Vi skickade 50 måltider till ett laboratorium och testade AI mot etiketter och USDA-data för kalori noggrannhet

Varje kalorinummer du någonsin har läst är en uppskattning. Näringsetiketten på din proteinbar, USDA-posten för "grillad kycklingbröst", numret som din tracking-app spottar ut när du tar en bild av din lunch — alla dessa är approximationer av den faktiska energiinnehållet på din tallrik. Frågan som ingen verkar ställa är: hur långt ifrån verkligheten är dessa uppskattningar, och vilken källa kommer närmast sanningen?

Vi bestämde oss för att ta reda på det. Under tre månader köpte, tillagade eller beställde Nutrola-teamet 50 verkliga måltider, fotograferade varje enskild, registrerade etikettens och USDA-databasens värden, och skickade sedan identiska portioner till ett certifierat livsmedelslaboratorium för analys med hjälp av bombkalorimetri — guldstandarden för att mäta den verkliga kalorimängden i livsmedel.

Detta inlägg presenterar de fullständiga resultaten. Ingen urval, inga utelämnade avvikelser. Varje måltid, varje nummer, varje överraskning.

Varför Vi Gjorde Detta

Näringsindustrin bygger på förtroende. Konsumenter litar på att etiketten på en förpackad mat är korrekt. Dietister litar på att USDA-referensdata återspeglar verkliga portioner. Apputvecklare litar på att deras databaser är tillräckligt nära. Men väldigt få har faktiskt verifierat dessa antaganden mot laboratorieanalys — och de studier som finns tenderar att fokusera snävt på förpackade livsmedel eller enskilda näringsämnen.

Vi ville ha en bredare bild. Vi ville veta hur varje större kalori källa — etiketter, statliga databaser och AI-baserade foto uppskattningar — presterar över hela spektrumet av livsmedel som människor faktiskt äter: förpackade snacks, enkla hela livsmedel, hemlagade rätter, restaurangmåltider och internationell mat. Och vi ville testa vår egen produkt, Nutrola, med samma noggrannhet som vi tillämpade på allt annat.

Målet var inte att bevisa att Nutrola är perfekt. Det är den inte. Målet var att förstå var varje kalori källa excellerar, var den misslyckas, och vad det betyder för de miljontals människor som förlitar sig på dessa siffror för att hantera sin hälsa.

Metodik

Måltidsval

Vi valde 50 måltider i fem kategorier, med 10 måltider i varje:

Kategori	Exempel
Förpackade livsmedel	Proteinbars, frysta middagar, konserverade soppor, flingor, yoghurtkoppar
Enkla hela livsmedel	Banan, rå kycklingbröst, kokta ägg, brunt ris, avokado
Hemlagade rätter	Spaghetti bolognese, kycklingwok, linssoppa, Caesarsallad, bananpannkakor
Restaurangmåltider	Snabbmatsburgare, sushitallrik, thailändsk grön curry, pizzabit, burrito skål
Internationella rätter	Indisk smörkyckling, japansk ramen, mexikanska tamales, etiopisk injera tallrik, koreansk bibimbap

Måltiderna köptes eller tillagades i Dublin, Irland, och valdes för att representera livsmedel som verkliga användare vanligtvis spårar. Vi inkluderade medvetet artiklar som är kända för att vara svåra för både databaser och AI-system: kraftigt såsade rätter, friterade livsmedel, måltider med flera komponenter, och livsmedel där visuell uppskattning av olja eller smörinnehåll är utmanande.

Laboratorieanalys

Alla prover skickades till ett ISO 17025-ackrediterat livsmedelstestlaboratorium. Varje måltid analyserades med hjälp av bombkalorimetri, referensmetoden för att bestämma det bruttoenergiinnehållet i livsmedel.

I bombkalorimetri placeras ett noggrant vägt livsmedelsprov i en förseglad, syresatt kammare (”bomben”) och antänds. Den värme som frigörs under fullständig förbränning mäts av den omgivande vattenjackan. Det resulterande värdet, uttryckt i kilokalorier, representerar den totala kemiska energin i livsmedlet. En korrigeringsfaktor tillämpas för att ta hänsyn till den del av energin som människokroppen inte kan utvinna (främst från fiber), vilket ger det metaboliserbara energivärdet — det nummer som bör visas på en näringsetikett.

