Genauigkeit der Foodvisor Kaloriendatenbank: Wie zuverlässig ist sie 2026?

Die Datenbank von Foodvisor basiert auf KI-Schätzungen und Benutzereingaben. Die Genauigkeit hängt von der Zuversicht der KI und der Häufigkeit des Lebensmittels ab. Dieser Satz erklärt, warum zwei Personen, die dasselbe Gericht in Foodvisor eintragen, unterschiedliche Kalorienwerte erhalten können — und warum eine Schüssel einfacher Haferflocken eine präzise Schätzung liefert, während eine hausgemachte Lasagne eine Schätzung zurückgibt, bei der die App selbst unsicher ist.

Foodvisor hat sich einen Namen durch die fotobasierte Protokollierung gemacht. Halte deine Kamera auf einen Teller, und die App segmentiert, was sie sieht, klassifiziert jedes Element und fügt eine Portion sowie einen Kalorienwert hinzu. Es fühlt sich anfangs magisch an. Doch sobald du ernsthaft mit dem Tracking beginnst — deine Portionen wiegst, sie mit Nährwertangaben abgleichst und die Kalorienwerte von Woche zu Woche vergleichst — werden die Mechaniken der Datenbank wichtiger als die Benutzeroberfläche.

Dieser Leitfaden ist eine tiefgehende Analyse der Mechanik, wie die Datenbank von Foodvisor im Jahr 2026 tatsächlich funktioniert: Woher die Zahlen stammen, was „verifiziert“ in der App bedeutet, wo die Zuverlässigkeit bricht und wie eine hybride Datenbank aus KI und Community im Vergleich zu Datenbanken abschneidet, die auf von Ernährungsberatern verifizierten Einträgen basieren.

---

Wie die Datenbank von Foodvisor aufgebaut wurde

Die Lebensmitteldatenbank von Foodvisor ist keine einzelne Quelle. Sie ist ein mehrschichtiges System, das drei Quellen übereinander kombiniert.

Die erste Schicht ist ein KI-geschätzter Kern. Als Foodvisor die Fotoerkennung einführte, benötigte es eine Nachschlagetabelle, die „gegrilltes Hähnchenbrustfilet“ oder „Banane“ ohne menschliches Eingreifen in jede Zeile mit Kalorien und Makros verknüpfen konnte. Diese Nachschlagetabelle wurde aus öffentlichen Nährdatensätzen gespeist — denjenigen, die die meisten Kalorien-Apps antreiben — und programmatisch für Variationen erweitert, die das Modell erkennen konnte. „Gegrilltes Hähnchenoberschenkel“, „gebackenes Hähnchenoberschenkel“, „Hähnchenoberschenkel mit Haut“ und „Hähnchenoberschenkel ohne Haut“ stehen nahe beieinander, wobei die Werte von einem Basisprofil geschätzt und nach Zubereitungsart und Zutatenverhältnis angepasst werden.

Die zweite Schicht sind Benutzereingaben. Wenn ein Lebensmittel nicht erkannt wird — oder falsch erkannt wird — können Benutzer Einträge erstellen, bestehende korrigieren oder Etikettenscans einreichen. Diese Einträge erweitern die Datenbank schnell, führen jedoch zu Variationen: Dasselbe Markenjoghurt könnte viermal von vier Benutzern mit vier leicht unterschiedlichen Portionsgrößen und Kalorienwerten eingetragen werden. Einige Benutzereingaben werden überprüft; viele jedoch nicht, zumindest nicht bevor sie durchsuchbar werden.

Die dritte Schicht sind Marken- und Barcode-Daten. Foodvisor bezieht Barcode-Daten aus Datenbanken für verpackte Lebensmittel, was eine gute Abdeckung für verpackte, konservierte und verpackte Artikel in unterstützten Regionen bietet. Die Abdeckung ist in Märkten, in denen Foodvisor aktive Benutzer hat — insbesondere in Europa — stärker und dünner für regionsspezifische Marken.

Diese Schichten zusammen ergeben eine große durchsuchbare Datenbank mit schneller Fotoerkennung. Doch die Genauigkeit eines einzelnen Eintrags hängt ganz davon ab, aus welcher Schicht er stammt und ob er seitdem von jemandem überprüft wurde.

---

Was ist ein verifizierter Eintrag bei Foodvisor?

