De Mest Almindeligt Over- og Undervurderede Fødevarer: Indsigter fra AI vs. Manuel Registrering

Du tror, du ved, hvor mange kalorier der er i den salat. Men du tager sandsynligvis fejl.

Kalorieestimering er en af de mest undersøgte og misforståede aspekter af ernæringsregistrering. Forskning viser konsekvent, at folk er dårlige til at estimere kalorier — men hvilke specifikke fødevarer skaber de største problemer? Og kan AI gøre det bedre?

Hos Nutrola har vi et unikt datasæt til at besvare disse spørgsmål. Ved at sammenligne AI-genererede estimater, manuelle brugerindgange og verificerede referenceværdier for 26 millioner måltider kan vi præcist identificere, hvilke fødevarer der systematisk er over- og undervurderede, kvantificere fejlens omfang og vise, hvor AI-registrering tilbyder en meningsfuld korrektion.

Resultaterne afslører blinde vinkler, der påvirker næsten enhver, der registrerer deres mad, uanset om de bruger AI eller ej.

Sådan Identificerede Vi Estimeringsfejl

Metodologi

Vi har analyseret 26,4 millioner måltidsindgange fra Nutrola-platformen, der blev registreret mellem maj 2025 og februar 2026. For hver indgang havde vi:

1. Brugerens registrerede værdi (enten manuelt indtastet eller AI-genereret via Snap & Track)
2. Referenceværdien fra Nutrola's verificerede ernæringsdatabase, krydshenviset med USDA FoodData Central

For sammenligningen mellem AI og manuel registrering fokuserede vi på et subset af 4,8 millioner indgange, hvor den samme fødevare blev registreret af forskellige brugere via begge metoder, hvilket muliggør direkte sammenligning af estimeringsmønstre.

Vi gennemførte også en kontrolleret valideringsundersøgelse med 3.200 Nutrola-brugere, der vejede alle ingredienser med køkkenvægte og indsendte både vejede værdier og deres normale (uvejede) logindgange over en to-ugers periode, hvilket genererede 38.400 validerede måltidssammenligninger.

Definition af Over- og Undervurdering

• Undervurdering: Den registrerede kalorierværdi er lavere end referenceværdien (brugeren tror, at fødevaren har færre kalorier, end den faktisk har)
• Overvurdering: Den registrerede kalorierværdi er højere end referenceværdien (brugeren tror, at fødevaren har flere kalorier, end den faktisk har)

Vi rapporterer fejl som procentdele af referenceværdien. En fødevare med en referenceværdi på 400 kcal, der er registreret som 300 kcal, repræsenterer en -25% undervurdering.

De 15 Mest Undervurderede Fødevarer

Her er de fødevarer, hvor brugerne konsekvent registrerer færre kalorier, end fødevaren faktisk indeholder. Undervurdering er langt den mere almindelige og farlige fejl, da den skaber usynlige kalorieoverskud.

Undervurderingstabel: Manuel Indtastning

Rang	Fødevare	Gennemsnitlig Manuel Indtastning (kcal)	Referenceværdi (kcal)	Fejl	Hyppighed i Datasættet
1	Madolier (pr. spiseskefuld)	68	120	-43,3%	2,1M indgange
2	Salatdressing (pr. servering)	82	138	-40,6%	1,4M indgange
3	Nødder og nøddeblandinger (pr. håndfuld)	104	172	-39,5%	1,8M indgange
4	Jordnøddesmør (pr. spiseskefuld)	62	96	-35,4%	920K indgange
5	Ost (pr. skive/portion)	78	114	-31,6%	1,6M indgange
6	Granola (pr. servering)	148	212	-30,2%	680K indgange
7	Pasta (kogt, pr. kop)	156	220	-29,1%	1,2M indgange
8	Ris (kogt, pr. kop)	152	206	-26,2%	1,9M indgange
9	Avocado (pr. halv)	98	130	-24,6%	1,1M indgange
10	Smoothies (hjemmelavede)	218	284	-23,2%	740K indgange
11	Brød (pr. skive)	64	82	-22,0%	1,7M indgange
12	Fløde i kaffe	18	52	-65,4%	2,4M indgange
13	Smør (pr. klat/servering)	42	72	-41,7%	890K indgange
14	Tørret frugt (pr. håndfuld)	84	124	-32,3%	460K indgange
15	Trail mix (pr. servering)	138	196	-29,6%	310K indgange