Varje av de 50 måltiderna analyserades i tre omgångar (tre oberoende körningar), och medelvärdet användes som laboratoriumsreferens. Variationskoefficienten över triplikat var under 2% för alla prover, vilket bekräftar hög mätprecision.

Jämförelseskällor

För varje måltid registrerade vi kalori värden från fyra källor:

1. Laboratorium (bombkalorimetri) — den sanna verkligheten
2. Nutrola AI — kalori uppskattningen som genererades av Nutrolas AI-system från en enda fotografi av måltiden, tagen under normalt ljus på en standard middagstallrik, utan våg eller referensobjekt
3. Näringsetikett — värdet som tryckts på förpackningen (för förpackade livsmedel) eller kaloriantalet publicerat av restaurangen (för restaurangmåltider). För hela livsmedel och hemlagade rätter används denna kolumn tillverkarens etikett där det är tillgängligt eller markeras N/A
4. USDA FoodData Central — värdet som erhållits genom att slå upp varje ingrediens i USDA-databasen och summera komponenterna baserat på mätta vikter

För hemlagade rätter beräknades USDA-värdet genom att väga varje rå ingrediens på en köksvåg, slå upp kalori värdet per gram i USDA FoodData Central och summera dem — den metod som de mest noggranna manuella spårare skulle använda.

För Nutrola AI-uppskattningen fotograferades varje måltid exakt en gång. Vi tog inte om bilder, justerade vinklar eller tillhandahöll någon ytterligare kontext utöver vad en normal användare skulle ge. AI-systemet identifierade maten, uppskattade portionerna och returnerade ett kalori värde.

Statistisk metod

Noggrannhet rapporteras som medel absolut procentuell fel (MAPE) — genomsnittet av de absoluta procentuella avvikelserna från laboratoriumsvärdet, beräknat som:

MAPE = (1/n) * SUM(|Uppskattad - Laboratorium| / Laboratorium * 100)

Vi rapporterar också signerat medelfel (för att visa systematisk över- eller underskattning), standardavvikelse av fel, och 95% konfidensintervall där urvalsstorlekar tillåter.

Resultat

Övergripande noggrannhet: Alla 50 måltider

Källa	Medel Absolut Fel (MAPE)	Signerat Medelfel	Standardavvikelse	95% CI av MAPE
Nutrola AI	7.4%	-1.2%	5.9%	5.7% - 9.1%
USDA Referens	8.1%	-2.8%	6.7%	6.2% - 10.0%
Näringsetiketter*	12.6%	+6.3%	9.4%	9.1% - 16.1%

*Data för näringsetiketter tillgänglig för 30 av 50 måltider (förpackade livsmedel, vissa restaurangmåltider). MAPE beräknades på tillgänglig data endast.

Den första huvudfynden: näringsetiketter visade den största genomsnittliga avvikelsen från laboratorievärden, och de överdriver konsekvent kalorier. Det positiva signerade medelfelet på +6.3% betyder att etiketter, i genomsnitt, angav fler kalorier än maten faktiskt innehöll. Detta stämmer överens med tidigare forskning som visar att tillverkare tenderar att avrunda uppåt snarare än nedåt för att hålla sig inom FDA:s och EU:s regulatoriska toleranser.

Nutrolas AI och USDA-databasen presterade jämförbart i övergripande noggrannhet, med Nutrola som visade en marginellt lägre MAPE (7.4% vs. 8.1%). Skillnaden är inte statistiskt signifikant vid denna urvalsstorlek (p = 0.41, parat t-test på absoluta fel). Men mönstret av fel skiljde sig avsevärt mellan de två källorna, som kategorinivånedbrytningen visar.

Noggrannhet efter måltidskategori

Kategori (n=10 vardera)	Nutrola AI MAPE	USDA MAPE	Etikett MAPE	Bästa Källa
Förpackade livsmedel	6.2%	4.8%	9.7%	USDA
Enkla hela livsmedel	4.1%	3.2%	11.4%*	USDA
Hemlagade rätter	7.9%	6.4%	N/A	USDA
Restaurangmåltider	8.6%	14.2%	16.8%	Nutrola AI
Internationella rätter	10.1%	15.7%	N/A	Nutrola AI

*Etikettvärden för hela livsmedel baserat på portionskrav på förpackningar (t.ex. en påse äpplen som listar "95 kcal per medeläpple").

Detta är där berättelsen blir intressant.

