Saltar al contenido
LifeSugar

¿Cuánto acierta la IA contando hidratos con una foto?

8 min de lecturaEquipo de LifeSugar

Haces una foto al plato y la app te dice cuántos hidratos lleva. Suena bien. La pregunta es si te puedes fiar. En LifeSugar usamos Gemini, de Google, justo para eso, y uno de nosotros cuenta raciones en cada comida. Así que nos hemos leído los estudios publicados hasta octubre de 2026. Te contamos lo que dicen, también lo que no nos deja bien, y cómo nos han hecho diseñar la app.

En corto

  • Con solo una foto, la IA suele fallar entre 10 y 28 g de hidratos por comida 1, 9, 13. Es decir, entre una y tres raciones.
  • Las personas también fallamos: unos 15 g por comida de media en adultos con tipo 1 15.
  • Lo que más la ayuda es decirle cuánto hay. Con los ingredientes y sus gramos, o una descripción detallada, el error baja a 2–6 g 2, 9. Con el peso real, también baja mucho 10.
  • Va bien con una manzana. Le cuesta más con un guiso o un plato grande 3, 7.
  • Ningún estudio dice que sea seguro calcular el bolo con lo que estima una foto.

¿Cuánto se equivoca la IA al contar hidratos con una foto?

Con solo la foto, entre 10 y 28 g de hidratos por comida de media, según el estudio y el modelo: entre una y tres raciones 1, 9, 13. El mejor de los estudios que citamos, 6,6 g, es de Gemini-3 Pro en un estudio pequeño 2.

Estos son los estudios que comparan la IA con alguien de carne y hueso, o con el peso real de la comida. «Error medio» es cuánto se aleja la estimación de los hidratos reales, de media, en cada comida.

Solo con la foto, la IA suele fallar más de una ración. Si le dices la cantidad, menos

Error medio por comida, en gramos de hidratos. Cuanto más corta la línea, mejor.

  • Personas
  • IA
  • Dentro de una ración

Goncalves, 2026 130 comidas fotografiadas, frente a 6 dietistas

  • Dietistas
  • ChatGPT
  • Claude
  • Gemini

Soyer, 2026 218 comidas y 4 tentempiés, frente a 14 adultos con tipo 1 muy entrenados

  • Adultos con tipo 1
  • Gemini-3 Pro, solo la foto
  • Gemini-3 Pro, foto y descripción

Rodríguez-Jiménez, 2025 9195 platos, dando a la IA cada vez más contexto

  • ChatGPT-5, solo la foto
  • ChatGPT-5, con ingredientes y cantidades
Cada bloque es un estudio distinto, con sus comidas, su método y su versión del modelo: compara dentro de cada bloque, no entre bloques.
Ver los datos en una tabla
Error medio por comida, en gramos de hidratos. Cuanto más corta la línea, mejor.
EstudioQuiénError medioEn raciones
Goncalves, 2026Dietistas13 g1,3
Goncalves, 2026ChatGPT20 g2
Goncalves, 2026Claude23 g2,3
Goncalves, 2026Gemini28 g2,8
Soyer, 2026Adultos con tipo 18,3 g0,8
Soyer, 2026Gemini-3 Pro, solo la foto6,6 g0,7
Soyer, 2026Gemini-3 Pro, foto y descripción2,1 g0,2
Rodríguez-Jiménez, 2025ChatGPT-5, solo la foto11,7 g1,2
Rodríguez-Jiménez, 2025ChatGPT-5, con ingredientes y cantidades6,2 g0,6

Hay un dato del primer estudio que nos importa mucho. Gemini se pasó en 20 g o más en el 38 % de las comidas. Los dietistas, en el 3 % 1. Pasarse es lo que lleva a ponerse insulina de más.

Frente a apps específicas de recuento, el resultado es parecido: en 246 comidas de hospital, las apps fallaron de 13 a 21 g y ChatGPT-5, 18 g 4. En ese estudio no queda claro si a ChatGPT se le dio la foto o una descripción.