Das Wort „verifiziert“ wird in Kalorien-Apps häufig verwendet, und es bedeutet nicht überall dasselbe.

Bei Foodvisor bedeutet ein „verifizierter“ Eintrag im Allgemeinen eines von drei Dingen. Es kann sich um einen markenbezogenen, verpackten Artikel handeln, der aus einer Barcode-Datenbank stammt, deren Werte direkt vom Etikett des Herstellers kommen. Es kann sich um einen von Mitarbeitern überprüften generischen Eintrag handeln — ein häufiges Lebensmittel wie „weißer Reis, gekocht“ — dessen Zahlen mit Referenztabellen abgeglichen wurden. Oder es kann sich um eine Benutzereingabe handeln, die von genügend anderen Benutzern markiert, bearbeitet oder bestätigt wurde, um ein Vertrauenssignal innerhalb der App zu erhalten.

Keiner dieser Einträge entspricht der unabhängigen Validierung des Makro- und Mikronährstoffprofils des Lebensmittels durch einen registrierten Ernährungsberater oder Diätassistenten. Und das ist die Mechanik, die die meisten Benutzer übersehen. Ein „verifiziertes“ Label in einer hybriden Datenbank bedeutet normalerweise „diese Zeile ist nicht offensichtlich falsch“ anstelle von „diese Zeile wurde auf ernährungsphysiologische Genauigkeit gegenüber einem Referenzstandard überprüft.“

Das ist weniger wichtig für eine Dose Bohnen, bei der das Etikett die Quelle der Wahrheit ist. Es ist wichtiger für generische Lebensmittel — genau die Fälle, in denen die KI-Fotoerkennung am wahrscheinlichsten Fehler macht. „Gegrillter Lachs, 150 g“ kann je nach Art, Fettgehalt und Zubereitungsart um 20 % oder mehr in den tatsächlichen Kalorien variieren. Wenn die zugrunde liegende Zeile geschätzt und nicht überprüft wurde, ist diese Varianz in jedem Log enthalten, das sie verwendet.

---

Wo die Zuverlässigkeit bricht

Die Datenbank von Foodvisor ist für die meisten alltäglichen Protokollierungen wirklich nützlich. Wo sie versagt, ist an den Rändern — und diese Ränder treten häufiger auf, als man erwarten würde.

Gemischte Gerichte und zusammengesetzte Mahlzeiten. Ein Teller Lasagne, ein Curry mit Reis und Naan, eine Frühstücksschüssel mit sechs Toppings — das sind die Momente, in denen die Foto-KI sowohl bei den Zutaten als auch bei den Verhältnissen raten muss. Die Datenbank könnte „Lasagne, Rindfleisch“ und „Lasagne, Gemüse“ und „hausgemachte Lasagne“ haben, aber das spezifische Verhältnis von Fleisch zu Käse zu Pasta zu Sauce auf deinem Teller ist effektiv unbekannt. Der zurückgegebene Kalorienwert ist ein Durchschnitt, keine Messung.

Regionale und ethnische Lebensmittel. Gerichte, die in einer Region häufig und in einer anderen selten sind, haben tendenziell eine dünnere Abdeckung und mehr Benutzereingaben pro Zeile. Wenn du Jollof-Reis, Bibimbap, Pastel de Nata oder Shakshuka protokollierst, ist es wahrscheinlicher, dass du auf eine benutzergenerierte oder KI-geschätzte Zeile stößt als auf eine, die von einem Etikett unterstützt wird. Der Eintrag könnte immer noch nah dran sein — aber es ist weniger wahrscheinlich, dass er überprüft wurde.

Hausgemachte Rezepte. Wenn du zu Hause nach einem Rezept kochst, fordert dich Foodvisor entweder auf, das Rezept aus Zutaten zu erstellen (genau, aber langsam) oder lässt die KI es aus einem Foto schätzen (schnell, aber ungenau). Es gibt kein Dazwischen, wo ein Ernährungsberater das Chili deiner Schwiegermutter vorab validiert hat.

