¿Puede la IA calcular las calorías de una foto? Qué puede saber de tu plato

Fotografías tu comida y, unos segundos después, una aplicación muestra calorías, proteínas, grasas e hidratos de carbono. La experiencia resulta cómoda y el resultado parece preciso. Pero una cifra presentada sin decimales sigue pudiendo ser una estimación incierta.

La inteligencia artificial puede facilitar el registro de alimentos. Comprender qué reconoce, qué calcula y qué supone nos ayuda a aprovecharla sin confundir una fotografía con una medición nutricional.

Reconocer un alimento no equivale a conocer su cantidad

Para estimar el contenido nutricional de un plato, un sistema necesita resolver varias tareas: identificar los alimentos, estimar las cantidades y asociarlas con información sobre su composición.

Acertar en la primera no garantiza acertar en las demás. Reconocer arroz resulta diferente de determinar cuántos gramos contiene el plato o cuánto aceite se utilizó.

Hecho: una revisión técnica difundida en febrero de 2026 explica que estimar porciones mediante fotografías sigue planteando dificultades de escala, profundidad y densidad. Una imagen bidimensional pierde información sobre el volumen real; además, alimentos con un volumen parecido pueden tener pesos diferentes. Revisión sobre estimación de porciones.

Ejemplo ilustrativo: dos cremas de verduras pueden tener un aspecto casi idéntico. Una contiene principalmente verduras y agua; la otra incorpora nata y más aceite. La cámara puede mostrar su color y textura, pero no reconstruir con certeza la receta.

Qué está mostrando la investigación de 2026

Hecho: un estudio publicado en Scientific Reports el 25 de junio de 2026 evaluó cuarenta modelos de visión y lenguaje. Comparó configuraciones de fotografías, estrategias de instrucciones y condiciones de imagen.

En las pruebas realizadas, añadir más ángulos no produjo una mejora significativa y las instrucciones más elaboradas tampoco ofrecieron ventajas significativas tras corregir las comparaciones estadísticas. La selección del modelo y las condiciones de imagen tuvieron mayor importancia. Investigación sobre estimación nutricional mediante IA.

Estos resultados tienen un alcance concreto: describen los modelos, imágenes y procedimientos evaluados. No demuestran que cualquier aplicación actual funcione igual ni que una fotografía adicional nunca pueda aportar información.

Perspectiva: escribir «actúa como el mejor nutricionista» no convierte automáticamente una estimación visual en una medición fiable. Una instrucción puede organizar la respuesta, pero no recuperar ingredientes que la imagen no muestra.

Funcionar en un conjunto de pruebas no garantiza funcionar en tu cocina

Un sistema puede obtener buenos resultados con fotografías tomadas en condiciones similares a las utilizadas durante su desarrollo. La dificultad aumenta cuando cambian la cámara, el encuadre, los alimentos o la presentación.

Hecho: un preprint publicado el 21 de octubre de 2026 examinó un modelo entrenado con fotografías de platos pesados y lo probó también en tres conjuntos externos. Su buen rendimiento dentro del entorno original no se trasladó de la misma manera a los demás. El encuadre y las diferencias entre alimentos afectaron a la estimación del peso. Estudio sobre generalización de estimadores de porciones.

Es un trabajo preliminar, pendiente de revisión por pares, y no una evaluación de todas las aplicaciones comerciales. Aun así, plantea una pregunta útil: ¿se ha probado la herramienta con comidas y fotografías parecidas a las nuestras?

Una cifra exacta puede esconder varias suposiciones

Cuando una aplicación indica «537 kilocalorías», quizá haya supuesto una receta estándar, una ración habitual y un método de cocción determinado.

El número final reúne esas suposiciones, aunque la pantalla no las muestre.

Inferencia razonada: una respuesta que explica qué datos faltan puede ser más útil que otra que ofrece una cifra cerrada sin contexto. La apariencia de precisión debería acompañarse de información sobre cómo se obtuvo la estimación.

También importa distinguir entre:

• Lo que identifica visualmente el sistema.
• La cantidad que supone.
• La composición que consulta en una base de datos.
• La información que aporta el usuario.

Cómo utilizar estas herramientas con más criterio

1. Aclara para qué necesitas el registro

Organizar un diario de comidas tiene exigencias distintas de ajustar una pauta nutricional indicada por un profesional. Cuanto mayores sean las consecuencias de un error, más importante será verificar el procedimiento.

2. Añade información que la imagen no puede mostrar

Si conoces los ingredientes, las cantidades o el método de preparación, incorpóralos. Indica también bebidas, salsas y acompañamientos que hayan quedado fuera de la fotografía.

Esto aporta datos al cálculo; no garantiza por sí solo su exactitud.

3. Revisa lo que la aplicación ha reconocido

Antes de aceptar el resultado, comprueba los alimentos y las porciones asignadas. Si el sistema ha confundido un ingrediente, corrige ese dato antes de interpretar las cifras.

Cuando dispongas de cantidades pesadas o de información nutricional del envase, utilízalas para contrastar la estimación.

4. Pregunta por las suposiciones

Una consulta práctica sería:

«Separa los alimentos que identificas, las cantidades que estás suponiendo y los datos que necesitas para mejorar la estimación. No presentes como medido lo que solo puedes inferir».

5. Conserva una visión amplia de la alimentación

Una cifra calórica aislada no describe toda la calidad de una dieta ni las necesidades de una persona. Tampoco convierte una recomendación automática en una pauta clínica personalizada.

Si existe una indicación nutricional por enfermedad, el método de seguimiento debe acordarse con el profesional responsable.

Aprender a interpretar también forma parte del cuidado

La IA puede reducir trabajo y ayudarnos a organizar información. Su utilidad aumenta cuando sabemos reconocer las limitaciones de los datos que recibe.

En Lykios Academy defendemos aprender con claridad, criterio y aplicación práctica. Ante una fotografía de comida, la pregunta útil no es solamente «¿cuántas calorías tiene?», sino «¿qué información permite estimarlas y qué parte todavía estamos suponiendo?».