Salta al contingut
LifeSugar

Quant encerta la IA comptant hidrats amb una foto?

8 min de lecturaEquip de LifeSugar

Fas una foto al plat i l'app et diu quants hidrats porta. Sona bé. La pregunta és si te'n pots refiar. A LifeSugar fem servir Gemini, de Google, justament per això, i un de nosaltres compta racions a cada àpat. Així que ens hem llegit els estudis publicats fins a l'octubre de 2026. T'expliquem què diuen, també el que no ens deixa bé, i com ens han fet dissenyar l'app.

En resum

  • Amb només una foto, la IA sol fallar entre 10 i 28 g d'hidrats per àpat 1, 9, 13. És a dir, entre una i tres racions.
  • Les persones també fallem: uns 15 g per àpat de mitjana en adults amb tipus 1 15.
  • El que més l'ajuda és dir-li quant hi ha. Amb els ingredients i els seus grams, o una descripció detallada, l'error baixa a 2–6 g 2, 9. Amb el pes real, també baixa molt 10.
  • Va bé amb una poma. Li costa més amb un guisat o un plat gran 3, 7.
  • Cap estudi diu que sigui segur calcular el bolus amb el que estima una foto.

Quant s'equivoca la IA en comptar hidrats amb una foto?

Amb només la foto, entre 10 i 28 g d'hidrats per àpat de mitjana, segons l'estudi i el model: entre una i tres racions 1, 9, 13. El millor dels estudis que citem, 6,6 g, és de Gemini-3 Pro en un estudi petit 2.

Aquests són els estudis que comparen la IA amb algú de carn i ossos, o amb el pes real del menjar. «Error mitjà» és quant s'allunya l'estimació dels hidrats reals, de mitjana, a cada àpat.

Només amb la foto, la IA sol fallar més d'una ració. Si li dius la quantitat, menys

Error mitjà per àpat, en grams d'hidrats. Com més curta la línia, millor.

  • Persones
  • IA
  • Dins d'una ració

Goncalves, 2026 130 àpats fotografiats, davant de 6 dietistes

  • Dietistes
  • ChatGPT
  • Claude
  • Gemini

Soyer, 2026 218 àpats i 4 piscolabis, davant de 14 adults amb tipus 1 molt entrenats

  • Adults amb tipus 1
  • Gemini-3 Pro, només la foto
  • Gemini-3 Pro, foto i descripció

Rodríguez-Jiménez, 2025 9195 plats, donant a la IA cada cop més context

  • ChatGPT-5, només la foto
  • ChatGPT-5, amb ingredients i quantitats
Cada bloc és un estudi diferent, amb els seus àpats, el seu mètode i la seva versió del model: compara dins de cada bloc, no entre blocs.
Veure les dades en una taula
Error mitjà per àpat, en grams d'hidrats. Com més curta la línia, millor.
EstudiQuiError mitjàEn racions
Goncalves, 2026Dietistes13 g1,3
Goncalves, 2026ChatGPT20 g2
Goncalves, 2026Claude23 g2,3
Goncalves, 2026Gemini28 g2,8
Soyer, 2026Adults amb tipus 18,3 g0,8
Soyer, 2026Gemini-3 Pro, només la foto6,6 g0,7
Soyer, 2026Gemini-3 Pro, foto i descripció2,1 g0,2
Rodríguez-Jiménez, 2025ChatGPT-5, només la foto11,7 g1,2
Rodríguez-Jiménez, 2025ChatGPT-5, amb ingredients i quantitats6,2 g0,6

Hi ha una dada del primer estudi que ens importa molt. Gemini es va passar en 20 g o més en el 38 % dels àpats. Els dietistes, en el 3 % 1. Passar-se és el que porta a posar-se insulina de més.

Davant d'apps específiques de recompte, el resultat és semblant: en 246 àpats d'hospital, les apps van fallar de 13 a 21 g i ChatGPT-5, 18 g 4. En aquest estudi no queda clar si a ChatGPT se li va donar la foto o una descripció.

El segon estudi és el que deixa millor la IA, però els seus autors demanen cautela: són 14 persones, molt entrenades 2. I tot això és molt recent. L'última revisió sistemàtica sobre estimar menjar amb imatges és del 2023 i no inclou ni un sol estudi amb aquests models 14.

Quant error és acceptable en comptar hidrats?

Uns 10 g, una ració. En nens i adolescents amb insulina intensiva, equivocar-se en 10 g no va canviar la glucèmia de després de menjar; equivocar-se en 20 g, sí 18, 19.

Deu grams d'hidrats són una ració. És la mesura que fem servir en tot l'article.

En nens i adolescents amb insulina intensiva, equivocar-se en 10 g no va canviar la glucèmia posterior a l'àpat 18. Equivocar-se en 20 g, sí: quan es van comptar 20 g de més, un de cada tres àpats va acabar en hipoglucèmia 19.

Així que no busquem una IA que encerti al gram. Busquem saber quantes vegades es queda dins d'aquesta ració de marge.

La IA compta els hidrats millor que una persona amb diabetis?

Depèn de l'estudi, i l'evidència és mixta. Les persones amb diabetis també s'equivoquen: uns 15 g per àpat de mitjana en adults amb tipus 1 15.

Si comptes hidrats, ja ho saps: és difícil.