Fløde i kaffe har den højeste individuelle fejlprocent på -65,4%, selvom den absolutte kalorieindvirkning pr. servering er mindre end for andre varer. I forhold til både procentfejl og absolut kalorieindvirkning er madolier den mest undervurderede fødevarekategori, hvor brugerne i gennemsnit registrerer 68 kcal, når den faktiske værdi er 120 kcal pr. spiseskefuld. Da mange hjemmelavede måltider involverer 2-3 spiseskefulde olie, kan denne enkeltstående udeladelse repræsentere et dagligt underskud på 100-150 kcal i registreringen.

Blindvinklen for "Sunde Fødevarer"

Et klart mønster træder frem: mange af de mest undervurderede fødevarer opfattes som "sunde." Nødder, avocado, olivenolie, granola og smoothies bærer alle sundhedshaloer, der får folk til psykologisk at minimere deres kalorieindhold.

Vi fandt, at fødevarer, der blev vurderet som "sunde" af brugerne i vores undersøgelser, undervurderes med i gennemsnit 28,4%, sammenlignet med 12,1% for fødevarer vurderet som "usunde." Folk synes ubevidst at ligestille "god for dig" med "lav kalorie," selv når det modsatte er sandt.

Fødevareopfattelse	Gennemsnitlig Kalorieestimeringsfejl	Størrelse af Prøve
"Meget sund"	-31,2% (under)	4,8M indgange
"Nogenlunde sund"	-22,6% (under)	6,2M indgange
"Neutral"	-8,4% (under)	5,1M indgange
"Nogenlunde usund"	+4,2% (over)	4,6M indgange
"Meget usund"	+14,8% (over)	3,4M indgange

Mønsteret er bemærkelsesværdigt lineært: jo sundere folk opfatter en fødevare, desto mere undervurderer de dens kalorier. Jo usundere de opfatter den, desto mere overvurderer de.

De 15 Mest Overvurderede Fødevarer

Overvurdering er mindre almindelig, men stadig betydelig. Her er fødevarer, hvor brugerne konsekvent registrerer flere kalorier, end fødevaren faktisk indeholder.

Overvurderingstabel: Manuel Indtastning

Rang	Fødevare	Gennemsnitlig Manuel Indtastning (kcal)	Referenceværdi (kcal)	Fejl	Hyppighed i Datasættet
1	Sushi (pr. stykke/rulle)	412	298	+38,3%	680K indgange
2	Pizza (pr. skive)	386	285	+35,4%	1,4M indgange
3	Pommes frites (pr. servering)	498	378	+31,7%	920K indgange
4	Hamburger (standard)	624	486	+28,4%	780K indgange
5	Is (pr. kugle)	198	156	+26,9%	1,1M indgange
6	Chokolade (pr. firkant/stykke)	68	54	+25,9%	1,3M indgange
7	Øl (pr. pint)	242	196	+23,5%	640K indgange
8	Bagel (plain)	342	278	+23,0%	480K indgange
9	Pandekager (pr. pandekage)	178	148	+20,3%	520K indgange
10	Burrito	724	612	+18,3%	390K indgange
11	Stegt kylling (pr. stykke)	348	298	+16,8%	570K indgange
12	Pasta med sauce (restaurant)	862	742	+16,2%	440K indgange
13	Kage (pr. skive)	448	392	+14,3%	680K indgange
14	Småkager (pr. småkage)	86	76	+13,2%	890K indgange
15	Muffin (bageristil)	498	442	+12,7%	410K indgange

Sushi er den mest overvurderede fødevare med +38,3%. Mange mennesker antager, at sushi er ekstremt høj i kalorier, fordi det er restaurantmad, men individuelle stykker nigiri og små ruller er relativt moderate i kalorier. En 6-stykker laksrulle indeholder typisk 250-300 kcal, men brugere registrerer det ofte til 400+ kcal.

Pizza, pommes frites og hamburgere er også betydeligt overvurderede. "Junk food skyld"-effekten får folk til at antage, at disse fødevarer er værre, end de faktisk er pr. standardservering.