El segundo estudio es el que mejor deja a la IA, pero sus autores piden cautela: son 14 personas, muy entrenadas 2. Y todo esto es muy reciente. La última revisión sistemática sobre estimar comida con imágenes es de 2023 y no incluye ni un solo estudio con estos modelos 14.

¿Cuánto error es aceptable al contar hidratos?

Unos 10 g, una ración. En niños y adolescentes con insulina intensiva, equivocarse en 10 g no cambió la glucemia de después de comer; equivocarse en 20 g, sí 18, 19.

Diez gramos de hidratos son una ración. Es la medida que usamos en todo el artículo.

En niños y adolescentes con insulina intensiva, equivocarse en 10 g no cambió la glucemia posterior a la comida 18. Equivocarse en 20 g, sí: cuando se contaron 20 g de más, una de cada tres comidas acabó en hipoglucemia 19.

Así que no buscamos una IA que acierte al gramo. Buscamos saber cuántas veces se queda dentro de esa ración de margen.

¿La IA cuenta los hidratos mejor que una persona con diabetes?

Depende del estudio, y la evidencia es mixta. Las personas con diabetes también se equivocan: unos 15 g por comida de media en adultos con tipo 1 15.

Si cuentas hidratos, ya lo sabes: es difícil.

En 50 adultos con tipo 1, el error medio fue de 15,4 g por comida. Y quien más se equivocaba tenía una glucemia más variable 15. En otro estudio, con 61 adultos con insulina, la nota media fue un 59 % y el 82 % contó de más 16. En niños y sus familias, el 73 % de las estimaciones quedó dentro de 10–15 g 20.

Frente a dietistas, la IA falló más en el estudio francés 1. Frente a 14 pacientes muy entrenados, Gemini-3 Pro falló algo menos 2. Así que no se puede decir que la IA cuente mejor que tú. Sí que nadie parte de cero errores.

¿En qué platos se equivoca más la IA?

En los platos con muchos ingredientes, en las raciones grandes y cuando la foto cambia de ángulo 3, 5, 7.

Los estudios coinciden en tres sitios del plato:

La línea azul del arroz es lo que calcula la IA; el montón, lo que hay. El cono azul, lo que ve el móvil.

  1. Platos con muchas cosas. Con fruta y verdura, ChatGPT-4o se quedó dentro de los 10 g en el 93 % de los casos. Con platos compuestos, en el 47 % 3. Arroz, pasta, patata y puré son lo más difícil, también para los dietistas 17.
  2. Raciones grandes. Cuanto más lleno está el plato, más se queda corta 7, 8. Reconoce bien qué hay (acertó el 93 % de los alimentos en un estudio irlandés), pero no cuánto 8.
  3. La misma foto, otra cifra. Si cambias el ángulo, o repites la misma foto, el número cambia. Y un modelo más nuevo no es más estable: GPT-5.1 varió más que GPT-4o 5. Los modelos tampoco coinciden entre sí 6.

¿Cómo se puede mejorar la precisión de la IA al contar hidratos?

Dándole la cantidad. Con los ingredientes y sus gramos, o con una descripción detallada del plato, el error baja a 2–6 g por comida 2, 9. Con el peso real, también baja mucho 10.

Saber qué hay en el plato no es el problema. El problema es cuánto hay.

Cuando a la IA le dan el peso real, el error de Gemini 2.5 Flash cae del 57 % al 20 % 10. Con la lista de ingredientes y sus cantidades, ChatGPT-5 pasa de 11,7 g a 6,2 g 9. Decirle el nombre del plato o dónde lo estás comiendo también ayuda un poco 12, 13.

Lo que no se ha demostrado es que sirva poner una tarjeta o un tenedor al lado para dar escala. En platos compuestos no mejoró nada 3.

¿Qué IA cuenta mejor los hidratos: ChatGPT, Gemini o Claude?

Depende de la versión, no de la marca. Gemini aparece entre los que más fallan en unos estudios y entre los que menos en otros 1, 2, 13.

LifeSugar usa Gemini, así que aquí toca ser claros.