En 50 adults amb tipus 1, l'error mitjà va ser de 15,4 g per àpat. I qui més s'equivocava tenia una glucèmia més variable 15. En un altre estudi, amb 61 adults amb insulina, la nota mitjana va ser un 59 % i el 82 % va comptar de més 16. En nens i les seves famílies, el 73 % de les estimacions va quedar dins de 10–15 g 20.

Davant de dietistes, la IA va fallar més en l'estudi francès 1. Davant de 14 pacients molt entrenats, Gemini-3 Pro va fallar una mica menys 2. Així que no es pot dir que la IA compti millor que tu. Sí que ningú no parteix de zero errors.

En quins plats s'equivoca més la IA?

En els plats amb molts ingredients, en les racions grans i quan la foto canvia d'angle 3, 5, 7.

Els estudis coincideixen en tres llocs del plat:

La línia blava de l'arròs és el que calcula la IA; el munt, el que hi ha. El con blau, el que veu el mòbil.

  1. Plats amb moltes coses. Amb fruita i verdura, ChatGPT-4o es va quedar dins dels 10 g en el 93 % dels casos. Amb plats compostos, en el 47 % 3. Arròs, pasta, patata i puré són el més difícil, també per als dietistes 17.
  2. Racions grans. Com més ple està el plat, més es queda curta 7, 8. Reconeix bé què hi ha (va encertar el 93 % dels aliments en un estudi irlandès), però no quant 8.
  3. La mateixa foto, una altra xifra. Si canvies l'angle, o repeteixes la mateixa foto, el número canvia. I un model més nou no és més estable: GPT-5.1 va variar més que GPT-4o 5. Els models tampoc coincideixen entre ells 6.

Com es pot millorar la precisió de la IA en comptar hidrats?

Donant-li la quantitat. Amb els ingredients i els seus grams, o amb una descripció detallada del plat, l'error baixa a 2–6 g per àpat 2, 9. Amb el pes real, també baixa molt 10.

Saber què hi ha al plat no és el problema. El problema és quant hi ha.

Quan a la IA li donen el pes real, l'error de Gemini 2.5 Flash cau del 57 % al 20 % 10. Amb la llista d'ingredients i les seves quantitats, ChatGPT-5 passa d'11,7 g a 6,2 g 9. Dir-li el nom del plat o on el menges també ajuda una mica 12, 13.

El que no s'ha demostrat és que serveixi posar una targeta o una forquilla al costat per donar escala. En plats compostos no va millorar res 3.

Quina IA compta millor els hidrats: ChatGPT, Gemini o Claude?

Depèn de la versió, no de la marca. Gemini apareix entre els que més fallen en uns estudis i entre els que menys en uns altres 1, 2, 13.

LifeSugar fa servir Gemini, així que aquí toca ser clars.

En un estudi suec, Gemini 1.5 Pro es va desviar un 66 % de mitjana amb els hidrats; ChatGPT-4o, un 48 % 7. Gemini, sense versió indicada, va ser el que més va fallar a l'estudi francès 1. En menús d'hospital japonesos, Gemini 1.5 Pro va encertar dins del 10 % en el 47 % dels casos; els dietistes, en el 73 % 11.

En canvi, Gemini-3 Pro va ser el que ho va fer millor a l'estudi turc 2, i Gemini 2.5 Pro el millor amb els hidrats en una prova amb 806 fotos 13.

Ningú no ha estudiat encara LifeSugar en concret. Cap d'aquestes xifres és la de la nostra app.

Es pot calcular el bolus d'insulina amb una foto?

Cap estudi ho avala. Tots els que s'han fet amb persones amb diabetis veuen la IA com a suport, no com a substitut, i no n'hem trobat cap que provi de dosificar insulina amb el que estima una foto 1, 2, 3, 4.

Per això LifeSugar no calcula bolus. Et dona els hidrats i les racions, i la dosi la decideixes tu amb el teu equip mèdic. LifeSugar no és un dispositiu mèdic.

En quins estudis es basa LifeSugar?

En els d'aquest article. Cada decisió de l'app respon a un resultat publicat: corregir abans de desar, poder dir la quantitat, no calcular el bolus i veure el menjar al costat de la glucèmia.

Llegir tot això ens va portar a dissenyar l'app així:

  • Tot es pot corregir abans de desar: el pes, els hidrats i la resta de valors.

    Per què
    El mateix àpat dona xifres diferents segons la foto, i les racions grans es queden curtes.
    Font
    5, 7, 8

  • Pots dir a Glucy quant t'has servit i refà el compte.

    Per què
    Donar la quantitat és el que més redueix l'error de la IA.
    Font
    2, 9, 10

  • Et dona grams i racions, no una dosi.

    Per què
    El marge que no altera la glucèmia és d'uns 10 g, una ració, i cap estudi avala dosificar amb una foto.
    Font
    18, 19

  • Desa cada àpat al costat de la glucèmia d'abans i de després, i ho pots compartir amb el teu metge.

    Per què
    Equivocar-se més en comptar s'associa a una glucèmia més variable: veure-ho junt ajuda a revisar-ho amb el teu equip mèdic.
    Font
    15

La nostra conclusió: una foto no substitueix el teu criteri. Et dona un punt de partida sense treure la bàscula, i l'última paraula continua sent teva.

Com compta els hidrats LifeSugarQui hi ha darrere de LifeSugar

Referències

  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