desvio padrão dos erros e intervalos de confiança de 95% onde os tamanhos das amostras permitem.

Resultados

Precisão Geral: Todas as 50 Refeições

Fonte	Erro Absoluto Médio (MAPE)	Erro Médio Assinado	Desvio Padrão	IC de 95% do MAPE
Nutrola IA	7.4%	-1.2%	5.9%	5.7% - 9.1%
Referência do USDA	8.1%	-2.8%	6.7%	6.2% - 10.0%
Rótulos Nutricionais*	12.6%	+6.3%	9.4%	9.1% - 16.1%

*Dados de rótulos nutricionais disponíveis para 30 de 50 refeições (alimentos embalados, algumas refeições de restaurantes). MAPE calculado apenas com dados disponíveis.

A primeira descoberta importante: os rótulos nutricionais mostraram a maior média de desvio em relação aos valores do laboratório, e eles consistentemente superestimam as calorias. O erro médio assinado positivo de +6.3% significa que os rótulos, em média, afirmaram mais calorias do que o alimento realmente continha. Isso é consistente com pesquisas anteriores que mostram que os fabricantes tendem a arredondar para cima em vez de para baixo para se manter dentro das tolerâncias regulatórias da FDA e da UE.

A IA da Nutrola e o banco de dados do USDA apresentaram precisão geral comparável, com a Nutrola mostrando um MAPE marginalmente inferior (7.4% vs. 8.1%). A diferença não é estatisticamente significativa neste tamanho de amostra (p = 0.41, teste t pareado sobre erros absolutos). No entanto, o padrão de erros diferiu substancialmente entre as duas fontes, como revela a análise por categoria.

Precisão por Categoria de Refeição

Categoria (n=10 cada)	Nutrola IA MAPE	USDA MAPE	Label MAPE	Melhor Fonte
Alimentos embalados	6.2%	4.8%	9.7%	USDA
Alimentos inteiros simples	4.1%	3.2%	11.4%*	USDA
Pratos caseiros	7.9%	6.4%	N/A	USDA
Refeições de restaurantes	8.6%	14.2%	16.8%	Nutrola IA
Pratos internacionais	10.1%	15.7%	N/A	Nutrola IA

*Valores de rótulo para alimentos inteiros baseados em alegações por porção na embalagem (por exemplo, um saco de maçãs listando "95 kcal por maçã média").

Aqui a história fica interessante.

Para alimentos embalados e alimentos inteiros simples, o banco de dados do USDA é o vencedor. Isso faz sentido. Os dados do USDA são derivados de análises laboratoriais de itens alimentares padronizados. Quando você está comendo um ovo cozido simples ou uma banana crua, o valor do USDA é essencialmente um resultado de laboratório em si e se aproxima bastante das nossas descobertas independentes.

Para refeições de restaurantes e pratos internacionais, a IA da Nutrola supera tanto o USDA quanto as contagens de calorias publicadas por uma ampla margem. As refeições de restaurantes mostraram um MAPE do USDA de 14.2% em comparação com 8.6% da Nutrola. A razão é simples: os dados do USDA descrevem ingredientes idealizados, não o que uma cozinha de restaurante realmente coloca no prato. Uma estimativa baseada no USDA para "frango teriyaki com arroz" não pode levar em conta a quantidade específica de óleo que o chef usou, a espessura do molho ou o tamanho real da porção — mas um sistema de IA visual analisando o prato real à sua frente pode.

As 10 Maiores Surpresas

Essas refeições individuais produziram as maiores discrepâncias entre pelo menos uma fonte e o valor do laboratório:

Refeição	Laboratório (kcal)	Nutrola IA	Rótulo	USDA	Fonte do Maior Erro	Erro
Pad Thai de restaurante	738	692	520*	584	Rótulo	-29.5%
Lasanha "magra" congelada	412	388	310	395	Rótulo	-24.8%
Frango ao molho de manteiga com naan	943	874	N/A	716	USDA	-24.1%
Mistura de frutas embaladas (1 porção)	287	264	230	271	Rótulo	-19.9%
Salada Caesar caseira	486	421	N/A	347	USDA	-28.6%
Cheeseburger duplo de fast food	832	898	740	780	Rótulo	-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 japonês	891	824	N/A	648	USDA	-27.3%
Espaguete à bolonhesa (caseiro)	623	581	N/A	527	USDA	-15.4%

*Contagem de calorias publicada pelo restaurante.

Vários padrões emergem dos outliers:

As contagens de calorias publicadas por restaurantes são as menos confiáveis. O pad Thai listado com 520 kcal no menu do restaurante na verdade continha 738 kcal no laboratório — uma subestimação de 29.5%. Isso não é incomum. Um estudo de 2013 publicado no Journal of the American Medical Association descobriu que as refeições de restaurantes continham, em média, 18% mais calorias do que declarado, com algumas superando suas contagens publicadas em mais de 30%.

Os dados do USDA subestimam sistematicamente alimentos preparados densos em calorias. Frango ao molho de manteiga, bibimbap, ramen, bolonhesa e salada Caesar mostraram todos grandes erros negativos quando estimados por meio da pesquisa de ingredientes do USDA. O fio comum é a gordura de cozimento. As entradas do USDA para "óleo vegetal" ou "manteiga" são precisas por grama, mas a quantidade de gordura realmente usada no cozimento — especialmente em pratos de restaurantes e internacionais — é extremamente difícil de estimar sem medição direta. Um molho de salada Caesar caseiro pode conter 3-4 colheres de sopa de óleo que são quase invisíveis uma vez misturadas com a alface.

A IA da Nutrola tende a subestimar pratos ricos em gordura e a superestimar levemente alimentos simples. O erro assinado para refeições de restaurantes foi de -3.8% (leve subestimação), enquanto alimentos inteiros simples mostraram um erro assinado de +1.9% (leve superestimação). Isso sugere que a IA é um tanto conservadora ao estimar gorduras adicionadas — um desafio conhecido para qualquer sistema de estimativa visual, uma vez que o óleo absorvido durante a fritura não é visível na superfície.

Desvio Padrão e Consistência

A precisão bruta é importante, mas a consistência também. Uma fonte que erra por 5% toda vez é mais útil para rastrear tendências do que uma que erra por 0% metade do tempo e 30% a outra metade.

Fonte	Desv. Padrão dos Erros	Faixa (Erro Mínimo a Máximo)	% de Refeições Dentro de 10% do Laboratório
Nutrola IA	5.9%	-12.4% a +8.7%	74% (37/50)
Referência do USDA	6.7%	-28.6% a +4.1%	62% (31/50)
Rótulos Nutricionais	9.4%	-29.5% a +14.2%	53% (16/30)

A Nutrola IA apresentou o menor desvio padrão e a faixa de erro mais estreita entre todas as três fontes. 74% das estimativas da Nutrola ficaram dentro de 10% do valor do laboratório, em comparação com 62% para o USDA e 53% para os rótulos nutricionais. Essa vantagem de consistência significa que, mesmo quando a IA erra, tende a errar por uma quantidade previsível e pequena — o que é, sem dúvida, mais valioso para alguém que rastreia uma tendência calórica semanal do que uma precisão ocasional perfeita misturada com grandes erros.

Precisão na Análise de Macronutrientes

Também comparamos as estimativas de macronutrientes (proteínas, gorduras, carboidratos) com os valores do laboratório para um subconjunto de 20 refeições. Os resultados reforçam as descobertas sobre calorias:

Macronutriente	Nutrola IA MAPE	USDA MAPE	Label MAPE
Proteínas	8.2%	6.1%	10.8%
Gordura	11.4%	12.7%	14.1%
Carboidratos	6.8%	5.9%	9.3%

A estimativa de gordura é o ponto mais fraco entre todas as fontes. Isso é esperado: o conteúdo de gordura é o macronutriente mais difícil de avaliar visualmente (para IA) e o mais variável na preparação (para bancos de dados). Uma colher de sopa a mais ou a menos de óleo de cozinha adiciona cerca de 14 gramas de gordura e 120 calorias, e nem uma câmera nem uma entrada de banco de dados podem capturar totalmente essa variabilidade.

