Calorías por foto con IA: ¿hasta qué punto son precisas?
Precisión de las calorías por foto con IA: dónde acierta, dónde falla con aceite, platos mixtos y raciones y cómo aplicarlo al seguimiento.
8 min de lectura · · El equipo de UM
El escaneo de comidas por foto con IA identifica bien los alimentos y permite registrarlos muy rápido, pero no calcula las calorías con precisión al gramo. Los estudios encuentran desviaciones medias de alrededor de un tercio en la estimación energética, principalmente por los aceites ocultos, los platos mixtos y el tamaño de las raciones. Resulta más útil para mejorar la constancia y observar tendencias, siempre que el cliente revise las cantidades y el entrenador trabaje hábitos que reduzcan el error.
A tus clientes no les gusta pesar la comida. Eso no es ningún secreto. Pídeles que registren cada comida en gramos y muchos aguantarán una semana antes de dejar de hacerlo.
Por eso, «haz una foto de tu plato y la app calcula por ti» suena perfecto. La pregunta que debe hacerse un entrenador es sencilla: ¿puedo tomar decisiones con la cifra que me da?
¿Es preciso el escaneo de comidas con IA para contar calorías?
Es aproximado, no preciso al gramo. Un estudio de 2025 en Current Developments in Nutrition evaluó los principales modelos de IA generalistas con 52 fotos de alimentos medidos en laboratorio. Incluso los mejores modelos cometían un error medio del 35,8% en el contenido energético.
Los investigadores señalaron que los resultados eran comparables a los registros alimentarios tradicionales realizados por los propios usuarios, pero sin el esfuerzo de introducir cada dato. El mismo estudio observó que el error aumentaba con el tamaño del plato: los modelos infravaloraban especialmente las raciones grandes.
En una investigación presentada en NUTRITION 2026 por científicos de los US National Institutes of Health, cuatro apps de calorías por foto calcularon de media entre 250 y 345 calorías menos por comida y unos 30 gramos menos de grasa. Se trata de una presentación en un congreso, no de un artículo completo revisado por pares.
¿Qué hace bien la IA que analiza fotos de comida?
Su mayor fortaleza es reconocer lo que hay en el plato. Un estudio de 2024 en Nutrients comparó siete apps con reconocimiento de alimentos por imagen: la precisión al identificar los componentes de una comida oscilaba entre el 46% y el 97%, según la app. Las mejores reconocían casi todos los alimentos.
- Identificar alimentos: pollo, arroz, ensalada, pan. Normalmente los reconoce bien.
- Rapidez: una foto y unos segundos, en lugar de buscar cada alimento y escribir las cantidades.
- Constancia: cuanto más fácil resulta registrar, más días se registra. Eso te permite entender cómo ha ido la semana.
- Platos sencillos: un alimento claramente visible es lo más fácil de calcular.
¿Dónde falla el registro de calorías por foto?
Principalmente en tres puntos: aceites y grasas ocultos, platos mixtos y profundidad de la ración.
- Aceite oculto: una cucharada adicional al cocinar suma unas 120 calorías y no se ve en la foto. Eso ayuda a explicar por qué la grasa es el macro que más se infravalora.
- Platos mixtos: koshari, mahshi, pasta al horno y guisos. Los ingredientes se mezclan y una foto no revela sus proporciones. El estudio de Nutrients encontró estimaciones energéticas poco precisas en platos mixtos y tradicionales; en un caso, una app calculó un 49% de más para una sopa de fideos y otra un 76% de menos para una bebida dulce.
- Profundidad de la ración: una foto desde arriba no muestra la profundidad del cuenco. Una taza de arroz extendida puede parecer dos tazas amontonadas.
- Bebidas y salsas: los zumos, el café azucarado, el tahini y los aliños pasan desapercibidos o se calculan mal.
| Tipo de comida | Cómo responde la IA por foto | Consejo para el seguimiento |
|---|---|---|
| Un alimento claramente visible: pollo a la plancha, fruta | Buena identificación y cálculo de la ración | Deja que el cliente registre la comida por foto como siempre |
| Ingredientes separados: arroz + pollo + ensalada | Buena identificación; cantidades aproximadas | Pide que mantenga los alimentos separados en el plato |
| Platos mixtos: koshari, mahshi y guisos | Poca precisión en proporciones y calorías | Registra el plato desde la biblioteca o ajusta los gramos a mano |
| Comida frita o con mucho aceite | Suele calcular menos grasa de la que hay | Registra el aceite de cocina como un alimento aparte |
| Bebidas y salsas | A menudo no las detecta o las calcula mal | Regístralas aparte, por vaso o cucharada |
| Raciones grandes o profundas | Son las que más infravalora | Añade una foto de lado |
¿Cómo deberían utilizar los entrenadores el escaneo de comidas por foto?
Como una herramienta para mejorar la constancia y ver tendencias, no como una báscula. Lo importante es que el cliente registre y que la evolución de dos semanas vaya en la dirección adecuada.
- Siempre debe haber revisión: el cliente ve los alimentos y los gramos antes de registrarlos y corrige lo que esté mal.
- Hábitos al servir: alimentos uno al lado del otro en lugar de amontonados y un plato del mismo tamaño cada día.
- El aceite, por separado: enseña a registrar las cucharadas de aceite o ghee como un alimento aparte.
- Pesar una vez por semana: pesar una comida semanal ayuda al cliente a reconocer mejor las raciones.
- Guíate por el resultado, no solo por la cifra: si las calorías registradas parecen correctas pero el peso no cambia, hay algo sin registrar o calculado por debajo.
La foto te dice qué ha comido el cliente. La báscula y el check-in te ayudan a saber cuánto. Utiliza ambos.
En palabras de un entrenador que revisa registros de comida cada semana: «Es mejor un registro aproximado todos los días que uno perfecto dos veces por semana».
¿Cómo funciona el escaneo de comidas en UM?
En la app de UM para clientes, disponible en App Store y Google Play, el cliente fotografía su plato y un modelo de visión identifica los alimentos y calcula los gramos aproximados.
Pollo, arroz, brócoli- La IA solo identifica y estima: las calorías y los macros proceden de una base de datos de alimentos, no de una suposición de la IA.
- El cliente revisa antes de registrar: corrige el alimento o la cantidad antes de añadir la comida a su día.
- La foto no se guarda: se utiliza para el análisis y nada más.
- Toda la información te llega: las comidas registradas aparecen en la ficha del cliente junto a los check-ins, y UM AI las consulta al analizar el cumplimiento.
Forma parte de UM, el sistema que sustituye los PDF de WhatsApp y las hojas de Excel, con más de 5.000 platos en su biblioteca. UM es gratis para siempre hasta 3 clientes.
Si quieres profundizar en un seguimiento nutricional que los clientes mantengan, UM Academy ofrece cursos gratuitos para entrenadores.
- Fridolfsson et al., Current Developments in Nutrition (2025): Performance of 3 large language models for nutritional content estimation from food images
- Li et al., Nutrients (2024): Manual food logging and AI-enabled food image recognition in apps for nutrition care
- NIDDK researchers at NUTRITION 2026 (conference presentation), via News-Medical: Photo-based calorie-tracking apps fall short
Última actualización:





