Quanto è accurato il riconoscimento degli alimenti con l'AI? Cosa aspettarsi

Pubblicato ad aprile 2026

La registrazione dei pasti tramite foto con IA è molto più veloce della ricerca manuale in un database di alimenti. Ma una domanda comune prima di cambiare è: quanto è precisa davvero? La risposta onesta è che dipende da cosa mangi e da come lo fotografi. Ecco cosa può e cosa non può fare la tecnologia.

AI per il riconoscimento degli alimenti: come funziona la tecnologia

L'IA per il riconoscimento degli alimenti è visione artificiale applicata a un piatto: un modello addestrato su immagini di cibo etichettate che identifica cosa c'è in una fotografia e stima quanto ce n'è. La stessa classe di modelli alimenta le app contacalorie per i consumatori e le API commerciali di riconoscimento degli alimenti su cui si basano ristoranti, ospedali e piattaforme per la salute. Ogni implementazione segue le stesse cinque fasi.

• Rilevamento. Il modello trova le zone dell'immagine che contengono cibo, separandole dal piatto, dal tavolo e dallo sfondo.
• Segmentazione. Ogni area con del cibo viene divisa in elementi distinti, così un piatto di verdure saltate diventa proteine, verdure, riso e salsa invece di un unico oggetto.
• Classificazione. Ogni segmento viene confrontato con le categorie di alimenti su cui il modello è stato addestrato. Questa è la fase ormai affidabile: i modelli moderni riconoscono migliaia di piatti.
• Stima del volume e delle porzioni. Il modello deduce quanto è presente di ogni elemento dalla sua dimensione apparente rispetto al piatto, alle posate o ad altri oggetti di riferimento. È questa fase, non la classificazione, a generare quasi tutto l'errore.
• Ricerca dei valori nutrizionali. Ogni alimento identificato viene scalato sulla porzione stimata e associato ai valori di calorie e macronutrienti.

Quando scatti una foto di un pasto, un modello di visione con IA analizza l'immagine per identificare i singoli alimenti. Osserva forme, colori, consistenze e contesto per capire cosa c'è nel piatto. Una volta identificati gli alimenti, il sistema stima le porzioni in base a indizi visivi, tra cui la dimensione apparente di ogni elemento rispetto al piatto, alle posate o ad altri punti di riferimento nell'inquadratura.

A partire da quelle stime, calcola calorie e macronutrienti usando i valori nutrizionali degli alimenti identificati. L'intero processo richiede di solito pochi secondi.

Quanto è precisa?

Per pasti comuni e ben visibili, il riconoscimento degli alimenti con l'AI è ragionevolmente accurato. Un piatto con petto di pollo, riso e verdure al vapore è il tipo di pasto in cui l'AI funziona bene. I singoli componenti sono visibili, le porzioni sono stimabili e gli alimenti sono tra quelli che il modello ha visto molte volte. Quanto si avvicini la stima non è qualcosa che si possa onestamente ridurre a una sola percentuale. La revisione sistematica del 2023 pubblicata su Annals of Medicine ha esaminato 14.059 pubblicazioni, ne ha tenute 52 pubblicate tra il 2010 e il 2023 e ha rilevato errori relativi medi sulle calorie compresi tra lo 0,1% e il 38,3%. Gli autori non hanno potuto aggregare quegli studi in un unico dato, perché i database di immagini alimentari e i risultati riportati variavano troppo per una meta-analisi. Ciò che la revisione stabilisce è la direzione: gli errori erano più bassi per le immagini di alimenti singoli o semplici.

La precisione cala per i piatti misti. Uno spezzatino, uno sformato o un curry contengono ingredienti in parte o del tutto nascosti. L'IA può riconoscere che piatto è, ma non può vedere cosa c'è dentro, quindi le stime si basano più sulle ricette tipiche che su quello che c'è davvero nella tua pentola. Il margine di errore si allarga.

Salse, oli e condimenti sono sempre difficili. Un'insalata condita con olio d'oliva e una condita con una vinaigrette leggera sembrano quasi identiche in foto. La differenza di calorie tra le due può essere significativa. Gli oli da cucina aggiunti in padella prima di saltare il cibo sono del tutto invisibili nella foto finale.

Gli alimenti confezionati con etichetta nutrizionale si gestiscono meglio con l'inserimento manuale o la scansione del codice a barre. Una porzione da 200 g di uno yogurt di marca specifico ha un profilo nutrizionale noto ed esatto. La stima con IA introduce un'incertezza inutile quando il valore reale è stampato sulla confezione.

