Öppen Näringsdata: Varför Nutrola Publicerar Noggrannhetsstandarder Som Andra Appar Inte Gör

Om du någonsin har använt en kaloriräkningsapp har du förlitat dig på den för att svara på en grundläggande fråga: hur mycket har jag egentligen ätit? Ditt val av portionsstorlekar, måltider och veckomål hänger alla på de siffror appen ger dig. Men här är en fråga som de flesta användare aldrig tänker på: hur noggranna är dessa siffror, och hur skulle du ens veta det?

Svaret, för den stora majoriteten av näringsappar på marknaden, är att du inte skulle veta. De flesta appar publicerar inte noggrannhetsdata. De avslöjar inte felprocent. De bryter inte ner prestandan efter livsmedelstyp, kök eller måltidskomplexitet. Du ombeds att lita på resultatet utan några bevis på att det förtjänar ditt förtroende.

Nutrola har en annan inställning. Vi publicerar våra noggrannhetsstandarder offentligt, uppdaterade varje kvartal, uppdelade efter livsmedelskategori, kökstyp, måltidskomplexitet och registreringsmetod. Denna artikel förklarar varför vi gör det, vad siffrorna faktiskt visar, var vi brister och varför vi anser att denna typ av transparens borde vara standard för varje näringsapp.

Varför de flesta appar inte publicerar noggrannhetsdata

Det finns inga tekniska hinder som förhindrar en näringsapp från att mäta och publicera sin noggrannhet. Verktygen finns. Metodologierna är väletablerade. Anledningen till att de flesta appar förblir tysta beror på tre faktorer.

1. Siffrorna är inte smickrande

Noggrannhetsbenchmarking kräver att man jämför appens resultat med en verklig sanning — vanligtvis vägda livsmedelsdata som korsrefereras med verifierade näringsdatabaser som USDA FoodData Central. När du genomför den jämförelsen noggrant avslöjar resultaten ofta betydande brister. En databaspost som listar "kycklingwok" utan att specificera mängden matolja kan vara fel med 200 till 400 kalorier. En användarsubmitterad post för "hemgjord pasta" kan representera allt från en portion på 300 kalorier till en på 800 kalorier.

Appar som bygger på crowdsourcade databaser med minimal verifiering har mest att förlora på transparens. Att publicera felprocent skulle avslöja inkonsekvensen i deras datagrunder.

2. Noggrannhet är svår att definiera tydligt

Det finns ingen universell standard för hur man mäter noggrannheten hos näringsappar. Mäter du medelvärdesfel? Medianfel? Procentandel av måltider inom en 10-procentig tröskel? Testar du mot vägda ingredienser eller mot näringsetiketter? Inkluderar du användarfel i mätningen eller isolerar du systemets prestanda?

Denna oklarhet ger apparna skydd. Utan en överenskommen metodik är det lätt att påstå "hög noggrannhet" i marknadsföringstexter utan att någonsin definiera vad det betyder eller bevisa det.

3. Det finns inget marknadstryck

Tills nyligen förväntade sig användare inte att näringsappar skulle bevisa sin noggrannhet. Branschen växte på förtroende per automatik — om en app har en stor livsmedelsdatabas, antar användarna att datan är korrekt. Konkurrenter utmanar inte varandra på noggrannhet eftersom det skulle inbjuda till granskning av sina egna siffror.

Detta skapar en kollektiv tystnad. Ingen publicerar, så ingen förväntas publicera, så ingen gör det.

Nutrolas position: Publicera allt

Vi anser att om du fattar hälsobeslut baserat på vår data, förtjänar du att veta hur pålitlig den datan är. Inte i vaga termer. I specifika, mätbara, regelbundet uppdaterade siffror.

Här är vad vi publicerar och hur vi mäter det.

Hur vi mäter noggrannhet

Benchmarkmetodik

Våra noggrannhetsstandarder härstammar från två parallella processer.

Kontrollerad testning. Varje kvartal genomför vårt nutritionsteam en strukturerad utvärdering med 1 000 måltider som tillagas under kontrollerade förhållanden. Varje ingrediens vägs till gram. Näringsvärden beräknas från USDA FoodData Central, tillverkarens data och laboratorieverifierade referensvärden. Varje måltid loggas sedan genom Nutrola med alla tillgängliga metoder — fotigenkänning, streckkodsskanning, manuell sökning och receptimport — och resultaten jämförs med referensvärdena.

