Precisão dos contadores de calorias com IA: dá para confiar nas calorias de uma foto?

Fotografar o prato em vez de procurar cada alimento num banco de dados: essa é a promessa do MyFitnessPal (Meal Scan), do Lose It! (Snap It), do Cal AI, do Foodvisor, do SnapCalorie e do Ember, o app que publica este guia. Por trás do botão, o processo é quase sempre o mesmo, em três etapas. Primeiro, o modelo reconhece os alimentos; depois, estima quanto de cada um há no prato; por fim, converte esses gramas em calorias e macros usando uma tabela de composição de alimentos.

A primeira etapa ficou muito confiável. Num estudo irlandês publicado em 2025, o ChatGPT identificou os alimentos em 114 fotos de refeições com 93% de precisão. A segunda etapa é bem mais incerta: uma foto é uma imagem plana, sem escala e sem fita métrica. O modelo precisa adivinhar a espessura de um bife, a profundidade de uma tigela ou quanto óleo uma frigideira de legumes salteados absorveu. A terceira etapa depende do que foi reconhecido: se o app vê arroz branco simples onde há arroz frito, o cálculo já começa com o pé esquerdo.

Ou seja, uma taxa alta de reconhecimento não diz nada sobre a precisão das calorias. Um app pode nomear perfeitamente cada item do prato e ainda assim errar feio na porção. Quando a página de um app cita uma porcentagem de “precisão”, pergunte-se se ela mede quão bem os pratos são identificados ou quão perto as calorias realmente chegam. Para comparar os recursos dos principais apps, veja a nossa seleção dos melhores apps para contar calorias.

Os estudos independentes ainda são raros, mas se multiplicaram desde a chegada dos modelos de visão para o grande público. Os protocolos se parecem: refeições pesadas no grama são fotografadas, passadas por um app ou por um modelo como o ChatGPT, e a estimativa é comparada com o valor real.

O resultado mais comentado vem de pesquisadores do NIDDK, o instituto dos NIH (os institutos nacionais de saúde dos Estados Unidos) dedicado a diabetes e nutrição. Apresentado em julho de 2026 no NUTRITION, o congresso anual da American Society for Nutrition, o estudo submeteu 102 refeições preparadas numa cozinha metabólica a quatro apps: MyFitnessPal, Lose It!, Cal AI e Appediet. Os quatro subestimaram as calorias em cerca de um terço, ou seja, 250 a 345 kcal por refeição em média, e a gordura em cerca de 30 g. É um resumo de congresso, ainda não um artigo revisado por pares, e os resultados não foram separados app por app. Se você está comparando o Lose It! com um app focado em fotos, o nosso comparativo com uma alternativa ao Lose It! (em inglês) mostra o que cada um inclui de graça.

Dois mecanismos aparecem o tempo todo. O primeiro é o tamanho da porção. No estudo irlandês, o ChatGPT avaliava bem os pratos pequenos, mas subestimava o peso em 76% das fotos: uma porção grande de 798 g em média era estimada em 530 g, então um terço da comida sumia do cálculo. A equipe sueca que testou o ChatGPT-4o, o Claude e o Gemini viu o mesmo padrão: quanto maior a porção, mais a estimativa ficava abaixo. Os modelos parecem puxar todo prato para uma porção “padrão”, o que favorece quem come pouco e penaliza os pratos bem servidos.

O segundo mecanismo é a gordura, o mais denso em energia dos macronutrientes, com 9 kcal por grama. Uma colher de óleo absorvida pelos legumes, um pouco de manteiga derretida no macarrão ou um molho misturado ao prato são simplesmente invisíveis. Os 30 g de gordura que faltaram no estudo dos NIH valem sozinhos cerca de 270 kcal, a maior parte da diferença medida. Os pesquisadores também notaram que os apps tinham mais dificuldade com refeições cetogênicas, muito ricas em gordura.

Os erros sobre a gordura nem sempre vão na mesma direção. Em bandejas de hospital japonesas bem magras, os modelos de IA, ao contrário, superestimaram a gordura em mais de 20%. Os autores falam do problema do “nutriente invisível”: como o modelo não vê a gordura, ele aplica uma média. Isso funciona para um prato comum, bem menos para um muito gorduroso ou muito leve.

Algumas refeições parecem feitas para foto: um prato com itens separados e bem visíveis (um filé de peixe, arroz, vagem) costuma ter uma boa estimativa. Os problemas começam quando a informação sai do enquadramento. No estudo com o ChatGPT-5, os pratos servidos em tigela geraram os maiores erros, porque a câmera não enxerga a profundidade. Um curry, uma sopa, uma salada caprichada ou um macarrão com molho escondem os ingredientes em camadas.

O ângulo também conta. Fotografado de lado, um prato parece menor no fundo do que na frente, e a perspectiva distorce a estimativa do volume. Pouca luz ou uma foto tremida atrapalham o próprio reconhecimento. Acima de tudo, uma imagem não diz nada sobre o que aconteceu na cozinha: uma frigideira untada, a manteiga no purê, o açúcar no molho de tomate, o queijo derretido embaixo da superfície.