Portionsschätzung aus Fotos. Dies ist die zweite große Genauigkeitsvariable, die auf der Datenbank selbst sitzt. Selbst wenn die Datenbankzeile korrekt ist, muss die App immer noch schätzen, wie viel davon auf deinem Teller ist. Die portionsbasierte Schätzung aus Fotos funktioniert gut bei offensichtlichen Fällen — einem Apfel, einer Scheibe Brot — und ist wackelig bei mehrdeutigen Fällen — einer Portion Eintopf, einer großzügigen Portion Pasta, einem Stück Fleisch, das aus einem bestimmten Winkel fotografiert wurde.

Duplikate und Drift. Da Benutzer Einträge einreichen können, sammelt die Datenbank nahezu Duplikate: dasselbe Lebensmittel fünfmal mit leicht unterschiedlichen Werten protokolliert. Über Monate hinweg kann das Auswählen des falschen Duplikats eine stetige Verzerrung in deine Gesamtsummen einführen.

Das macht Foodvisor nicht unbrauchbar. Es macht es zu einem Werkzeug, dessen Genauigkeit davon abhängt, wie das Lebensmittel, das du isst, über diese Schichten verteilt ist.

---

Wie Foodvisor im Vergleich zu verifizierten Datenbank-Apps abschneidet

Die Alternative zu einer hybriden KI-Plus-Community-Datenbank ist eine Datenbank, in der jeder Eintrag von einem qualifizierten Ernährungsexperten überprüft wird, bevor er durchsuchbar wird.

Der mechanische Unterschied liegt upstream. In einer verifizierten Datenbank-App wurde die Zeile, die du in der Suche antippst, bereits gegen eine Referenz validiert — sei es eine staatliche Nährwertdatenbank, eine Laboranalyse oder ein zertifiziertes Etikett des Herstellers — und von jemandem überprüft, dessen Aufgabe die ernährungsphysiologische Genauigkeit ist. Benutzereingaben, wenn sie überhaupt erlaubt sind, durchlaufen diese Überprüfung, bevor sie live gehen.

Die Kompromisse sind in beide Richtungen real. Verifizierte Datenbanken haben tendenziell eine kleinere Rohzeilenzahl, da jede Zeile Kosten für die Überprüfung mit sich bringt. Sie wachsen langsamer. Sie enthalten weniger wahrscheinlich ein zufälliges regionales Gericht, das letzte Woche von 40 Benutzern protokolliert wurde.

Aber für die Zahlen, die tatsächlich dein Gewicht, deine Makros und deine Mikronährstoffabdeckung beeinflussen, bietet eine verifizierte Zeile dir ein engeres Vertrauensintervall als eine KI-geschätzte. Und für Benutzer, die sich um Mikronährstoffe kümmern — Eisen, B12, Magnesium, Omega-3, Vitamin D — enthalten verifizierte Datenbanken tendenziell viel mehr Nährstoffe pro Eintrag, da der Überprüfungsprozess das vollständige Profil erfasst und nicht nur die Kalorien- und Makrofelder, auf die das KI-Modell trainiert wurde.

Wenn dein Protokoll hauptsächlich aus Fotos von gängigen Lebensmitteln besteht, wird sich eine hybride Datenbank schneller anfühlen. Wenn dein Protokoll eine Mischung aus verpackten Lebensmitteln, hausgemachten Mahlzeiten und einem ernsthaften Interesse daran ist, was tatsächlich in deinem Essen steckt, wird sich eine verifizierte Datenbank ehrlicher anfühlen.

---

Praktische Tipps

Wenn du bei Foodvisor bleibst, können einige Mechaniken den Fehler erheblich reduzieren.

Wiege deine Portionen immer dann, wenn das Lebensmittel dicht oder kalorienreich ist — Öle, Nüsse, Käse, Fleisch, Reis, Pasta. Die Schätzung der Portionsgröße aus Fotos ist die größte Fehlerquelle für diese Lebensmittel, und eine Küchenwaage beseitigt sie.

Wenn die App mehrere Übereinstimmungen für dasselbe Lebensmittel anbietet, wähle den Eintrag mit einem Markennamen, einem Barcode oder einem offensichtlichen, etikettengestützten Signal, bevor du eine generische Zeile auswählst. Die etikettengestützte Zeile ist am wahrscheinlichsten korrekt.

Für Rezepte, die du häufig kochst, erstelle sie einmal als benutzerdefiniertes Rezept aus gewogenen Zutaten. Speichere es. Protokolliere dieses benutzerdefinierte Rezept, anstatt die KI jedes Mal das Gericht neu schätzen zu lassen — deine Gesamtsummen werden von Woche zu Woche konsistent sein.