För förpackade livsmedel och enkla hela livsmedel vinner USDA-databasen. Detta är logiskt. USDA-data härstammar från laboratorieanalyser av standardiserade livsmedelsartiklar. När du äter ett enkelt kokt ägg eller en rå banan är USDA-värdet i princip ett laboratorieresultat i sig, och det matchar nära våra oberoende laboratoriefynd.

För restaurangmåltider och internationella rätter överträffar Nutrolas AI både USDA och publicerade kaloriantal med stor marginal. Restaurangmåltider visade en USDA MAPE på 14.2% jämfört med Nutrolas 8.6%. Anledningen är enkel: USDA-data beskriver idealiserade ingredienser, inte vad en restaurangkök faktiskt lägger på tallriken. En USDA-baserad uppskattning för "kyckling teriyaki med ris" kan inte ta hänsyn till den specifika mängden olja som kocken använde, tjockleken på såsen eller den faktiska portionsstorleken — men ett visuellt AI-system som analyserar den faktiska tallriken framför dig kan.

De 10 Största Överraskningarna

Dessa individuella måltider producerade de största skillnaderna mellan minst en källa och laboratorievärdet:

Måltid	Laboratorium (kcal)	Nutrola AI	Etikett	USDA	Största Felkälla	Fel
Restaurang pad Thai	738	692	520*	584	Etikett	-29.5%
Fryst "mager" lasagne	412	388	310	395	Etikett	-24.8%
Smörkyckling med naan	943	874	N/A	716	USDA	-24.1%
Förpackad trail mix (1 portion)	287	264	230	271	Etikett	-19.9%
Hemlagad Caesarsallad	486	421	N/A	347	USDA	-28.6%
Snabbmats dubbel cheeseburgare	832	898	740	780	Etikett	-11.1%
Koreansk bibimbap	687	742	N/A	531	USDA	-22.7%
Konserverad tomatsoppa (1 burk)	189	202	180	184	Nutrola AI	+6.9%
Japansk tonkotsu ramen	891	824	N/A	648	USDA	-27.3%
Spaghetti bolognese (hemlagad)	623	581	N/A	527	USDA	-15.4%

*Restaurangens publicerade kaloriantal.

Flera mönster framträder från avvikelserna:

Restaurangens publicerade kaloriantal är de minst pålitliga. Pad Thai som listades till 520 kcal på restaurangmenyn innehöll faktiskt 738 kcal i laboratoriet — en 29.5% underskattning. Detta är inte ovanligt. En studie från 2013 publicerad i Journal of the American Medical Association fann att restaurangmåltider i genomsnitt innehöll 18% fler kalorier än angivet, med vissa som översteg sina publicerade värden med över 30%.

USDA-data underskattar systematiskt kalori-dens livsmedel. Smörkyckling, bibimbap, ramen, bolognese och Caesarsallad visade alla stora negativa fel när de uppskattades via USDA-ingredienser. Den gemensamma tråden är matlagningsfett. USDA-poster för "vegetabilisk olja" eller "smör" är korrekta per gram, men den mängd fett som faktiskt används vid matlagning — särskilt i restaurang- och internationella rätter — är extremt svår att uppskatta utan direkt mätning. En hemlagad Caesarsalladsdressing kan ensamt innehålla 3-4 matskedar olja som nästan är osynliga när de blandas med salladen.

Nutrolas AI tenderade att underskatta högfeta rätter och något överskatta enkla livsmedel. Det signerade felet för restaurangmåltider var -3.8% (mild underskattning), medan enkla hela livsmedel visade ett signerat fel på +1.9% (mild överskattning). Detta tyder på att AI:n är något konservativ när det gäller att uppskatta tillsatta fetter — en känd utmaning för alla visuella uppskattningssystem, eftersom olja som absorberas under fritering inte är synlig på ytan.

Standardavvikelse och Konsistens

Rå noggrannhet är viktigt, men det är också konsistens. En källa som är fel med 5% varje gång är mer användbar för att spåra trender än en som är fel med 0% hälften av tiden och 30% den andra hälften.

Källa	Std. Dev. av Fel	Omfång (Min till Max Fel)	% av Måltider Inom 10% av Laboratorium
Nutrola AI	5.9%	-12.4% till +8.7%	74% (37/50)
USDA Referens	6.7%	-28.6% till +4.1%	62% (31/50)
Näringsetiketter	9.4%	-29.5% till +14.2%	53% (16/30)

Nutrola AI visade den lägsta standardavvikelsen och det snävaste felområdet av alla tre källor. 74% av Nutrolas uppskattningar föll inom 10% av laboratorievärdet, jämfört med 62% för USDA och 53% för näringsetiketter. Denna konsistensfördel betyder att även när AI:n har fel, tenderar den att vara fel med en förutsägbar, liten mängd — vilket är mer värdefullt för någon som spårar en veckovis kalori trend än sporadisk perfekt noggrannhet bland stora missar.