Skyldmultiplikatoren

Vi kalder dette "skyldmultiplikatoren" — den psykologiske tendens til at overdrive kalorieestimater for fødevarer, der føles forkælet. Effekten er stærkest for fødevarer, der ofte forbindes med "at snyde" eller "bryde" en diæt.

Brugere, der beskriver sig selv som "strikt diætende," overvurderer forkælelsesfødevarer med 32,1% i gennemsnit, sammenlignet med 18,4% for brugere, der beskriver deres tilgang som "fleksibel." Dette tyder på, at strenge kostvaner forstærker estimeringsbias i begge retninger — undervurdering af "gode" fødevarer og overvurdering af "dårlige."

Hvordan AI Sammenlignes: Korrektionsmønstre

AI vs. Manuel: Direkte Nøjagtighed

Når vi sammenligner AI-fotoestimater med manuelle indtastninger for de samme fødevarer, præsterer AI konsekvent tættere på referenceværdien.

Fødevarekategori	Manuel Indtastningsfejl	AI Foto Fejl	AI Fordel
Madolier	-43,3%	-18,2%	25,1 pp bedre
Salatdressing	-40,6%	-14,8%	25,8 pp bedre
Nødder	-39,5%	-12,4%	27,1 pp bedre
Pasta (kogt)	-29,1%	-8,6%	20,5 pp bedre
Ris (kogt)	-26,2%	-7,8%	18,4 pp bedre
Sushi (overvurderet)	+38,3%	+6,4%	31,9 pp bedre
Pizza (overvurderet)	+35,4%	+8,2%	27,2 pp bedre
Pommes frites (overvurderet)	+31,7%	+7,1%	24,6 pp bedre

AI overgår manuel indtastning for hver enkelt fødevarekategori i vores analyse. Forbedringen er mest dramatisk for de mest biased kategorier: nødder (-39,5% manuel vs. -12,4% AI), salatdressing (-40,6% vs. -14,8%) og sushi (+38,3% vs. +6,4%).

Årsagen er enkel: AI har ikke psykologiske bias. Den forbinder ikke granola med sundhed eller pizza med skyld. Den estimerer baseret på visuel portionsanalyse og trænede ernæringsmodeller, hvilket omgår de kognitive genveje, der fører mennesker på afveje.

Hvor AI Stadig Har Udfordringer

AI er ikke perfekt. Der er specifikke scenarier, hvor AI-estimering halter:

Scenario	AI Fejl	Manuel Fejl (informeret bruger)	Vinder
Skjulte ingredienser (saucer under mad)	-22,4%	-8,6% (hvis bruger tilføjer sauce)	Manuel
Multi-lags sandwiches	-16,8%	-6,2% (hvis bruger angiver alle fyld)	Manuel
Fødevarer i uigennemsigtige beholdere	-28,6%	-4,1% (hvis bruger kender indholdet)	Manuel
Identisk udseende fødevarer (blomkålsris vs. ris)	-14,2%	-2,8% (hvis bruger vælger korrekt)	Manuel
Flydende kalorier (smoothies, juice)	-18,4%	-23,2%	AI
Kalorietætte småvarer (nødder, tørret frugt)	-12,4%	-39,5%	AI

AI præsterer dårligere end en informeret manuel indtastning, når ingredienser er skjult for kameraet. Men nøgleordet er "informeret" — i praksis undlader mange manuelle brugere også at tage højde for skjulte ingredienser. Når vi sammenligner AI med faktisk (ikke ideel) manuel indtastningsadfærd, vinder AI i næsten hver kategori, fordi virkelige manuelle indgange ofte udelader de ingredienser, der er skjult for kameraet.

Den Kumulative Indvirkning af Estimeringsfejl

Daglig Kaloriefejl efter Metode

Hvor meget tilføjer disse individuelle fødevarefejl op over en hel dag?