Für Restaurantgerichte suche nach dem Namen des Restaurants und dem Menüpunkt, anstatt ein Foto zu machen. Kettenrestaurants veröffentlichen Kalorienangaben, die oft in der Datenbank landen; unabhängige Restaurants werden unabhängig von der KI geschätzt, und eine manuelle Schätzung anhand des Menüs ist oft näher als ein Tellerfoto.

Überprüfe einige deiner am häufigsten protokollierten Lebensmittel mit der Verpackung. Wenn die Zeile der App mehr als 10-15 % von der Etikette abweicht, bearbeite den Eintrag oder wechsle zur etikettengestützten Version. Einige kleine Korrekturen zu Beginn deines Protokolls fangen Fehler ein, die sich sonst summieren würden.

---

Wann du wechseln solltest

Foodvisor ist ein guter Ausgangspunkt. Es ist schnell, visuell und senkt die Einstiegshürde für das Protokollieren — was der Hauptgrund ist, warum Menschen beim Kalorienzählen aufgeben. Aber es gibt vier Signale, die dir sagen, dass du es überholt hast.

Du protokollierst aus medizinischen Gründen — einer Diagnose, einem Rezept, einem Protokoll vor einer Operation, einem Ziel zur Körperzusammensetzung im Sport — und eine Fehlerquote von 10-15 % bei deinen wöchentlichen Summen ist nicht akzeptabel.

Du interessierst dich für Mikronährstoffe, nicht nur für Kalorien und Makros. Wenn du dein Magnesium, dein B12, dein Eisen, deine Omega-3-Verteilung sehen und das genau tun möchtest, benötigst du eine Datenbank, die diese Felder mit verifizierten Werten erfasst, nicht eine Datenbank, die sie manchmal hat und manchmal schätzt.

Du kochst viel zu Hause nach echten Rezepten und möchtest Wiederholbarkeit. Wenn dein Frühstück aus derselben Schüssel Haferflocken-Beeren-Nüsse-Samen an sechs Tagen in der Woche besteht, möchtest du, dass das einmal korrekt protokolliert wird, mit allen Nährstoffen berücksichtigt.

Du hast die App lange genug genutzt, um eine Drift zu bemerken. Wenn dein Gewicht sich in die entgegengesetzte Richtung bewegt als das, was deine Summen vorschlagen, liegt das wahrscheinlich an der Datenbank und der Portionsschätzung, nicht an deiner Biologie.

An einem dieser vier Punkte hört eine App mit verifizierter Datenbank auf, ein Upgrade zu sein, und wird zu einer Notwendigkeit.

---

Wie Nutrola's verifizierte Datenbank funktioniert

Nutrola wurde für Benutzer entwickelt, die bereits fotobasierte Apps ausprobiert haben und die Mechanik dahinter ehrlich wollen. So funktioniert die Datenbank in konkreten Begriffen.

• 1,8 Millionen+ Einträge, die vor der Veröffentlichung in der Suche von qualifizierten Ernährungsberatern überprüft wurden.
• 100+ Nährstoffe pro Eintrag — nicht nur Kalorien, Protein, Kohlenhydrate, Fett, sondern das vollständige Mikronährstoffprofil.
• Jede Zeile trägt ihre Quelle: Herstelleretikett, nationale Nährwertdatenbank oder von Ernährungsberatern geprüfte generische Einträge.
• Markenlebensmittel werden direkt aus verifizierten Barcode-Datenbanken entnommen, nicht von Benutzern neu eingegeben.
• Regionale Abdeckung in 14 Sprachen, sodass lokale Lebensmittel mit lokaler Genauigkeit vertreten sind.
• KI-Fotoerkennung in unter 3 Sekunden — aber die Werte, die sie zurückgibt, stammen aus der verifizierten Datenbank darunter, nicht aus einer KI-geschätzten Abkürzung.
• Portionsschätzung, die durch die verifizierte Zeile unterstützt wird, sodass, wenn du Gramm oder Portionen anpasst, jeder Nährstoff korrekt skaliert.
• Benutzerdefinierte Rezepte, die aus verifizierten Zutaten erstellt werden, sodass deine wiederholbaren Mahlzeiten verifizierte Summen übernehmen.
• Duplikate werden zusammengeführt, nicht gestapelt, sodass die Suche eine kanonische Zeile pro Lebensmittel zurückgibt.
• Kein werbebasierter Anreiz zur Erhöhung der Eintragsanzahl — die Datenbank wächst durch Genauigkeit, nicht durch Volumen.
• Ab €2,50/Monat erhältlich, mit einer kostenlosen Stufe für Benutzer, die von Anfang an verifiziert starten möchten.
• Keine Werbung in jeder Stufe, sodass die Erfahrung sich nicht verschlechtert, je mehr du sie nutzt.

