Investigação Setembro de 2026 · 8 min de leitura

Porque é que esta pergunta importa

O marketing de todos os contadores com IA mostra um prato, uma câmara e um número confiante. Os céticos — nutricionistas, o Reddit, quem experimentou uma aplicação e viu 380 kcal num burrito — fazem a pergunta óbvia: como é que ela sabe?

Não «sabe». Estima, em quatro passos, e cada passo pode estar errado. Perceber esses passos é a diferença entre usar bem a ferramenta e ser enganado por ela.

Como funciona realmente a estimativa de calorias por foto

Quase todas as aplicações baseadas em foto em 2026, incluindo o CalMePlease, correm um processo assim:

1. Segmentação. A imagem é dividida em regiões: prato, fundo e cada alimento distinto.
2. Classificação. Cada região é identificada — frango grelhado, arroz branco, brócolos, molho. É aqui que alimentos parecidos se confundem: coxa vs peito de frango, arroz branco vs risotto, manteiga vs margarina.
3. Estimativa da dose. O modelo adivinha o volume ou o peso a partir da imagem. A profundidade é inferida de uma única fotografia em 2D, que é a parte mais difícil. A oclusão (arroz debaixo do frango) e o ângulo da câmara prejudicam ambos.
4. Consulta de nutrientes. O alimento identificado e a dose estimada são cruzados com uma base de dados nutricional e multiplicados em calorias e macros.

Os erros acumulam-se. Uma falha de 10 % na dose mais uma entrada errada na base para o molho podem produzir uma falha de 30 % no número final. É por isso que duas aplicações podem olhar para o mesmo prato e diferir num terço.

O que dizem os estudos

**Revisão sistemática, 2023 (Shonkoff et al., Annals of Medicine).** Reviu a avaliação alimentar por imagem com IA contra valores reais. Os erros relativos para calorias foram de menos de 1 % a 38 % entre estudos, com erros mais baixos quando as imagens tinham alimentos únicos ou simples. Conclusão: os métodos de IA igualam e podem superar a precisão da estimativa humana, mas o desempenho varia enormemente com o conjunto de dados.

Nutrients, 2025. Testou um modelo de IA atual de uso geral em imagens de comida. Estimativa só por imagem: cerca de 30,5 % de erro percentual absoluto médio. Imagem mais uma descrição curta dos ingredientes: cerca de 13,9 %. O contexto reduziu o erro para menos de metade.

Fridolfsson et al., 2025. Testou o ChatGPT, o Claude e o Gemini diretamente em 52 imagens de comida. O erro de peso e energia ficou pouco abaixo dos 40 % para os dois melhores modelos e em 65–70 % para o terceiro, com erros de macronutrientes de 42–110 % — a proteína foi o pior. Os modelos de linguagem genéricos sem um processo específico para comida são claramente piores do que as aplicações dedicadas.

Testes independentes de aplicações, 2026. Dois testes separados com seis aplicações (um relatório de nutrição clínica e uma validação de maio de 2026) concluíram que as aplicações só de foto, enquanto classe, tinham mais erro do que os fluxos manual mais código de barras, com pratos compostos a produzir erros 50–70 % maiores do que pratos de um só item. Descobriram também que a direção do erro importa: algumas aplicações subestimam cronicamente, outras sobrestimam, e um viés consistente é pior para a gestão do peso do que ruído aleatório, porque não se anula ao longo de uma semana.

Estudo de crowdsourcing, 2018 (JMIR). Para calibrar: quando se pediu a 2 028 pessoas para estimar calorias a partir de fotos de comida, a pessoa média acertou 5 em 20 dentro de 20 % do valor real. Mesmo anotadores treinados tiveram o mesmo resultado. Os humanos também são maus nisto.

De onde vem o erro, por ordem

1. Pratos compostos. Caril, guisado, empadão, massa com molho, burrito, feijoada. O modelo não consegue ver a proporção dos ingredientes nem a quantidade de azeite.
2. Calorias escondidas. Molho da salada, azeite de confeção, manteiga, açúcar num molho, natas numa sopa. Invisíveis numa foto, muitas vezes 100–300 kcal.
3. Profundidade da dose. Uma taça parece igual vista de cima quer tenha 150 g ou 300 g de arroz.
4. Alimentos parecidos. Iogurte gordo vs magro, bebidas com açúcar vs sem, cortes magros vs gordos.
5. Luz e ângulo. Má luz degrada a classificação; um ângulo muito inclinado degrada a estimativa da dose.