Noggrannhet i Makronäringsämnen

Vi jämförde också makronäringsämnesuppskattningar (protein, fett, kolhydrater) mot laboratorievärden för en delmängd av 20 måltider. Resultaten förstärker kalori fynden:

Makronäringsämne	Nutrola AI MAPE	USDA MAPE	Etikett MAPE
Protein	8.2%	6.1%	10.8%
Fett	11.4%	12.7%	14.1%
Kolhydrater	6.8%	5.9%	9.3%

Fettuppskattning är den svagaste punkten över alla källor. Detta är förväntat: fettinnehållet är det svåraste makronäringsämnet att bedöma visuellt (för AI) och det mest variabla i tillagning (för databaser). En matsked mer eller mindre av matlagningsolja lägger till ungefär 14 gram fett och 120 kalorier, och varken en kamera eller en databaspost kan fullt ut fånga den variabiliteten.

Nyckelfynd

1. Näringsetiketter Använder Sin Regulatoriska Tolerans — Generöst

I USA tillåter FDA att näringsetiketter avviker med upp till 20% från det angivna värdet för kalorier, och etiketten anses vara i överensstämmelse så länge det faktiska värdet inte överstiger etiketten med mer än 20%. Europeiska unionen tillämpar en liknande toleransram. Våra data tyder på att tillverkare är väl medvetna om denna tolerans och använder den strategiskt.

Bland de 20 förpackade livsmedel och märkta restaurangmåltider i vår studie, 14 (70%) underskattade kalorier i förhållande till laboratorievärdet. Den genomsnittliga underskattningen var 8.9%. Endast 4 måltider (20%) överdrev kalorier, och 2 var inom 2% av laboratorievärdet.

Denna riktade snedvridning är inte av en slump. Att underskatta kalorier får en produkt att verka "lättare" och mer tilltalande för hälsomedvetna konsumenter. En fryst måltid som påstår sig innehålla 310 kcal men faktiskt innehåller 412 kcal (som vi fann med en "mager" lasagne) kan positionera sig i den dietvänliga gången samtidigt som den levererar avsevärt mer energi än annonserat.

För alla som förlitar sig på etiketter för att upprätthålla ett kaloriunderskott är denna systematiska underskattning ett allvarligt problem. Om dina etiketter är fel med ett genomsnitt av -8.9%, och du äter tre märkta måltider per dag med ett mål på 1,800 kcal, kan du konsumera cirka 1,960 kcal — tillräckligt för att nästan halvera ditt avsedda 500-kaloriunderskott.

2. USDA-data Utmärker Sig för Rå Ingredienser, Kämpar med Tillagade Livsmedel

USDA FoodData Central-databasen är en anmärkningsvärd resurs. För enkla, oförädlade livsmedel — en banan, ett kycklingbröst, en kopp ris — är den extremt noggrann. Våra data visade en MAPE på bara 3.2% för enkla hela livsmedel, vilket är nästan lika bra som upprepade laboratoriemätningar.

Men så snart matlagning börjar, försämras USDA-noggrannheten. För hemlagade rätter steg MAPE till 6.4%. För restaurangmåltider hoppade den till 14.2%. För internationella rätter nådde den 15.7%.

Problemet är inte databasen i sig utan klyftan mellan databasposter och verklig tillagning. En USDA-post för "stekt grönsaker" antar en specifik mängd olja, en specifik tillagningstid och en specifik grönsaksblandning. Din stekta grönsaker — eller den som serveras på din lokala thailändska restaurang — kan använda dubbelt så mycket olja, inkludera fetare grönsaker och komma i en större portion. Databasen kan inte ta hänsyn till dessa variationer; den kan bara beskriva ett genomsnitt.

Detta har konsekvenser för manuella spårare som är stolta över att "noggrant" logga genom att väga ingredienser och slå upp dem i databaser. Den metoden fungerar bra för enkla måltider som tillagas hemma med mätta ingredienser. Den bryter samman för att äta ute, beställa hem eller laga recept där fettmängder är ungefärliga.