Das Designziel ist einfach: Die Zeile, die du in der Suche antippst, ist die Zeile, die dir ein Ernährungsberater geben würde, wenn du ihn fragst.

---

Vergleichstabelle

Mechanik	Foodvisor	Verifizierte DB-Apps	Nutrola
Datenbankquelle	KI-geschätzt + benutzergeneriert + Barcode	Referenzgestützt + überprüft	Von Ernährungsberatern verifiziert + Barcode
Eintragsüberprüfung	Teilweise, vertrauenssignalbasiert	Überprüfung vor der Veröffentlichung	Überprüfung durch Ernährungsberater vor der Veröffentlichung
Nährstoffe pro Eintrag	Kalorien, Makros, begrenzte Mikros	Vollständiges Makro- + Mikronährstoffprofil	100+ Nährstoffe pro Eintrag
Foto-KI	Schnell, Schätzungen aus dem Modell	In der Regel abwesend	KI-Foto in unter 3s, verifizierte Werte
Portionsschätzung	Foto-geschätzt	Manuelle Gramm/Portionen	Foto + verifiziertes Scaling
Benutzerdefinierte Rezepte	Zutatenbasiert	Zutatenbasiert	Zutatenbasiert aus verifizierten Zeilen
Regionale Abdeckung	Stark in Europa, unregelmäßig anderswo	Variiert je nach App	14 Sprachen, lokale Genauigkeit
Werbung in der kostenlosen Stufe	Ja	Variiert	Null Werbung in jeder Stufe
Einstiegspreis	Kostenlos + Premium	Variiert	Kostenlose Stufe + €2,50/Monat

---

Am besten, wenn du schnelles Fotoprotocoling möchtest und den Genauigkeitskompromiss akzeptierst

Foodvisor ist das richtige Werkzeug, wenn es beim Protokollieren darum geht, ein lockeres Bewusstsein für deine Aufnahme zu behalten, nicht darum, ein strenges Makro-Ziel zu erreichen oder Mikronährstoffe zu überprüfen. Der Foto-Flow ist wirklich schnell, die Datenbank deckt gängige Lebensmittel gut ab, und die Ungenauigkeit ist akzeptabel, weil deine Entscheidungen nicht von einem 5 %-Unterschied abhängen.

Am besten, wenn du aus medizinischen oder leistungsbezogenen Gründen protokollierst

Wenn dein Protokoll eine Verschreibung, ein Ziel zur Körperzusammensetzung, einen Protokoll vor einem Ereignis oder ein klinisches Protokoll steuert, benötigst du verifizierte Werte. Hybride Datenbanken tragen zu viel Varianz auf der Eintragsebene. Wähle eine App, deren Zeilen vor der Veröffentlichung überprüft werden, und wiege deine Portionen.

Am besten, wenn du verifizierte Genauigkeit mit der Geschwindigkeit von KI möchtest

Nutrola ist die einzige Option, die dir eine Fotoprotocoling-Zeit von unter 3 Sekunden auf einer Datenbank mit über 1,8 Millionen von Ernährungsberatern verifizierten Einträgen, mit 100+ Nährstoffen pro Eintrag, Abdeckung in 14 Sprachen, null Werbung und Preisen ab €2,50/Monat bietet. Die Mechanik darunter ist verifiziert, und die Benutzeroberfläche darüber ist schnell.

---

FAQ

Ist die Kaloriendaten von Foodvisor genau genug für Gewichtsverlust?