Cosa influisce sulla precisione

Diversi fattori pratici influiscono su quanto bene funziona l'AI su una determinata foto:

• Illuminazione. Le foto ben illuminate danno al modello più informazioni visive. Una luce scarsa appiattisce le consistenze e riduce la fedeltà dei colori, rendendo il cibo più difficile da identificare correttamente.
• Angolazione. Le foto dall'alto (direttamente sopra il piatto) tendono a dare i risultati migliori. Le angolazioni laterali possono nascondere alcuni alimenti dietro altri e rendere meno affidabile la stima delle porzioni.
• Disposizione del cibo. Gli alimenti distribuiti nel piatto in porzioni separate sono più facili da analizzare di quelli impilati o mescolati. Se mangi più alimenti, disporli separati prima di fotografarli aiuta.
• Oggetti di riferimento. Includere nell'inquadratura il bordo del piatto, una forchetta o un altro oggetto familiare aiuta il modello a calibrare la porzione. Un pezzo di pollo sembra di dimensioni molto diverse accanto a una forchetta rispetto a quando è da solo.

I pasti misti sono più difficili dei singoli alimenti

Un petto di pollo alla griglia accanto a riso e broccoli è fatto di tre forme distinte con contorni netti. Un curry, uno stufato, uno sformato o un'insalata condita sono un'unica massa visiva in cui i componenti si sovrappongono, si nascondono a vicenda e hanno densità diverse. L'AI stima il secondo tipo in modo nettamente meno accurato, e questo è il singolo fattore che più di tutti predice se una stima da foto sarà vicina al vero.

La revisione sistematica del 2023 su Annals of Medicine, che copre 52 studi pubblicati tra il 2010 e il 2023, ha trovato errori relativi medi sulle calorie tra lo 0,10% e il 38,3%, e ha riportato che gli errori "tendevano a essere minori per le immagini di un singolo alimento rispetto a quelle con più alimenti". Indica direttamente il caso difficile: "le immagini con piatti misti (come i curry) o piatti con una varietà di alimenti sovrapposti di altezze diverse o con contorni poco chiari presentano un rischio maggiore di errori di classificazione o segmentazione". Dei 22 errori di stima del volume più bassi negli studi esaminati, il 68% proveniva da immagini di un singolo alimento.

Un'analisi di GPT-4V confrontata con pasti di riferimento pesati, pubblicata su IEEE Journal of Biomedical and Health Informatics nel 2024, ha quantificato lo scarto. Stimare un alimento alla volta, su 32 alimenti, ha prodotto un errore calorico assoluto medio di 69,2 kcal. Stimare l'intero pasto, su 10 pasti, ha prodotto 151,2 kcal, circa il doppio. La causa è l'accumulo: la dimensione della porzione è la principale fonte di errore, e un piatto misto richiede una valutazione separata della porzione per ogni componente, ognuna con il suo errore.

La questione non è del tutto chiusa. Uno studio del 2025 su Nutrients che ha analizzato 195 piatti ha trovato solo una debole correlazione tra numero di ingredienti ed errore (r non superiore a 0,37) e ha concluso che il numero di componenti non era un fattore determinante. La sintesi onesta è che conta più la separabilità visiva che il numero di ingredienti: un piatto con sei alimenti ben separati è più facile di una ciotola con tre alimenti mescolati.

Cosa significa in pratica

• Fotografa prima di mescolare. Scatta ai componenti finché sono ancora distinti, non alla ciotola già mescolata.
• Dividi un pasto misto in due foto quando puoi farlo in modo ragionevole. Due stime singole sono meglio di una stima composta.
• Correggi la stima per tutto ciò che è frullato, condito con salse o stratificato. I grassi sono il nutriente sottostimato con più costanza in tutti gli studi, e l'olio in una salsa è invisibile in una foto.
• Considera stufati e curry fatti in casa il caso peggiore, e registrali a partire dagli ingredienti invece che da una foto quando il pasto conta.

Rispetto a cosa?

Il confronto utile non è tra l'AI e un numero perfetto, ma tra l'AI e il modo in cui altrimenti registreresti il pasto, che è anch'esso impreciso.

Uno studio del 2018 su Nutrients ha chiesto a 38 professionisti della nutrizione di stimare le porzioni a partire da immagini di cibo. Solo il 23,7% delle loro stime sui piatti rientrava nel 10% della quantità effettivamente pesata, con una differenza percentuale assoluta media del 47,6%. Il lavoro Nutrition5k presentato al CVPR 2021 ha condotto una verifica umana più piccola accanto al suo dataset di circa 5.000 piatti: 4 nutrizionisti e 16 dilettanti hanno valutato 10 piatti scelti per essere più semplici della media del dataset. I nutrizionisti hanno avuto un errore medio del 41% e i dilettanti del 53%. Leggilo come un ordine di grandezza su un campione favorevole, non come una stima sulla popolazione.