As bebidas são o caso extremo. Um copo de líquido escuro pode ser água com gás saborizada, refrigerante de cola ou chá gelado; um laranja pode ser suco ou refrigerante. Para uma IA, a diferença muitas vezes é impossível de perceber, e mesmo assim passa de 100 kcal por copo.

Antes de descartar o registro por foto, compare com o que ele substitui. Quando as pessoas registram as refeições por conta própria, esquecem um biscoito, diminuem uma porção e arredondam para baixo. O método de referência para medir isso é a água duplamente marcada: você bebe água enriquecida com isótopos estáveis, e a velocidade com que eles saem do corpo revela o seu gasto de energia real ao longo de uma a duas semanas. Numa pessoa com peso estável, a ingestão é igual ao gasto, então dá para conferir o que ela diz comer.

Os resultados são claros. No estudo americano OPEN, com 484 adultos, os homens declararam de 12 a 14% menos do que ingeriam em recordatórios de 24 horas, e as mulheres de 16 a 20% menos. Com um questionário de frequência alimentar, a diferença subia para 31 a 38%. Um estudo publicado no New England Journal of Medicine em 1992 acompanhou um pequeno grupo de pessoas convencidas de que não conseguiam emagrecer com uma dieta abaixo de 1.200 kcal: em média, elas subestimavam a ingestão em 47% e superestimavam a atividade física em 51%.

Nada disso significa que as pessoas mentem. Avaliar uma porção no olho é difícil para todo mundo, e os pequenos extras são fáceis de esquecer. Muitas vezes é esse o verdadeiro motivo por trás de um platô no emagrecimento aparentemente misterioso. O registro manual com cada ingrediente pesado continua sendo o método mais preciso, mas é tão trabalhoso que pouca gente mantém por muito tempo. Os pesquisadores suecos destacam que o erro do ChatGPT-4o e do Claude ficou na mesma faixa dos diários alimentares de atletas conferidos com água duplamente marcada, sem o esforço do registro.

Boa notícia: para controlar o peso, a constância conta mais do que a perfeição. Se o seu app subestima as refeições em 15% todo dia, de forma razoavelmente regular, o seu total diário está errado, mas as tendências continuam legíveis. Você consegue ver em quais dias come mais, quais refeições pesam mais e se as suas mudanças estão funcionando.

A balança faz então o papel de juiz. Um déficit calórico se comprova com o tempo: se depois de três ou quatro semanas o seu peso médio não se mexeu enquanto o app mostra um déficit, provavelmente as suas refeições têm mais calorias do que o estimado. Em vez de reduzir ainda mais as porções, procure primeiro as fontes de erro descritas acima: óleo, molhos, bebidas e pratos bem servidos.

A precisão no grama só importa em casos específicos: acompanhamento médico, preparação esportiva muito monitorada ou uma condição que exige controlar um nutriente. Nessas situações, as estimativas por foto não substituem nem a pesagem nem a orientação de um médico ou nutricionista. Para um objetivo de forma física ou de peso, um método simples que você segue todo dia vale mais do que um perfeito abandonado depois de dez dias.

No restaurante, parta do princípio de que o prato tem mais gordura do que parece: as cozinhas profissionais são generosas com manteiga, creme de leite e óleo para dar sabor e textura. Fotografe o prato e depois acrescente o que você sabe: “batata frita”, “molho de manteiga”, “molho à parte”. As nossas dicas para comer de forma saudável no restaurante também ajudam a escolher pratos mais fáceis de estimar.

Em casa, você tem uma vantagem enorme: conhece a receita. Anote quanto óleo foi para a panela e divida entre as porções. Para um prato de família, uma descrição como “um sexto de uma lasanha feita com 400 g de carne bovina e 200 g de queijo” será muito mais precisa do que a foto da superfície da travessa. O estudo com o ChatGPT-5 mostra isso com clareza: o erro caiu de 30,5% só com a foto para 24,4% quando detalhes como o tipo e a quantidade de gordura eram informados, e depois para 13,9% com a lista completa de ingredientes.

Para os produtos embalados, a foto não é a melhor ferramenta: o rótulo nutricional dá o valor exato. Escaneie o código de barras sempre que puder e deixe as fotos para os pratos misturados.

Esses hábitos levam poucos segundos e corrigem a maior parte dos erros descritos pelos estudos:

Os apps que contam calorias por foto são ótimos para reconhecer o que está no prato e bem menos bons para avaliar quanto tem. Só com a foto, espere um erro médio de 25 a 35%, geralmente para baixo, e maior em porções grandes, pratos com molho e refeições gordurosas. Isso não é pior do que a memória humana, que em média deixa escapar 12 a 20% do que comemos. Fotografe de cima, dê uma noção de escala, descreva o óleo e os molhos, corrija as quantidades e pese a comida de vez em quando: é isso que transforma uma estimativa aproximada numa ferramenta confiável. Por fim, acompanhe a tendência do seu peso ao longo de várias semanas, porque ela é o verdadeiro teste dos seus números.