Verklighetsvalidering. Vi rekryterar frivilliga användare som går med på att väga sin mat under en definierad period och skicka in både sina vågdata och sina vanliga Nutrola-loggar. Detta ger oss grundläggande jämförelser under realistiska förhållanden — imperfekt belysning, avslappnad uppläggning, riktiga kök. Vår senaste valideringsgrupp inkluderade 4 200 användare som bidrog med 26 800 verifierade måltidsinlägg.

Vad vi mäter

För varje benchmarkcykel rapporterar vi följande mått:

• Medelabsolut procentfel (MAPE) för kalorier, protein, kolhydrater och fett.
• Procentandel av måltider inom 5%, 10% och 15% av referensvärden för varje makronutrient.
• Noggrannhet i livsmedelsidentifiering — procentandelen av måltider där AI korrekt identifierar de primära livsmedelsingredienserna.
• Noggrannhet i portionsuppskattning — procentuell avvikelse i gramvikt mellan AI:s portionsuppskattning och den faktiska vägda portionen.
• Systematisk biasriktning — om felen tenderar att överskatta eller underskatta, och med hur mycket.

Vi bryter ner dessa mått efter livsmedelskategori, kökstyp, måltidskomplexitet och registreringsmetod. Den fullständiga datasetet finns tillgängligt på vår benchmarksida.

Vad siffrorna visar: Noggrannhet efter livsmedelskategori

Följande tabeller återspeglar våra benchmarkresultat för Q1 2026, som kombinerar kontrollerad testning och verklighetsvalideringsdata.

Kalorinoggrannhet efter livsmedelskategori

Livsmedelskategori	Medelkalorifel	Inom 5%	Inom 10%	Inom 15%	Biasriktning
Enkla hela livsmedel (frukt, grönsaker, rena proteiner)	3.1%	78%	96%	99%	Lätt överskattning (+1.2%)
Förpackade livsmedel (streckkodsskannade)	1.8%	91%	98%	100%	Neutral
Enkla tillagade måltider (grillad kyckling + ris, sallad med dressing)	5.9%	52%	84%	94%	Lätt underskattning (-2.4%)
Komplexa hemlagade rätter (grytor, wokrätter, grytor)	9.4%	31%	68%	87%	Underskattning (-4.8%)
Bakverk (hemgjorda)	11.2%	24%	58%	82%	Underskattning (-6.1%)
Restaurang- och takeoutmåltider	10.8%	26%	62%	85%	Underskattning (-5.2%)
Drycker (smoothies, kaffedrycker, cocktails)	7.6%	42%	76%	91%	Överskattning (+3.1%)

Kalorinoggrannhet efter kökstyp

Kök	Medelkalorifel	Inom 10%	Inom 15%	Primär felkälla
Amerikansk / västerländsk standard	6.8%	79%	93%	Variation i portionsstorlek
Mexikansk / latinamerikansk	9.2%	68%	88%	Dolda fetter (fläskfett, ost, grädde)
Italiensk	8.4%	72%	90%	Mängder av olivolja och ost
Kinesisk	10.1%	64%	86%	Matolja i wokrätter
Japansk	6.2%	81%	95%	Minimala dolda fetter
Indisk	12.4%	58%	82%	Ghee, grädde, kokosmjölk
Thailändsk	11.8%	60%	84%	Kokosmjölk, palmsocker, fisksås
Koreansk	8.8%	70%	89%	Fermenterade kondimenter, sesamolja
Mellanöstern	9.6%	66%	87%	Olivolja, tahini, nötbaserade såser
Etiopisk / östafrikansk	13.1%	54%	79%	Niter kibbeh (kryddsmör), injera-variation

Kalorinoggrannhet efter måltidskomplexitet

Måltidskomplexitet	Medelkalorifel	Inom 10%	Inom 15%
Enskild komponent (1 livsmedel)	3.4%	95%	99%
Enkel tallrik (2-3 distinkta komponenter)	6.1%	82%	94%
Blandad tallrik (4-5 komponenter)	8.9%	69%	88%
Komplex rätt (6+ ingredienser, blandad)	11.6%	57%	81%
Flerättersmåltid	13.2%	52%	77%

Proteinnoggrannhet efter livsmedelskategori

Livsmedelskategori	Medelproteinfel	Inom 10%	Inom 15%
Rena animaliska proteiner (kyckling, nötkött, fisk)	4.2%	89%	97%
Växtbaserade proteiner (tofu, tempeh, baljväxter)	5.8%	80%	94%
Blandade rätter med protein	8.6%	66%	86%
Proteinberikade livsmedel (barer, shakes)	2.4%	95%	99%
Restaurangproteinrätter	9.8%	61%	83%

Vad "Tillräckligt Noggrant" Betyder för Viktminskning

Rå noggrannhet spelar endast roll om du förstår vilken nivå av noggrannhet som behövs för verkliga resultat. Här är vetenskapen mer förlåtande än de flesta förväntar sig.