Metode	Gennemsnitlig Daglig Kaloriefejl	Retning af Bias	Årlig Indvirkning (hvis ukorrigeret)
Manuel Indtastning	-268 kcal/dag	Undervurdering	~12,5 kg uregistreret fedtækvivalent
AI Foto	-84 kcal/dag	Undervurdering (mild)	~3,9 kg uregistreret fedtækvivalent
Stregkode Scanning	-32 kcal/dag	Undervurdering (minimal)	~1,5 kg uregistreret fedtækvivalent
Blandet (AI + Stregkode)	-48 kcal/dag	Undervurdering (minimal)	~2,2 kg uregistreret fedtækvivalent

Brugere af manuel indtastning undervurderer i gennemsnit med 268 kcal om dagen. Over et år svarer det til næsten 98.000 uregistrerede kalorier — den energiske ækvivalent af cirka 12,5 kg kropsfedt. Dette betyder ikke, at manuelle brugere tager på med 12,5 kg, men det betyder, at deres opfattelse af deres indtag konsekvent og betydeligt er lavere end virkeligheden.

AI foto-brugere undervurderer med en meget mindre mængde på 84 kcal/dag, og brugere af blandede metoder (AI + stregkode) undervurderer med blot 48 kcal/dag — en margin, der næppe vil påvirke resultaterne meningsfuldt.

Den Makro-Niveau Forvrængning

Estimeringsfejl er ikke ligeligt fordelt på makronæringsstoffer.

Makronæringsstof	Gennemsnitlig Fejl ved Manuel Indtastning	Gennemsnitlig Fejl ved AI Foto
Fedt	-34,2% (kraftigt under)	-12,8% (mildt under)
Kulhydrater	-14,6% (moderat under)	-6,4% (let under)
Protein	-4,8% (let under)	-3,2% (let under)

Fedt er det mest undervurderede makronæringsstof med en stor margin i manuelle indtastninger. Brugere undervurderer fedt med 34,2% i gennemsnit, primært fordi de største undervurderede fødevarer (olier, dressinger, nødder, ost, smør) alle er fedtdominante. Dette betyder, at manuelle registratorer, der tror, de spiser en kost med 30% fedt, faktisk kan spise tættere på 38-40% fedt.

AI reducerer fedtestimationskløften til -12,8%, en forbedring på 21,4 procentpoint. Proteinestimering er relativt præcis for begge metoder, sandsynligvis fordi proteinkilder (kylling, æg, fisk) har tendens til at være fokuspunktet i måltider og er lettere at identificere og portionere.

Fødevare-for-Fødevarer AI Korrektionsanalyse

De 10 Bedste AI Korrekturer

Her er de fødevarer, hvor Nutrola's AI oftest justerer den oprindelige estimering efter brugerne har gennemgået loggen, hvilket indikerer, at AI har identificeret en uoverensstemmelse mellem hvad brugeren forventede, og hvad dataene viste.

Fødevare	Gennemsnitlig Brugerforventning	Gennemsnitlig AI Estimering	Korrektionsretning	Korrektionsstørrelse
Restaurant Caesar salat	320 kcal	548 kcal	Op	+228 kcal
Acai skål	280 kcal	486 kcal	Op	+206 kcal
Kornskål (restaurant)	410 kcal	612 kcal	Op	+202 kcal
Starbucks Frappuccino	210 kcal	398 kcal	Op	+188 kcal
Pad Thai (takeout)	420 kcal	592 kcal	Op	+172 kcal
Kyllingwrap (deli)	340 kcal	498 kcal	Op	+158 kcal
Trail mix (stor håndfuld)	180 kcal	324 kcal	Op	+144 kcal
Sushi platter	680 kcal	548 kcal	Ned	-132 kcal
McDonald's Big Mac	720 kcal	563 kcal	Ned	-157 kcal
Biograf popcorn (stor)	842 kcal	1.030 kcal	Op	+188 kcal

Den restaurant Caesar salat topper korrigeringslisten. Brugerne forventer, at den er omkring 320 kcal — rimeligt for en bunke romainesalat — men virkeligheden med croutoner, parmesan, dressing og ofte grillet kylling skubber den op til 548 kcal. Dette er en 71% undervurdering, som AI fanger ved at genkende de synlige komponenter.

Acai skåle er et andet slående eksempel. Markedsført som en sund fødevare, forventer brugerne 280 kcal, men kombinationen af acai-base, granola, honning, frugt og nøddebutter når typisk 486 kcal. AI identificerer toppings og justerer derefter.