En un estudio sueco, Gemini 1.5 Pro se desvió un 66 % de media con los hidratos; ChatGPT-4o, un 48 % 7. Gemini, sin versión indicada, fue el que más falló en el estudio francés 1. En menús de hospital japoneses, Gemini 1.5 Pro acertó dentro del 10 % en el 47 % de los casos; los dietistas, en el 73 % 11.

En cambio, Gemini-3 Pro fue el que mejor lo hizo en el estudio turco 2, y Gemini 2.5 Pro el mejor con los hidratos en una prueba con 806 fotos 13.

Nadie ha estudiado todavía LifeSugar en concreto. Ninguna de estas cifras es la de nuestra app.

¿Se puede calcular el bolo de insulina con una foto?

Ningún estudio lo respalda. Todos los que se han hecho con personas con diabetes ven la IA como apoyo, no como sustituto, y no hemos encontrado ninguno que pruebe a dosificar insulina con lo que estima una foto 1, 2, 3, 4.

Por eso LifeSugar no calcula bolos. Te da los hidratos y las raciones, y la dosis la decides tú con tu equipo médico. LifeSugar no es un dispositivo médico.

¿En qué estudios se basa LifeSugar?

En los de este artículo. Cada decisión de la app responde a un resultado publicado: corregir antes de guardar, poder decir la cantidad, no calcular el bolo y ver la comida junto a la glucemia.

Leer todo esto nos llevó a diseñar la app así:

  • Todo se puede corregir antes de guardar: el peso, los hidratos y el resto de valores.

    Por qué
    La misma comida da cifras distintas según la foto, y las raciones grandes se quedan cortas.
    Fuente
    5, 7, 8

  • Puedes decirle a Glucy cuánto te has servido y rehace la cuenta.

    Por qué
    Dar la cantidad es lo que más reduce el error de la IA.
    Fuente
    2, 9, 10

  • Te da gramos y raciones, no una dosis.

    Por qué
    El margen que no altera la glucemia es de unos 10 g, una ración, y ningún estudio respalda dosificar con una foto.
    Fuente
    18, 19

  • Guarda cada comida junto a la glucemia de antes y de después, y puedes compartirlo con tu médico.

    Por qué
    Equivocarse más al contar se asocia a una glucemia más variable: verlo junto ayuda a revisarlo con tu equipo médico.
    Fuente
    15

Nuestra conclusión: una foto no sustituye a tu criterio. Te da un punto de partida sin sacar la báscula, y la última palabra sigue siendo tuya.