O que significam realmente as promessas de precisão

Quando uma aplicação diz «90 % de precisão», pergunte: em quê? Os testes de laboratório usam fundos lisos, boa luz, um alimento por prato e doses conhecidas. Isso não é a sua secretária à hora do almoço. O intervalo honesto para uma refeição real composta é 15–30 %. Alguns fabricantes publicam testes próprios com erros de ±1–2 %; trate qualquer número abaixo de 5 % em refeições reais com ceticismo, a menos que a metodologia seja pública e independente.

As próprias perguntas frequentes do Cal AI situam a precisão em cerca de 80 %, o que é uma forma refrescantemente direta de dizer ±20 %. É essa a categoria.

Como obter o número mais preciso

A investigação aponta para um guião claro, e é assim que o CalMePlease foi desenhado para ser usado:

1. Acrescente uma frase. Foto mais «peito de frango, arroz, uma chávena mais ou menos, azeite» corta o erro para cerca de metade. No CalMePlease pode dizê-lo por voz em qualquer um de nove idiomas logo a seguir à foto.

2. Use vídeo para pratos complexos. Uma passagem de dois segundos à volta do prato dá ao modelo mais ângulos para estimar a dose do que uma única foto de cima. O CalMePlease suporta vídeo exatamente por isso.

3. Use o código de barras para comida embalada. Um rótulo lido é exato. Não fotografe uma barra de proteína; leia-a.

4. Corrija o que sabe. Se a aplicação diz 200 g de arroz e sabe que eram 100 g, mude. Todas as aplicações deixam; as boas fazem-no num toque.

5. Ligue à tendência, não à refeição. Uma estimativa isolada pode estar 25 % ao lado. Uma semana de estimativas com erro aleatório converge para um número muito mais apertado. O que importa é se a direção está certa e se consegue agir sobre ela.

6. Registe mais do que calorias. Um erro de 20 % nas calorias é chato. Falhar por completo o açúcar, a fibra e o sal — como fazem a maioria das aplicações de quatro macros — é um ponto cego maior. O CalMePlease mede dez métricas por refeição, por isso até um número de calorias imperfeito vem com o contexto que explica como se sente.

É suficientemente preciso?

Para a maioria das pessoas, sim, com uma condição: o objetivo é consciência e direção, não precisão de laboratório.

Se precisa de atingir exatamente 1 847 kcal para um protocolo clínico, pese a comida e use uma base de dados. Se quer saber que os seus almoços são pesados em hidratos rápidos, que lhe faltam 30 g de proteína na maioria dos dias e que o açúcar do fim de semana é o dobro da média da semana — uma estimativa por foto com uma descrição curta é mais do que suficiente, e é o único método que a maioria das pessoas vai realmente manter depois da segunda semana.

O contador mais preciso é aquele que ainda usa no terceiro mês.

FAQ

A contagem de calorias por IA é suficientemente precisa para perder peso? Sim. Perder peso depende de um défice consistente ao longo de semanas. Erros aleatórios de 15–25 % por refeição anulam-se em grande parte; o que importa é registar todas as refeições, e o registo por foto torna isso muito mais provável do que a introdução manual.

Qual é a aplicação de calorias com IA mais precisa? Não existe um teste independente frente a frente que inclua todas as aplicações. Entre os testes, as aplicações que combinam foto com código de barras e texto, e que deixam corrigir depressa, batem as aplicações só de foto. Pesar à mão mais código de barras bate tudo, à custa de a maioria das pessoas desistir.

Acrescentar uma descrição ajuda mesmo? Sim — a investigação publicada encontrou o erro a cair de ~30 % para ~14 % com uma descrição curta dos ingredientes. É o hábito de maior valor no registo por foto.

Porque é que a aplicação erra a comida de restaurante? Os pratos de restaurante trazem azeite, manteiga e açúcar escondidos que a câmara não vê, e as doses são maiores do que parecem. Conte com subestimação e acrescente uma nota como «restaurante, provavelmente com muito azeite».

A IA consegue contar calorias a partir de um vídeo? Sim. O vídeo dá ao modelo vários ângulos, o que melhora a estimativa da dose. O CalMePlease aceita clipes curtos de vídeo como entrada.

---

Relacionados: As melhores aplicações para contar calorias com IA em 2026 · CalMePlease vs Cal AI

O CalMePlease regista refeições por foto, vídeo, voz ou código de barras e mede dez métricas por refeição. Grátis na App Store.