Principais Descobertas

1. Rótulos Nutricionais Usam Sua Tolerância Regulatória — Generosamente

Nos Estados Unidos, a FDA permite que os rótulos nutricionais se desviem em até 20% do valor declarado para calorias, e o rótulo é considerado conforme desde que o valor real não exceda o rótulo em mais de 20%. A União Europeia aplica um quadro de tolerância semelhante. Nossos dados sugerem que os fabricantes estão bem cientes dessa tolerância e a utilizam estrategicamente.

Entre os 20 alimentos embalados e refeições de restaurantes rotuladas em nosso estudo, 14 (70%) subestimaram as calorias em relação ao valor do laboratório. A subestimação média foi de 8.9%. Apenas 4 refeições (20%) superestimaram as calorias, e 2 estavam dentro de 2% do valor do laboratório.

Esse viés direcional não é acidental. Subestimar calorias faz um produto parecer "mais leve" e mais atraente para consumidores preocupados com a saúde. Uma refeição congelada que afirma ter 310 kcal, mas na verdade contém 412 kcal (como encontramos com uma lasanha "magra"), pode se posicionar no corredor de alimentos para dietas enquanto entrega substancialmente mais energia do que o anunciado.

Para quem depende de rótulos para manter um déficit calórico, essa subestimação sistemática é um problema sério. Se seus rótulos estão errados em média em -8.9%, e você consome três refeições rotuladas por dia com um alvo de 1,800 kcal, você pode estar consumindo aproximadamente 1,960 kcal — o suficiente para reduzir quase pela metade seu déficit calórico pretendido de 500 calorias.

2. Dados do USDA Excelentes para Ingredientes Crus, Lutam com Alimentos Preparados

O banco de dados USDA FoodData Central é um recurso notável. Para alimentos simples e não processados — uma banana, um peito de frango, uma xícara de arroz — é extremamente preciso. Nossos dados mostraram um MAPE de apenas 3.2% para alimentos inteiros simples, que é quase tão bom quanto medições laboratoriais repetidas.

Mas no momento em que o cozimento começa, a precisão do USDA degrada. Para pratos caseiros, o MAPE subiu para 6.4%. Para refeições de restaurantes, saltou para 14.2%. Para pratos internacionais, alcançou 15.7%.

O problema não é o banco de dados em si, mas a lacuna entre as entradas do banco de dados e a preparação do mundo real. Uma entrada do USDA para "vegetais salteados" assume uma quantidade específica de óleo, um tempo de cozimento específico e uma mistura específica de vegetais. Seu salteado — ou aquele servido no seu restaurante tailandês local — pode usar o dobro do óleo, incluir vegetais mais gordurosos e vir em uma porção maior. O banco de dados não pode contabilizar essas variações; ele pode apenas descrever uma média.

Isso tem implicações para rastreadores manuais que se orgulham de fazer registros "precisos" pesando ingredientes e pesquisando-os em bancos de dados. Essa abordagem funciona bem para refeições simples preparadas em casa com ingredientes medidos. Ela se quebra ao comer fora, pedir comida ou cozinhar receitas onde as quantidades de gordura são aproximadas.

3. A Estimativa Fotográfica por IA é Mais Precisa do que o Esperado — Especialmente para Refeições do Mundo Real

Antes de realizar este estudo, nossa suposição interna era que a IA da Nutrola teria um bom desempenho para alimentos simples e um desempenho ruim para refeições complexas. Os dados apoiaram parcialmente e contradisseram parcialmente isso.

Como esperado, o melhor desempenho da IA foi em alimentos inteiros simples (4.1% MAPE). Uma banana parece uma banana, e os dados de treinamento da IA incluem milhares de imagens de bananas com pesos e valores calóricos conhecidos.

