Die Apps, die die Kalorien einer Mahlzeit anhand eines Fotos schätzen, versprechen eine schnelle Ernährungsüberwachung. Eine Auswertung von vier beliebten Diensten zeigt jedoch, dass sie die Energie und die Fettmenge auf dem Teller häufig unterschätzen.
Die Forscher testeten MyFitnessPal, Lose It!, Cal AI und Appediet anhand von 102 Mahlzeiten, die in einer metabolischen Küche der National Institutes of Health zubereitet wurden. Jede Zutat wurde auf 0,1 g genau abgewogen, was eine weitaus genauere Referenz lieferte als eine gewöhnliche visuelle Schätzung.
Symbolbild Pixabay
Für jede Mahlzeit wurde ein standardisiertes Foto an die vier Apps übermittelt. Die Ergebnisse wurden anschließend mit den tatsächlichen Nährwerten verglichen. Im Durchschnitt lagen die Schätzungen zwischen 250 und 345 Kalorien niedriger pro Mahlzeit, also etwa ein Drittel weniger.
Die Fehler betrafen insbesondere die Fette, die um etwa 30 g pro Mahlzeit unterschätzt wurden. Kohlenhydrate wurden in der Regel besser erkannt. Die ersten Ergebnisse deuten außerdem darauf hin, dass Gerichte mit wenig Kohlenhydraten und viel Fett, etwa bestimmte ketogene Mahlzeiten, größere Ungenauigkeiten aufweisen.
Ein Foto zeigt nicht immer, wie viel Öl, Butter, Soße oder versteckte Zutaten in einem Gericht stecken. Die künstliche Intelligenz muss außerdem Volumina anhand eines zweidimensionalen Bildes schätzen, ohne das Rezept oder die Dichte der Lebensmittel genau zu kennen.
Diese Abweichungen können ein Ernährungstagebuch verfälschen, das zum Abnehmen, zur Anpassung einer Behandlung oder für Gespräche mit medizinischem Fachpersonal genutzt wird. Die Autoren empfehlen daher, die Portionen zu überprüfen und Informationen manuell zu ergänzen, wenn es auf die Genauigkeit der Nährwerte ankommt.
Die Studie ist vorläufig. Sie wurde auf dem Kongress NUTRITION 2026 vorgestellt und vergleicht vier Anwendungen unter kontrollierten Bedingungen, ohne ihre Auswirkungen auf das Ernährungsverhalten der Nutzer direkt zu messen.
Die Forscher setzten die Analyse mit mehr als 200 weiteren Mahlzeiten fort, um herauszufinden, welche Gerichtstypen am schwierigsten zu interpretieren sind. Diese Arbeiten könnten Entwicklern helfen, die Portionsschätzung, die Erkennung von Fetten und die Integration von Nutzerinformationen zu verbessern.