Anche la registrazione manuale nelle app ha una sua distorsione, anche se più piccola di quanto suggerisca il dato principale. Una meta-analisi del 2021 su Advances in Nutrition che ha aggregato 11 studi su app di diario alimentare ha rilevato che sottostimavano l'apporto energetico in media di 202 kcal al giorno (IC 95%: da 319 a 85 kcal). La maggior parte di quello scarto dipende dalla tabella di composizione degli alimenti più che dalla registrazione: dove l'app e il metodo di riferimento usavano la stessa tabella, la sottostima aggregata scendeva a 57 kcal al giorno (IC 95%: da una sottostima di 116 kcal a un eccesso di 2 kcal) e l'eterogeneità tra gli studi si azzerava. Su una giornata da 2.000 calorie è meno del 3%, quindi un inserimento manuale accurato con un database corrispondente è davvero il metodo più preciso.

Quindi la stima da foto di un piatto misto è imprecisa, e lo è anche quella di una dietista che guarda lo stesso piatto. Un inserimento manuale accurato batte entrambe in precisione, e perde contro entrambe sulla costanza nel farlo. Quello che la registrazione con foto cambia non è la precisione ma il fatto che tu registri o meno il pasto, e un pasto registrato con una stima correggibile vale più di uno non registrato.

Diffida delle dichiarazioni sulla precisione

Diversi siti pubblicano dati di precisione dall'aria esatta per le app contacalorie, alcuni citando studi e DOI che non esistono. Nessuna app ha una validazione pubblicata e sottoposta a revisione paritaria del prodotto che distribuisce. Quando un numero non ha dietro una rivista citata, una dimensione del campione e una metodologia, consideralo marketing. Questo vale anche per noi: i dati di questa pagina sono citati da ricerche indipendenti, non da nostri test.

"Abbastanza vicino" è abbastanza?

Per la maggior parte delle persone, sì. Un margine di errore a due cifre sembra significativo preso da solo, ma il contesto conta.

Nemmeno le voci inserite manualmente dal database sono perfettamente precise. I database compilati dagli utenti contengono errori, le porzioni sono definite in modo diverso da una fonte all'altra e i pasti cucinati in casa raramente corrispondono al metodo di preparazione previsto da una voce del database. La precisione reale della registrazione manuale per il cibo fatto in casa è più bassa di quanto pensi la maggior parte delle persone.

Ancora più importante, ai fini del monitoraggio la costanza conta più della precisione. Se stai confrontando i tracker basati sull'AI con le app tradizionali con database, il confronto VitaCal vs MyFitnessPal spiega le differenze pratiche nel modo di registrare. Se l'AI sbaglia sistematicamente del 15% su un pasto che mangi spesso, il tuo apporto registrato riflette comunque quello reale in termini relativi. Le tendenze settimanali, le risposte ai cambiamenti nella dieta e i progressi nel tempo restano tutti significativi. Lo scopo del monitoraggio è sviluppare consapevolezza e individuare schemi, non ottenere una misurazione da laboratorio di ogni pasto.

Ciò che manda in crisi il monitoraggio non è il margine di errore. Ciò che lo manda in crisi è abbandonare l'abitudine perché registrare è troppo lento o troppo faticoso. La registrazione con foto AI risolve direttamente questo problema.

Come ottenere risultati migliori

Alcune semplici abitudini miglioreranno la qualità delle tue stime AI:

• Controlla cosa ha identificato l'AI prima di confermare la registrazione. Se ha dimenticato un ingrediente o ha riconosciuto male qualcosa, puoi correggerlo prima di salvare.
• Scatta le foto direttamente dall'alto con una buona illuminazione. Richiede un secondo in più e fa una differenza misurabile.
• Per i pasti in cui la precisione conta, registra i singoli componenti separatamente invece che come un unico piatto. Questo dà al modello un compito più semplice per ogni elemento.
• Usa l'inserimento manuale per gli alimenti confezionati. Se c'è un'etichetta nutrizionale, usala. Riserva la registrazione AI ai pasti in cui ha un vero vantaggio: cibi cucinati, pasti al ristorante e tutto ciò che altrimenti dovresti cercare.

L'approccio di VitaCal

Per un confronto della registrazione con foto tra le app che la offrono, consulta la guida alle app contacalorie AI con riconoscimento delle foto.

VitaCal ti mostra esattamente cosa ha identificato l'AI nella tua foto prima che venga registrato qualcosa. Puoi vedere i singoli alimenti, le porzioni stimate e le calorie e i macro risultanti. Se qualcosa non torna, puoi correggere le porzioni o rimuovere elementi prima di confermare. Nulla viene registrato senza la tua verifica.

Se vuoi vedere come funziona in pratica la registrazione con l'AI, prova VitaCal gratis. Il piano gratuito include cinque analisi AI a settimana, senza pubblicità.