O que nos surpreendeu foi o desempenho relativo da IA em refeições de restaurantes e pratos internacionais. Com 8.6% e 10.1% de MAPE, respectivamente, a Nutrola superou significativamente a abordagem baseada no USDA (14.2% e 15.7%). A IA parece ter se beneficiado de várias vantagens nessas categorias:

• Estimativa do tamanho da porção a partir de pistas visuais. A IA usa o prato, a tigela e os utensílios como objetos de referência para estimar o volume dos alimentos, o que captura a porção real servida em vez de uma "porção padrão" assumida.
• Detecção de molhos e coberturas. O modelo é treinado para identificar molhos visíveis, glaces, queijo derretido e outras coberturas densas em calorias que uma pesquisa de banco de dados pode perder.
• Calibração específica da culinária. Os dados de treinamento da Nutrola incluem dezenas de milhares de imagens rotuladas de restaurantes e culinárias internacionais, permitindo que o modelo aprenda padrões específicos de culinária (por exemplo, que uma tigela de ramen geralmente contém mais gordura do que sua aparência de caldo sugere).

Dito isso, a IA não foi perfeita. Seus momentos mais fracos ocorreram com gorduras ocultas — óleo absorvido em alimentos fritos, manteiga derretida em molhos e creme misturado em sopas. Essas calorias estão fisicamente presentes, mas visualmente indetectáveis, e representam um teto difícil para o que qualquer sistema baseado em câmera pode alcançar sem entrada adicional do usuário.

4. Os Culpados Ocultos das Calorias

Em todas as 50 refeições, a maior fonte de erro de estimativa — para todos os métodos, incluindo a IA — foi a gordura de cozimento adicionada. Óleo, manteiga, ghee, creme e outras gorduras usadas durante a preparação representaram a maioria das grandes discrepâncias.

Considere a salada Caesar caseira. Nosso laboratório mediu 486 kcal. A estimativa baseada no USDA ficou em 347 kcal — uma subestimação de 28.6%. A lacuna foi quase inteiramente atribuível ao molho: um molho Caesar feito do zero contendo azeite, gema de ovo, parmesão e pasta de anchova. A estimativa do USDA usou uma quantidade "padrão" de molho, mas a porção real foi significativamente mais generosa.

Da mesma forma, o frango ao molho de manteiga apresentou 943 kcal no laboratório em comparação com 716 kcal do USDA — uma falha de 24.1% impulsionada pela quantidade de manteiga e creme na receita do restaurante, que superou em muito as quantidades assumidas nas entradas padrão do banco de dados.

Essas descobertas ecoam um princípio bem estabelecido na ciência da nutrição: a gordura é o macronutriente mais denso em calorias (9 kcal/g vs. 4 kcal/g para proteínas e carboidratos) e o mais difícil de estimar com precisão. Pequenos erros na estimativa de gordura produzem grandes erros calóricos. Uma única colher de sopa de óleo não contabilizada por qualquer método de estimativa adiciona 119 calorias não contabilizadas.

O Que Isso Significa para Rastreadores do Dia a Dia

Se você está rastreando calorias para gerenciar seu peso, essas descobertas têm várias implicações práticas:

Não assuma que seu rótulo é a verdade absoluta. Rótulos nutricionais são pontos de partida úteis, mas podem subestimar o conteúdo calórico real em 10-20% ou mais, especialmente para refeições embaladas e contagens publicadas por restaurantes. Se sua perda de peso estagnou e você está comendo "exatamente" o que os rótulos dizem, esse excesso oculto pode ser a explicação.

Pesquisas do USDA são mais confiáveis para refeições simples e caseiras. Se você cozinha em casa, pesa seus ingredientes e usa principalmente alimentos inteiros, uma abordagem de rastreamento baseada no USDA pode ser altamente precisa. Quanto mais complexas e influenciadas por restaurantes forem suas refeições, menos confiável essa abordagem se torna.

O rastreamento por foto com IA oferece o melhor equilíbrio para a alimentação do mundo real. Para pessoas que consomem uma mistura de refeições caseiras, de restaurantes e embaladas — o que descreve a maioria dos adultos — um sistema baseado em IA como o Nutrola oferece a precisão mais consistente entre as categorias. Ele não superará uma pesquisa cuidadosa do USDA para um peito de frango simples, mas superará significativamente essa abordagem para o pad Thai que você pediu em uma noite de sexta-feira.