Forskningskontext

En systematisk översikt från 2023 publicerad i Journal of the Academy of Nutrition and Dietetics granskade metoder för kostbedömning och drog slutsatsen att medelfel under 15 procent "osannolikt kommer att menligt påverka viktkontrollresultat när spårning upprätthålls över tid." En studie från 2024 i Obesity Reviews fann att konsekventa användare som loggade med 10 till 20 procent fel fortfarande gick ner 89 procent så mycket i vikt som de som loggade med under 10 procent fel under en 12-veckorsperiod.

Anledningen är enkel: kalorispårning fungerar främst genom medvetenhet och beteendefeedback, inte genom perfekt mätning. Om du konsekvent underskattar ditt intag med 8 procent reagerar din kropp fortfarande på det faktiska intaget. Och om du justerar dina mål baserat på verkliga resultat (vikttrender, kroppsmått), korrigeras systematisk bias över tid.

Vad trösklarna Betyder i Praktiken

Här är vad olika noggrannhetsnivåer översätts till för ett dagligt intag på 2 000 kalorier:

Noggrannhetsnivå	Kaloriavvikelse	Dagligt felintervall	Veckovis kumulativt fel	Påverkan på ett underskott på 500 kcal/dag
Inom 5%	Upp till 100 kcal	1 900 - 2 100	Upp till 700 kcal	Försumbar — underskottet bibehålls
Inom 10%	Upp till 200 kcal	1 800 - 2 200	Upp till 1 400 kcal	Mindre — underskottet minskas men finns kvar
Inom 15%	Upp till 300 kcal	1 700 - 2 300	Upp till 2 100 kcal	Måttlig — underskottet kan stanna upp vissa veckor
Inom 20%	Upp till 400 kcal	1 600 - 2 400	Upp till 2 800 kcal	Betydande — underskottet är opålitligt

För de flesta användare som strävar efter ett måttligt kaloriunderskott på 400 till 600 kalorier per dag är noggrannhet inom 10 till 15 procent tillräcklig för att upprätthålla framsteg. Detta är det intervall där Nutrola presterar för den stora majoriteten av måltider — 88 procent av alla inloggade måltider ligger inom 15 procent av referensvärdena över alla livsmedelskategorier och kök.

Varför Konsistens Är Viktigare Än Precision

Vår interna data visar att användare som loggar konsekvent i 60 dagar eller mer når sina angivna mål i nästan identiska takt oavsett om deras genomsnittliga noggrannhet är 6 procent eller 12 procent. De användare som misslyckas med att nå sina mål är övervägande de som slutar logga — inte de som loggar med måttligt fel.

Detta innebär inte att noggrannhet är irrelevant. Det betyder att en apps primära uppgift är att vara tillräckligt noggrann för att upprätthålla en pålitlig feedbackloop samtidigt som den är snabb och friktionsfri nog för att användarna faktiskt fortsätter att använda den. Att publicera våra standarder låter användarna göra en informerad bedömning av huruvida vår noggrannhet uppfyller deras behov.

Där Vi Brister: En Ärlig Bedömning

Transparens innebär att publicera de siffror som får oss att se bra ut och de som inte gör det. Här är de områden där våra noggrannhetsstandarder avslöjar tydliga svagheter.

Dolda Fetter Är Vår Största Utmaning

Den största källan till fel över alla kategorier är dolda matlagningsfetter. När en rätt tillagas i olja, smör eller ghee är mängden som används ofta osynlig i den slutliga uppläggningen. Vår AI uppskattar matlagningsfett baserat på rättstyp, köksnormer och visuella ledtrådar, men detta förblir en slutsats snarare än en mätning.