3. AI Foto Uppskattning Är Mer Noggrann Än Förväntat — Särskilt För Verkliga Måltider

Innan vi genomförde denna studie var vår interna uppfattning att Nutrolas AI skulle prestera bra för enkla livsmedel och dåligt för komplexa måltider. Data stödde delvis och delvis motsade detta.

Som förväntat var AI:ns bästa prestation på enkla hela livsmedel (4.1% MAPE). En banan ser ut som en banan, och AI:ns träningsdata inkluderar tusentals bananbilder med kända vikter och kalori värden.

Vad som överraskade oss var AI:ns relativa prestation på restaurang- och internationella måltider. Med 8.6% och 10.1% MAPE respektive, överträffade Nutrola betydligt den USDA-baserade metoden (14.2% och 15.7%). AI:n verkade dra nytta av flera fördelar i dessa kategorier:

• Portionsstorleksuppskattning från visuella ledtrådar. AI:n använder tallriken, skålen och besticken som referensobjekt för att uppskatta matvolymen, vilket fångar den faktiska portionen som serveras snarare än en antagen "standardportion."
• Sås- och toppingdetektion. Modellen är tränad för att identifiera synliga såser, glasyrer, smält ost och andra kalori-dens toppings som en databasuppslagning kan missa.
• Kökspecifik kalibrering. Nutrolas träningsdata inkluderar tiotusentals märkta bilder från restauranger och internationella kök, vilket gör att modellen kan lära sig kökspecifika mönster (t.ex. att en skål ramen vanligtvis innehåller mer fett än dess buljongutseende antyder).

Det sagt, AI:n var inte perfekt. Dess svagaste stunder kom med dolda fetter — olja som absorberas i friterade livsmedel, smör som smälts i såser och grädde som rörs i soppor. Dessa kalorier är fysiskt närvarande men visuellt osynliga, och de representerar en hård gräns för vad som helst kamerabaserat system kan uppnå utan ytterligare användarinformation.

4. De Dolda Kaloribovarna

Över alla 50 måltider var den största källan till uppskattningsfel — för varje metod, inklusive AI — tillsatt matlagningsfett. Olja, smör, ghee, grädde och andra fetter som används under tillagning stod för majoriteten av stora avvikelser.

Tänk på den hemlagade Caesarsalladen. Vårt laboratorium mätte 486 kcal. USDA-baserad uppskattning kom in på 347 kcal — en 28.6% underskattning. Klyftan berodde nästan helt på dressingen: en hemlagad Caesarsdressing som innehöll olivolja, äggula, parmesan och ansjovispastej. USDA-uppskattningen använde en "standard" mängd dressing, men den faktiska portionen var betydligt mer generös.

På liknande sätt kom smörkycklingen in på 943 kcal i laboratoriet jämfört med 716 kcal från USDA — en 24.1% miss som drevs av mängden smör och grädde i restaurangens recept, som långt översteg de mängder som antogs i standarddatabasposter.

Dessa fynd bekräftar en väletablerad princip inom näringsvetenskap: fett är det mest kaloridensitet makronäringsämnet (9 kcal/g jämfört med 4 kcal/g för protein och kolhydrater) och det svåraste att uppskatta noggrant. Små fel i fettuppskattning ger stora kalori fel. En enda matsked olja som missas av någon uppskattningsmetod lägger till 119 oregistrerade kalorier.

Vad Detta Betyder För Vardagsspårare

Om du spårar kalorier för att hantera din vikt har dessa fynd flera praktiska implikationer:

Anta inte att din etikett är evangelium. Näringsetiketter är användbara utgångspunkter, men de kan underskatta det faktiska kaloriinnehållet med 10-20% eller mer, särskilt för förpackade måltider och restaurangpublicerade räkningar. Om din viktminskning har stannat och du äter "exakt" vad etiketterna säger, kan detta dolda överskott vara förklaringen.

USDA-uppslag är mest pålitliga för enkla, hemlagade måltider. Om du lagar mat hemma, väger dina ingredienser och använder främst hela livsmedel, kan en USDA-baserad spårningsmetod vara mycket noggrann. Ju mer komplexa och restaurangpåverkade dina måltider blir, desto mindre pålitlig blir denna metod.