Sempre desconfie de refeições ricas em gordura. Independentemente do seu método de rastreamento, pratos que envolvem fritura, molhos pesados, creme, manteiga ou queijo são os mais propensos a serem subestimados. Quando em dúvida, adicione uma pequena margem (50-100 kcal) para refeições que parecem ou têm gosto de serem ricas. No Nutrola, você também pode ajustar manualmente a estimativa da IA após a revisão, e o sistema aprende com suas correções ao longo do tempo.

A consistência é mais importante do que a perfeição. Nossos dados mostraram que a maior vantagem da Nutrola não estava na precisão média, mas na consistência — o menor desvio padrão e a maior porcentagem de estimativas dentro de 10% dos valores do laboratório. Para rastreamento a longo prazo, um sistema que está consistentemente errado em 5-7% é muito mais útil do que um que é às vezes perfeito e às vezes errado em 25%. Um viés consistente pode ser contabilizado; erro errático não pode.

Limitações

Queremos ser transparentes sobre as limitações deste estudo:

• Tamanho da amostra. Cinquenta refeições são suficientes para identificar padrões, mas não grandes o suficiente para conclusões estatísticas definitivas em cada subcategoria. Cada categoria continha apenas 10 refeições. Estudos maiores aumentariam a confiança nas descobertas por categoria.
• Região geográfica única. Todas as refeições foram obtidas na Irlanda. Os tamanhos das porções de restaurantes, práticas de cozimento e fornecimento de ingredientes variam de país para país e até mesmo de cidade para cidade. Os resultados podem diferir em outras regiões.
• Único sistema de IA testado. Testamos apenas a IA da Nutrola. Outros rastreadores de calorias baseados em IA podem ter desempenhos diferentes. Incentivamos produtos concorrentes a realizar e publicar análises semelhantes.
• Condições de foto. Todas as fotos foram tiradas por membros da equipe que estão familiarizados com as melhores práticas de fotografia de alimentos. Um usuário típico tirando uma foto apressada em má iluminação pode experimentar uma precisão da IA um pouco menor.
• A calorimetria de bomba mede energia bruta. Embora correções tenham sido aplicadas para energia metabolizável, diferenças individuais na digestão e absorção significam que as "verdadeiras" calorias que uma pessoa extrai de um alimento podem diferir do valor do laboratório em vários por cento.

Conclusão

O número de calorias no seu prato é sempre uma estimativa — mas nem todas as estimativas são criadas iguais.

Os rótulos nutricionais, apesar de sua aparência oficial, são a fonte menos precisa que testamos, com uma tendência sistemática a subestimar as calorias. Os dados do USDA são excelentes para alimentos simples, crus e preparados em casa, mas lutam com a realidade confusa do cozimento em restaurantes e da culinária internacional. O rastreamento por foto baseado em IA, como implementado na Nutrola, oferece o desempenho mais consistente em toda a gama de alimentos que as pessoas realmente consomem, com uma precisão geral de 7.4% de desvio absoluto médio em relação aos valores do laboratório.

Nenhum método de rastreamento é perfeito. Os alimentos que enganam a IA também enganam os bancos de dados e os rótulos — pratos com muito molho, ricos em óleo e refeições com múltiplos componentes continuam sendo os mais difíceis de estimar para qualquer sistema. Mas para o rastreador do dia a dia que deseja uma maneira confiável e de baixo esforço para entender o que está comendo, os dados sugerem que uma IA bem treinada olhando para o seu prato real chega mais perto da verdade do que um rótulo impresso em uma fábrica ou uma entrada de banco de dados escrita para uma receita idealizada.

A Nutrola é construída sobre o princípio de que a precisão não deve exigir esforço. Você tira uma foto, e a IA faz o trabalho. Este estudo foi nossa maneira de nos responsabilizarmos por essa promessa — e de compartilhar os resultados, incluindo nossas fraquezas, com as pessoas que confiam em nós para seus dados nutricionais.

Se você quiser experimentar a Nutrola por si mesmo, os planos começam em €2.50 por mês, sem anúncios em nenhum nível. Preferimos conquistar sua confiança com dados precisos do que vender sua atenção para anunciantes.

As tabelas de dados brutos deste estudo estão disponíveis mediante solicitação para pesquisadores, jornalistas e nutricionistas que desejam realizar sua própria análise. Entre em contato conosco pelo e-mail research@nutrola.com.