Fotografiar el plato y saber las calorías: ¿qué tan precisas son las apps que reconocen alimentos con IA?

Sacar una foto al almuerzo y recibir al instante las calorías, las proteínas y los carbohidratos. Es la promesa de cada vez más apps, y también de los asistentes de inteligencia artificial que muchos pacientes ya usan.

La pregunta para un profesional de la salud es simple: ¿qué tan cerca están esos números de la realidad? Este artículo revisa lo que dicen los estudios más recientes.

Cómo funcionan

Estas herramientas usan modelos de visión que hacen tres cosas a partir de una foto:

1. Reconocer qué alimentos hay en el plato.
2. Estimar la porción de cada uno.
3. Calcular los nutrientes con una base de datos o con el propio modelo.

Cada paso suma error. Si el modelo confunde un alimento o calcula mal la porción, todo lo que sigue sale mal.

Lo que dicen los estudios

Un benchmark de diez modelos (preprint, 2026). Se evaluaron más de 3.000 fotos con diez modelos de IA y una app comercial. El mejor modelo tuvo un error promedio de unas 81 kcal por plato (1). ⚠️ Es un preprint: todavía no pasa revisión por pares.

Comida peruana (2026). Un estudio publicado en The Journal of Nutrition probó modelos de lenguaje con 510 almuerzos de un recetario peruano. El mejor modelo coincidió con la receta en el 45% de los casos para calorías, con un error promedio de 108 kcal. En micronutrientes fue peor: 15% de coincidencia para hierro y 19% para vitamina A. Los autores concluyen que el rendimiento todavía no alcanza la precisión necesaria para uso clínico ni para apps de consumo (2).

Platos japoneses y estadounidenses (2026). Otro estudio comparó varios modelos con fotos de comidas y de productos envasados (3):

• Los productos envasados se estimaron mejor que los platos preparados.
• La forma de dar la instrucción al modelo cambió la precisión, pero solo en los modelos más capaces.
• La sal fue el nutriente peor estimado, con errores de entre 34 y 64%.

📌 En los tres estudios, el error promedio en energía fue de entre 80 y 120 kcal por plato.

Dónde se equivocan más

• Lo que no se ve: aceite, mantequilla, azúcar o sal agregados en la preparación.
• Platos mixtos: guisos, cazuelas, ensaladas con aderezo.
• Cocinas locales: los modelos se entrenan sobre todo con comida de otros países.
• Micronutrientes: hierro, zinc o vitamina A salen con mucho más error que las calorías.

Para qué sirven y para qué no

• ✅ Para que una persona tome conciencia de lo que come.
• ✅ Como registro más fácil que anotar todo a mano.
• ✅ Para ver tendencias en el tiempo, más que el número exacto de un día.
• ❌ Para calcular con precisión una dieta terapéutica, como en enfermedad renal o diabetes con conteo de carbohidratos.
• ❌ Para evaluar micronutrientes o sodio.

💡 Un error de 100 kcal por comida, repetido tres o cuatro veces al día, puede cambiar por completo la lectura de un registro alimentario.

Qué hacer en consulta

• Preguntar a tus pacientes si usan alguna app o la IA para registrar lo que comen.
• Usar esos registros como punto de partida, no como dato exacto.
• Revisar con ellos lo que la foto no muestra: preparaciones, aceites y bebidas.

En resumen

• Las apps con IA reconocen alimentos razonablemente bien, pero las porciones y los nutrientes tienen error.
• En estudios recientes, el error en energía rondó las 80 a 120 kcal por plato.
• Funcionan peor con platos mixtos, cocinas locales, sal y micronutrientes.
• Sirven para crear conciencia y registrar, no para cálculos clínicos precisos.

Referencias

1. Sterling S, Berube LT, Glenn AJ, et al. Vision-language models for image-based dietary assessment: a benchmark of accuracy, cost, and prompt strategies across ten models [preprint]. bioRxiv. 2026. doi:10.64898/2026.07.26.740845
2. Carrillo-Larco RM, Gallo Ruelas M, Matsuzaki M, Tarazona-Meza C. Evaluating large language model accuracy in predicting Peruvian meal nutrition. J Nutr. 2026;156(10):101786. doi:10.1016/j.tjnut.2026.101786
3. Nakagawa S, Yamamoto A. Prompt engineering and model selection for LLM-based nutritional estimation from food images: a multi-dataset investigation. Nutrients. 2026;18(12):2017. doi:10.3390/nu18122017

Foto: rawpixel (CC0).