Korrekturen for Big Mac går den anden vej: brugerne forventer 720 kcal (skyldovervurdering), når den faktiske værdi er 563 kcal. Kalorietallene for fastfood er ofte lavere, end folk forestiller sig for individuelle varer, selvom de samlede måltidskalorier inklusive sider og drikkevarer typisk er højere.

Demografiske Mønstre i Estimeringsfejl

Alder og Estimeringsnøjagtighed

Aldersgruppe	Gennemsnitlig Undervurdering (Manuel)	Gennemsnitlig Undervurdering (AI)	Mest Almindeligt Udeladte Fødevarer
18-24	-312 kcal/dag	-96 kcal/dag	Alkohol, saucer, snacks sent om natten
25-34	-284 kcal/dag	-88 kcal/dag	Madolier, kaffe tilsætninger, dressinger
35-44	-248 kcal/dag	-78 kcal/dag	Madolier, ost, portionsstørrelser
45-54	-226 kcal/dag	-72 kcal/dag	Smør, brød, madolier
55+	-198 kcal/dag	-64 kcal/dag	Smør, madolier, portioner

Yngre brugere (18-24) viser den højeste undervurderingsfejl med -312 kcal/dag for manuelle indtastninger. Alkohol og snacks sent om natten er de største syndere i denne aldersgruppe. Estimeringsnøjagtigheden forbedres med alderen, hvilket potentielt afspejler større madlavningserfaring og fødevarebevidsthed.

AI indsnævrer alderskløften betydeligt. Forskellen mellem den mindst nøjagtige aldersgruppe (18-24, -96 kcal/dag) og den mest nøjagtige (55+, -64 kcal/dag) er kun 32 kcal med AI, sammenlignet med 114 kcal med manuel indtastning.

Målbaseret Estimeringsbias

Mål	Manuel Indtastningsbias	AI Foto Bias	Forskellen
Tabe sig	-312 kcal/dag (under)	-92 kcal/dag (under)	220 kcal
Opretholde vægt	-198 kcal/dag (under)	-68 kcal/dag (under)	130 kcal
Bygge muskler	-142 kcal/dag (under)	-54 kcal/dag (under)	88 kcal
Generel sundhed	-218 kcal/dag (under)	-76 kcal/dag (under)	142 kcal

Brugere, der ønsker at tabe sig, viser den stærkeste undervurderingsbias med -312 kcal/dag manuelt. Dette er et velkendt psykologisk fænomen: folk med restriktive mål minimerer ubevidst deres indtag. AI reducerer denne bias med 71% til -92 kcal/dag, hvilket giver en mere objektiv vurdering, der er mindre påvirket af kostmål.

Praktiske Implikationer: Sådan Forbedrer Du Din Nøjagtighed

De Fem Højeste Indvirkningsændringer

Baseret på vores data ville disse fem justeringer eliminere den største del af estimeringsfejl for de fleste brugere:

1. Registrer madolier og fedt eksplicit (sparer ~104 kcal/dag i fejl)

Madolier er den største kilde til undervurdering. Hæld olie i en måleske, før du tilsætter den til panden, eller estimér højt. En spiseskefuld madolie er cirka 120 kcal.

2. Registrer alle dressinger, saucer og tilbehør (sparer ~68 kcal/dag i fejl)

Salatdressinger, mayonnaise, ketchup, sojasauce og dyppesaucer udelades fra 34% af de måltider, der indeholder dem. En typisk restaurantservering af salatdressing tilføjer 150-200 kcal.

3. Brug AI foto registrering til restaurant- og hjemmelavede måltider (sparer ~52 kcal/dag i fejl)

AI eliminerer sundhedshalo-bias og skyld-multiplikator-effekter, der forvrænger manuelle estimater for ikke-pakkede fødevarer. Lad AI give dig et startestimat, og juster om nødvendigt.

4. Veje kalorietætte fødevarer, når det er muligt (sparer ~46 kcal/dag i fejl)

Nødder, ost, jordnøddesmør, granola og tørret frugt er små i volumen, men høje i kalorier. En køkkenvægt fjerner gætteriet for disse varer helt.