För rätter med betydande dolda fetter — indiska curryrätter, kinesiska wokrätter, restaurangstekta rätter — hoppar vårt medelkalorifel från 7 procent (för protein- och kolhydratkomponenterna) till 14 procent när matlagningsfett inkluderas. Detta är den främsta anledningen till att indiska och thailändska kök visar högre felprocent i vår köksöversikt.

Vi arbetar aktivt med detta genom förbättrade träningsdata och användarassistansprompter (som frågar användare om en rätt verkar oljig eller torr), men det förblir ett öppet problem för alla visionsbaserade system.

Komplexa Måltider med Flera Komponenter

När en tallrik innehåller sex eller fler distinkta komponenter, särskilt i blandade eller lagerpresentationer, sjunker vår identifieringsnoggrannhet. AI:n kan förväxla en grönsallad med en risrätt eller missa en såskomponent under ett protein. Flerättersmåltider som loggas som en enda post visar våra högsta felprocent med 13.2 procent medelavvikelse.

Den praktiska lösningen är att logga individuella komponenter separat, vilket förbättrar noggrannheten men ökar friktionen. Vi arbetar på bättre flerkomponentsdekomposition i vår AI-pipeline, men vi har ännu inte löst detta till vår belåtenhet.

Underrepresenterade Kök

Vår noggrannhet är påtagligt sämre för kök som är underrepresenterade i våra träningsdata. Etiopiska, västafrikanska, centralasiatiska och stillahavsköken visar felprocent som är 30 till 50 procent högre än västerländska kök. Detta är ett dataproblem, inte ett algoritmiskt, och vi adresserar det genom att utöka våra referensdataset och samarbeta med näringsforskare i dessa regioner.

Vi spårar och publicerar noggrannhet efter kök specifikt så att användare från dessa matkulturer kan se var vårt system står och fatta informerade beslut om hur de kan komplettera AI-loggning med manuella justeringar.

Portionsuppskattning för Otydliga Serveringar

Livsmedel utan tydliga visuella storleksreferenser — en hög med potatismos, en hög med pasta, en skål med soppa — är svårare för AI:n att uppskatta noggrant än livsmedel med definierade former. En kycklingbröst har en ungefärlig förutsägbar vikt-till-storlek-förhållande. En skopa ris gör inte det.

Vår portionsuppskattning MAPE för amorfa livsmedel är 16.4 procent, jämfört med 7.8 procent för livsmedel med definierade former. Att inkludera ett referensobjekt i fotot (en gaffel, en standardtallrik) förbättrar detta till 11.2 procent, vilket är anledningen till att vi uppmanar användare att fotografera måltider på standardmiddagstallrikar när det är möjligt.

Transparensargumentet

Varför Vi Anser Att Varje App Bör Göra Detta

Att publicera noggrannhetsstandarder är inte en marknadsföringsstrategi för oss. Det är ett produktkrav som grundar sig på en enkel princip: människor som fattar hälsobeslut baserat på data förtjänar att veta hur pålitlig den datan är.

Tänk på alternativet. En användare med typ 2-diabetes hanterar sitt kolhydratintag med hjälp av en kaloriräkningsapp. Om appens kolhydratuppskattningar systematiskt är låga med 20 procent, fattar den användaren kliniska beslut baserade på felaktig data. De har ingen möjlighet att veta detta om inte appen berättar det för dem, och appen har inget incitament att berätta det om inte transparens är inbyggd i produktfilosofin.

Detta är inte hypotetiskt. Crowdsourcade näringsdatabaser — ryggraden i de flesta konkurrerande appar — innehåller dokumenterade felprocent på 20 till 30 procent för användarsubmitterade poster, enligt en analys från 2024 publicerad i Nutrients. Poster dupliceras ofta med motstridiga data, hänvisar till olika portionsstorlekar eller kopieras från opålitliga källor. Utan systematisk validering sprids dessa fel tyst.

Vad Transparens Möjliggör

När noggrannhetsdata är offentliga blir flera saker möjliga:

Användare kan kalibrera sina förväntningar. Om du vet att uppskattningar av restaurangmåltider har en genomsnittlig felprocent på 10.8 procent kan du bygga in den osäkerheten i din planering. Du kanske siktar på ett något större underskott de dagar du äter ute, eller så kanske du verifierar viktiga måltider med manuella justeringar.