AI foto tracking ger den bästa balansen för verkligt ätande. För personer som äter en blandning av hemlagade, restaurang- och förpackade måltider — vilket beskriver de flesta vuxna — ger ett AI-baserat system som Nutrola den mest konsekventa noggrannheten över kategorier. Det kommer inte att slå en noggrant vägda USDA-uppslag för ett enkelt kycklingbröst, men det kommer att överträffa den metoden för pad Thai som du beställde en fredag kväll.

Var alltid misstänksam mot högfeta måltider. Oavsett din spårningsmetod, är rätter som involverar fritering, tunga såser, grädde, smör eller ost de som mest sannolikt underskattas. När du är osäker, lägg till en liten buffert (50-100 kcal) för måltider som ser eller smakar rika ut. I Nutrola kan du också manuellt justera AI:s uppskattning efter granskning, och systemet lär sig av dina korrigeringar över tid.

Konsistens är viktigare än perfektion. Våra data visade att Nutrolas största fördel inte låg i genomsnittlig noggrannhet utan i konsistens — den lägsta standardavvikelsen och den högsta procenten av uppskattningar inom 10% av laboratorievärden. För långsiktig spårning är ett system som konsekvent är fel med 5-7% mycket mer användbart än ett som ibland är perfekt och ibland fel med 25%. Konsistent snedvridning kan beaktas; oförutsägbart fel kan inte.

Begränsningar

Vi vill vara transparenta om begränsningarna i denna studie:

• Urvalsstorlek. Femti måltider är tillräckligt för att identifiera mönster men inte tillräckligt stora för definitiva statistiska slutsatser i varje underkategori. Varje kategori innehöll endast 10 måltider. Större studier skulle öka förtroendet för fynden på kategorinivå.
• En enda geografisk region. Alla måltider hämtades i Irland. Restaurangportioner, matlagningsmetoder och ingredienskällor varierar mellan länder och även mellan städer. Resultaten kan skilja sig i andra regioner.
• Endast ett AI-system testat. Vi testade endast Nutrolas AI. Andra AI-baserade kalori trackers kan prestera annorlunda. Vi uppmuntrar konkurrerande produkter att genomföra och publicera liknande analyser.
• Fotovillkor. Alla bilder togs av teammedlemmar som är bekanta med bästa metoder för matfotografi. En typisk användare som tar en hastig bild i dåligt ljus kan uppleva något lägre AI-noggrannhet.
• Bombkalorimetri mäter bruttoenergi. Även om korrigeringar tillämpades för metaboliserbar energi, innebär individuella skillnader i matsmältning och absorption att de "verkliga" kalorier som en given person extraherar från ett livsmedel kan skilja sig från laboratorievärdet med flera procent.

Slutsats

Kalorinumret på din tallrik är alltid en uppskattning — men inte alla uppskattningar är skapade lika.

Näringsetiketter, trots deras officiella utseende, är den minst exakta källan vi testade, med en systematisk tendens att underskatta kalorier. USDA-data är utmärkt för enkla, råa och hemlagade livsmedel men kämpar med den röriga verkligheten av restaurangmatlagning och internationell mat. AI-baserad foto tracking, som implementerats i Nutrola, ger den mest konsekventa prestationen över hela spektrumet av livsmedel som människor faktiskt äter, med en övergripande noggrannhet på 7.4% medel absolut avvikelse från laboratorievärden.

Ingen spårningsmetod är perfekt. De livsmedel som lurar AI:n lurar också databaserna och etiketterna — kraftigt såsade, oljerika och flerkomponentsmåltider förblir de svåraste att uppskatta för något system. Men för den vardagliga spåraren som vill ha ett pålitligt, lågt ansträngande sätt att förstå vad de äter, tyder data på att en vältränad AI som tittar på din faktiska tallrik kommer närmare sanningen än en etikett tryckt i en fabrik eller en databaspost skriven för ett idealiserat recept.

Nutrola är byggt på principen att noggrannhet inte ska kräva ansträngning. Du tar en bild, och AI:n gör jobbet. Denna studie var vårt sätt att hålla oss ansvariga för det löftet — och dela resultaten, inklusive våra svagheter, med de som litar på oss med sina näringsdata.

Om du vill prova Nutrola själv, börjar planerna på EUR 2.50 per månad, utan annonser på varje nivå. Vi föredrar att vinna ditt förtroende med noggranna data än att sälja din uppmärksamhet till annonsörer.

De råa datatabellerna från denna studie är tillgängliga på begäran för forskare, journalister och dietister som vill genomföra sin egen analys. Kontakta oss på research@nutrola.com.