Cómo cuenta los hidratos LifeSugarQuién está detrás de LifeSugar

Referencias

  1. 1.Chat, Gemini and Claude at the dinner table: assessing general-purpose AI tools for carbohydrate counting in the context of type 1 diabetes. Goncalves S, Coelho C, Pretre L, et al. Diabetes Res Clin Pract. 2026;231:113031. doi.org/10.1016/j.diabres.2025.113031
  2. 2.Evaluation of large language models for carbohydrate counting in type 1 diabetes mellitus: a comparative study with patient estimations. Soyer AK, Akarsu GÇ, Yelli BD, et al. Diabetes Res Clin Pract. 2026;236:113279. doi.org/10.1016/j.diabres.2026.113279
  3. 3.Evaluating Accuracy of ChatGPT-4o in Automated Carbohydrate Estimation From Images as a Self-Management Tool for Adolescents With Type 1 Diabetes. Johansen AR, Laursen IK, Jacobsen V, et al. J Diabetes Sci Technol. 2026. doi.org/10.1177/19322968261424270
  4. 4.Comparative accuracy of smartphone apps and a generative AI tool for carbohydrate counting: An independent bicentric study. Joubert M, Dreves B, Arnould T, et al. Diabetes Obes Metab. 2026;28(3):2105-2112. doi.org/10.1111/dom.70396
  5. 5.Toward Robust AI-Assisted Dietary Assessment for Diabetes Self-Management: Quantifying and Decomposing Large Language Model Prediction Variability From Meal Images. Wang Z, Lane D, Waki K. JMIR Diabetes. 2026;11:e102715. doi.org/10.2196/102715
  6. 6.Carbohydrate counting in traditional Turkish fast foods for individuals with type 1 diabetes: Can artificial intelligence models replace dietitians?. Özkaya V, Eren E, Özgen Özkaya Ş, Özkaya G. Nutrition. 2026;142:112986. doi.org/10.1016/j.nut.2025.112986
  7. 7.Performance Evaluation of 3 Large Language Models for Nutritional Content Estimation from Food Images. Fridolfsson J, Sjöberg E, Thiwång M, Pettersson S. Curr Dev Nutr. 2025;9(10):107556. doi.org/10.1016/j.cdnut.2025.107556
  8. 8.An Evaluation of ChatGPT for Nutrient Content Estimation from Meal Photographs. O'Hara C, Kent G, Flynn AC, Gibney ER, Timon CM. Nutrients. 2025;17(4):607. doi.org/10.3390/nu17040607
  9. 9.Image-Based Dietary Energy and Macronutrients Estimation with ChatGPT-5: Cross-Source Evaluation Across Escalating Context Scenarios. Rodríguez-Jiménez M, Martín-Del-Campo-Becerra GD, Sumalla-Cano S, et al. Nutrients. 2025;17(22):3613. doi.org/10.3390/nu17223613
  10. 10.Benchmarking and Improving Foundation Model Dietary Estimates from Meal Images. Mu Y, Sun J, He J. ACM-BCB 2025. doi.org/10.1145/3765612.3767255
  11. 11.Accuracy of AI-Based Nutrient Estimation from Standardized Hospital Meal Images: A Comparison with Registered Dietitians. Isobe T, Zhang LW, Murakami H, et al. Nutrients. 2026;18(6):966. doi.org/10.3390/nu18060966
  12. 12.Customized multimodal Diabot-GPT-4o enhances accuracy of image-based dietary assessments in dietetic trainees in Taiwan: validation against weighed food records. Chen YJ, Chang CC, Hoang YN, et al. Am J Clin Nutr. 2025;122(6):1836-1849. doi.org/10.1016/j.ajcnut.2025.10.013
  13. 13.Comprehensive Evaluation of Large Multimodal Models for Nutrition Analysis: A New Benchmark Enriched with Contextual Metadata. Coburn B, He J, Rollo ME, et al. arXiv:2507.07048, 2025 (preprint). arxiv.org/abs/2507.07048
  14. 14.AI-based digital image dietary assessment methods compared to humans and ground truth: a systematic review. Shonkoff E, Cara KC, Pei XA, et al. Ann Med. 2023;55(2):2273497. doi.org/10.1080/07853890.2023.2273497
  15. 15.Carbohydrate counting accuracy and blood glucose variability in adults with type 1 diabetes. Brazeau AS, Mircescu H, Desjardins K, et al. Diabetes Res Clin Pract. 2013;99(1):19-23. doi.org/10.1016/j.diabres.2012.10.024
  16. 16.Accuracy of Carbohydrate Counting in Adults. Meade LT, Rushton WE. Clin Diabetes. 2016;34(3):142-147. doi.org/10.2337/diaclin.34.3.142
  17. 17.A Comparative Study on Carbohydrate Estimation: GoCARB vs. Dietitians. Vasiloglou MF, Mougiakakou S, Aubry E, et al. Nutrients. 2018;10(6):741. doi.org/10.3390/nu10060741
  18. 18.Children and adolescents on intensive insulin therapy maintain postprandial glycaemic control without precise carbohydrate counting. Smart CE, Ross K, Edge JA, et al. Diabet Med. 2009;26(3):279-285. doi.org/10.1111/j.1464-5491.2009.02669.x
  19. 19.In children using intensive insulin therapy, a 20-g variation in carbohydrate amount significantly impacts on postprandial glycaemia. Smart CE, King BR, McElduff P, Collins CE. Diabet Med. 2012;29(7):e21-4. doi.org/10.1111/j.1464-5491.2012.03595.x
  20. 20.Can children with Type 1 diabetes and their caregivers estimate the carbohydrate content of meals and snacks?. Smart CE, Ross K, Edge JA, et al. Diabet Med. 2010;27(3):348-353. doi.org/10.1111/j.1464-5491.2010.02945.x