5. Registrer fløde, sukker og mælk i kaffe og te (sparer ~28 kcal/dag i fejl)

Den gennemsnitlige kaffe-tilføjelse (fløde og sukker kombineret) tilføjer 52 kcal, men brugere, der registrerer kaffe, inkluderer sjældent tilsætninger. Tre kopper kaffe om dagen betyder 156 kcal uregistreret indtag.

Total Indvirkning

Implementering af alle fem ændringer ville reducere den daglige estimeringsfejl med cirka 298 kcal for en typisk manuel indtastningsbruger, hvilket næsten helt eliminerer den systematiske undervurderingsbias.

Alternativt vil skift til Nutrola's AI foto registrering som din primære metode automatisk fange 65-70% af denne forbedring uden at kræve nogen af de manuelle praksisser ovenfor.

FAQ

Hvorfor undervurderer folk mere end de overvurderer?

Den systematiske bias mod undervurdering har to hovedårsager. For det første er kalorie-dense ingredienser (olier, dressinger, nødder, ost) fysisk små i forhold til deres kalorieindhold, hvilket gør visuel estimering vanskelig. For det andet viser psykologisk forskning, at folk med sundheds- og vægtstyringsmål ubevidst minimerer deres indtag, et fænomen kaldet "optimistisk bias" i diætregistrering.

Forbedrer brugen af AI virkelig nøjagtigheden så meget?

Ja. Vores data viser, at AI foto registrering reducerer den daglige kalorieestimeringsfejl fra -268 kcal (manuelt indtastning) til -84 kcal, en forbedring på 69%. For de mest biased fødevarekategorier (olier, nødder, dressinger) overstiger forbedringen 60%. AI er ikke perfekt, men den eliminerer de psykologiske bias, der forårsager de største systematiske fejl.

Hvad er den enkelt værste fødevare for kalorieestimering?

I forhold til procentfejl har fløde i kaffe den højeste individuelle undervurderingsrate på -65,4%. Men i forhold til den samlede daglige kalorieindvirkning er madolier de værste, fordi de bruges hyppigt, og fejlen pr. hændelse er stor (gennemsnit på 52 kcal undervurderet pr. brug, hvor de fleste brugere laver mad med olie mindst to gange om dagen).

Skal jeg stoppe med at indtaste mad manuelt?

Ikke nødvendigvis. Manuel indtastning er mest effektiv til pakkede fødevarer, hvor du kan læse ernæringsmærket, eller når du bruger en fødevarevægt til at veje ingredienser. Dataene tyder på, at manuel indtastning fungerer bedst som et supplement til AI foto registrering — brug Nutrola's Snap & Track til kogte måltider og restaurantmad, og manuel indtastning når du har præcise vægt- eller mærkedata.

Gælder sundhedshalo-effekten for specifikke diæter?

Ja. Brugere, der følger plantebaserede, økologiske eller "rene kost" diæter, viser højere grader af undervurdering for fødevarer inden for deres kostramme. For eksempel undervurderer veganske brugere kalorierne i nødder og nøddebutter med 44,2%, sammenlignet med 35,8% for omnivorer. Jo stærkere sundhedsforbindelsen er, desto større er blindvinklen.

Hvor ofte skal jeg bruge en fødevarevægt?

Vores data tyder på, at daglig brug af fødevarevægte ikke er nødvendig for de fleste brugere. At bruge en vægt til de fem mest undervurderede fødevarekategorier i din personlige kost (som Nutrola's analyser kan identificere for dig) fanger det meste af nøjagtighedsfordelen. Selv ugentlige "kalibreringssessioner," hvor du vejer nøglefødevarer, har vist sig at forbedre estimeringsnøjagtigheden for resten af ugen med 18%.

Vil Nutrola fortælle mig, hvilke fødevarer jeg har tendens til at estimere forkert?

Ja. Nutrola's personlige analysefunktion sporer dine registreringsmønstre og kan identificere fødevarer, hvor dine indgange konsekvent afviger fra referenceværdierne. Denne personlige feedback hjælper dig med at fokusere dine nøjagtighedsindsatser, hvor de vil have den største indvirkning på dine specifikke registreringsblindvinkler.