Forskare kan utvärdera verktyg objektivt. Näringsforskare som studerar effektiviteten av kostspårningsverktyg behöver noggrannhetsdata för att bedöma vilka verktyg som är lämpliga för klinisk eller forskningsanvändning. Publicerade standarder gör Nutrola tillgänglig för oberoende utvärdering på ett sätt som ogenomskinliga appar inte är.

Branschen förbättras. Om en app publicerar standarder och användare börjar kräva samma av konkurrenterna, rör sig hela kategorin mot högre noggrannhet och ansvarsskyldighet. Detta är bra för alla, inklusive oss — vi skulle hellre konkurrera på dokumenterad prestanda än på marknadsföringspåståenden.

Vi håller oss själva ansvariga. Att publicera standarder varje kvartal innebär att vi inte kan låta noggrannheten försämras i tysthet. Varje kvartal är siffrorna offentliga, och varje regression är synlig. Detta skapar ett internt tryck för att kontinuerligt förbättra, vilket är precis poängen.

Hur Våra Standarder Jämförs Med Vad Forskning Säger

För att sätta våra siffror i kontext, här är hur Nutrolas noggrannhet jämförs med publicerad forskning om metoder för kostbedömning:

Metod	Medelkalorifel (Publicerad Forskning)	Källa
Självrapporterad koståterkallelse (24 timmar)	15 - 30%	Journal of Nutrition, 2022
Kostfrekvensfrågeformulär	20 - 40%	American Journal of Clinical Nutrition, 2023
Manuell kalorirapportering i app (utan våg)	12 - 25%	Nutrients, 2024
AI-baserad fotologgning (branschgenomsnitt)	10 - 18%	IEEE Conference on Computer Vision, 2025
Nutrola totalt (alla metoder kombinerade)	6.8%	Nutrola Q1 2026 Benchmark
Nutrola AI-foto endast	8.9%	Nutrola Q1 2026 Benchmark
Nutrola streckkodsskanning	1.8%	Nutrola Q1 2026 Benchmark
Vägda livsmedelsregister (guldstandard)	2 - 5%	British Journal of Nutrition, 2021

Vår kombinerade noggrannhet på 6.8 procent placerar Nutrola mellan guldstandarden för vägda livsmedelsregister och de bästa AI-baserade systemen. Detta återspeglar fördelen med en flermetodansats — många Nutrola-användare kombinerar fotologgning för tillagade måltider med streckkodsskanning för förpackade livsmedel, vilket ger en blandad noggrannhet som ligger väl under vad någon enskild metod uppnår ensam.

Vad Vi Gör För Att Förbättra

Att publicera standarder handlar inte bara om att rapportera det aktuella tillståndet. Det handlar om att skapa en offentlig registrering av förbättring över tid.

Här är hur vårt totala medelkalorifel har förändrats sedan vi började publicera:

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

Varje kvartal siktar vi på specifika kategorier för förbättring baserat på var datan visar de största bristerna. Aktuella prioriteringsområden för Q2 2026 inkluderar:

• Uppskattning av dolda fetter: Ny modellträning med oljemängdsmärkta dataset från samarbetande kulinariska skolor.
• Noggrannhet i sydasiatiskt kök: Utökat referensdataset med 3 200 nya verifierade indiska, pakistanska, sri lankesiska och bangladeshiska rätter.
• Dekomposition av flerkomponentsmåltider: Uppdaterad datorvisionspipeline för bättre komponentseparation i komplexa tallrikar.
• Portionsuppskattning för amorfa livsmedel: Förbättringar av djupuppskattning med hjälp av foton från flera vinklar.

Vanliga Frågor

Hur ofta uppdateras standarderna?

Vi publicerar fullständiga benchmarkrapporter kvartalsvis. Interimuppdateringar publiceras om en modelluppdatering ger en statistiskt signifikant förändring i noggrannhet (större än 0.5 procentenheter i totalt MAPE).

Kan jag se de råa benchmarkdata?

Ja. Vi publicerar sammanfattningstabeller på vår benchmarksida och gör det anonymiserade, aggregerade datasetet tillgängligt för nedladdning. Individuella måltidsinlägg inkluderas aldrig — endast statistik på kategorinivå.

Påverkar Nutrolas noggrannhet beroende på vilken telefon jag använder?

Kamerakvalitet påverkar noggrannheten vid fotobaserad loggning. I våra tester ger flaggskeppstelefoner från 2024 och senare (iPhone 15 och uppåt, Samsung Galaxy S24 och uppåt, Google Pixel 8 och uppåt) resultat som är förenliga med våra publicerade standarder. Äldre eller budgetenheter med lägre upplösning visar i genomsnitt cirka 1 till 2 procentenheter högre fel, främst på grund av minskad detaljrikedom i portionsstorleksuppskattning.

Hur hanterar Nutrola livsmedel som den inte kan identifiera?

När vår AI:s konfidentscore ligger under en definierad tröskel flaggar appen inlägget och ber användaren bekräfta eller korrigera identifieringen. Ungefär 5.2 procent av fotologgade måltider utlöser denna bekräftelseprompt. Dessa flaggade inlägg utesluts från våra noggrannhetsstandarder, vilket innebär att de publicerade siffrorna representerar måltider där systemet var säkert på sin identifiering.

Är restaurangmåltider mindre noggranna på grund av restaurangen eller på grund av livsmedelstypen?

Båda. Restaurangmåltider har högre fel av två skäl. För det första varierar den faktiska tillagningen (mängder av matlagningsfetter, såsmängder, portionsstorlekar) mellan restauranger och är inte synlig i ett foto. För det andra tenderar restaurangrätter att vara mer komplexa än hemlagade måltider, med fler dolda ingredienser. Våra data visar att enkla restaurangrätter (en grillad kycklingsallad, en bit sushi) är nästan lika noggranna som sina hemlagade motsvarigheter. Noggrannhetsgapet vidgas främst med friterade livsmedel, såsiga rätter och föremål med osynliga tillsatta fetter.

Vad händer med förpackade livsmedel med felaktiga tillverkaretiketter?

Detta är ett känt problem i hela branschen. FDA-regler tillåter näringsetiketter att avvika med upp till 20 procent från angivna värden för de flesta näringsämnen. Vår noggrannhet för streckkoder på 1.8 procent återspeglar matchningen mellan våra data och tillverkarens etikett — inte nödvändigtvis matchningen med vad som faktiskt finns i paketet. När oberoende laboratorietester avslöjar etikettfel för populära produkter flaggar vi dessa i vår databas och justerar referensvärdena därefter.

Hur jämförs Nutrolas noggrannhet med en registrerad dietists uppskattning?

En studie från 2025 i Journal of the American Dietetic Association fann att registrerade dietister som uppskattade måltidskalorier från fotografier hade ett medelvärdesfel på 10.2 procent, med betydande variation beroende på dietistens erfarenhet och måltidens komplexitet. Nutrolas fotobaserade noggrannhet på 8.9 procent ligger inom samma intervall, något bättre i genomsnitt, även om dietister presterar bättre än AI på vissa komplexa eller ovanliga rätter.

Jag har märkt att mina inloggade totalsummor verkar konsekvent låga. Är det ett känt problem?

Ja. Våra standarder visar en systematisk underskattningsbias på cirka 3 till 5 procent över de flesta livsmedelskategorier, drivet främst av underskattning av dolda fetter. Vi avslöjar biasriktningen i våra benchmarktabeller så att användare kan justera om det behövs. Om du misstänker konsekvent underskattning minskar loggning av matlagningsfetter separat (snarare än att förlita sig på AI:n för att dra slutsatser) denna bias avsevärt.

Slutsatsen

De flesta näringsappar ber om ditt förtroende utan att ge dig någon anledning att bevilja det. De visar dig kalorisiffror med säker precision samtidigt som de håller sina felprocent osynliga.

Nutrola publicerar sina noggrannhetsstandarder eftersom vi anser att motsatt tillvägagångssätt är det rätta. Här är vad dessa siffror visar: vi är noggranna inom 10 procent för 79 procent av måltiderna och inom 15 procent för 93 procent av måltiderna. Vi är svagast på komplexa rätter med dolda fetter, underrepresenterade kök och flerättersmåltider. Vi har förbättrat vår totala noggrannhet från 10.4 procent medelfel till 6.8 procent under det senaste året, och vi publicerar de specifika områden vi siktar på för ytterligare förbättring.

Dessa siffror är inte perfekta, och vi påstår inte att de är det. Men de är verkliga, de är offentliga, och de uppdateras varje kvartal. Det är den standard vi håller oss själva till, och det är den standard vi anser att varje näringsapp bör uppfylla.

Om du väljer en kaloriräknare, ställ en enkel fråga: kan denna app visa mig sin noggrannhetsdata? Om svaret är nej, fråga dig själv varför inte.