Für moderaten Gewichtsverlust bei einem komfortablen Defizit ist Foodvisor in der Regel nah genug — innerhalb einer Marge, die die meisten Benutzer durch Konsistenz korrigieren können. Bei strengen Diäten, Plateau-Durchbrüchen oder medizinisch überwachten Verlusten beginnt die Varianz zwischen KI-geschätzten Zeilen und realer Aufnahme wichtig zu werden, und eine verifizierte Datenbank reduziert die Unsicherheit.

Wie schätzt die KI von Foodvisor Portionsgrößen aus Fotos?

Die KI segmentiert den Teller, klassifiziert jedes Element gegen die Datenbank und schätzt das Portionsvolumen anhand von Referenzdimensionen — normalerweise der Tellergröße, Besteck oder bekannten Objekten im Bild. Sie funktioniert am besten bei einfachen Tellern mit klaren Elementen und hat die größten Schwierigkeiten bei gemischten, geschöpften oder schräg fotografierten Bildern.

Was bedeutet „verifiziert“ in der Foodvisor-App?

In der Regel eines von drei Dingen: ein markenbezogener Barcode-Eintrag, ein von Mitarbeitern überprüfter generischer Eintrag oder eine Benutzereingabe, die genügend positive Signale gesammelt hat. Es ist nicht dasselbe wie die unabhängige Überprüfung des Nährstoffprofils durch einen registrierten Ernährungsberater.

Warum liefern dieselben Lebensmittel unterschiedliche Kalorienwerte in verschiedenen Apps?

Weil die zugrunde liegenden Zeilen aus unterschiedlichen Quellen stammen. Eine App könnte eine staatliche Referenztabelle verwenden, eine andere könnte Herstelleretiketten verwenden, eine dritte könnte KI-geschätzte generische Einträge verwenden. Das Lebensmittel ist dasselbe; die Zeile ist es nicht.

Kann ich einen falschen Eintrag bei Foodvisor korrigieren?

Ja — du kannst einen Eintrag bearbeiten oder eine Korrektur einreichen, und die App kann deine bevorzugte Übereinstimmung lernen. Aber du kannst nicht jeden historischen Log rückwirkend korrigieren, und deine Korrektur wird möglicherweise nicht an andere Benutzer weitergegeben, bis sie überprüft wurde.

Kostet eine verifizierte Datenbank mehr als eine hybride?

Nicht unbedingt. Nutrola's verifizierte Datenbank beginnt bei €2,50/Monat mit einer kostenlosen Stufe, die zum Preis der meisten Premium-Stufen hybrider Datenbanken liegt oder darunter. Der Kostenfaktor ist der Überprüfungsprozess, nicht der Endbenutzerpreis.

Wird Nutrola's KI-Foto-Funktion genauso schnell sein wie die von Foodvisor?

Ja. Nutrola's KI-Fotoerkennung läuft in unter 3 Sekunden, vergleichbar oder schneller als bei hybriden Datenbank-Foto-Apps. Der Unterschied besteht darin, dass die zurückgegebenen Werte aus der verifizierten Datenbank stammen und nicht aus einer KI-geschätzten Abkürzung.

---

Endgültiges Urteil

Die Datenbank von Foodvisor ist ein pragmatisches Hybridmodell: KI-geschätzt im Kern, erweitert durch Benutzereingaben und verstärkt durch Barcode-Daten. Für lockeres Protokollieren von gängigen Lebensmitteln funktioniert sie. Die Mechanik ist ehrlich über ihre Grenzen, wenn du weißt, wo du hinschauen musst — und wenn deine Ziele eine Fehlerquote tolerieren, die sich mit der Seltenheit oder Komplexität deiner Mahlzeiten erhöht.

Die Fehlerquellen sind vorhersehbar. Gemischte Gerichte, regionale Lebensmittel, hausgemachte Rezepte und die Portionsschätzung aus Fotos sind die Bereiche, in denen das hybride Modell überdehnt wird. Ein korrigierter Teller und eine gewogene Portion schließen die meisten Lücken; ein strenges medizinisches oder leistungsbezogenes Ziel legt das Übriggebliebene offen.

Für Benutzer, die diese Kompromisse überholt haben — die die Geschwindigkeit der KI-Foto-Protokollierung auf einer Datenbank wünschen, in der jede Zeile von einem Ernährungsberater überprüft wurde, mit 100+ Nährstoffen pro Eintrag, 14 Sprachen Abdeckung, null Werbung in jeder Stufe und Preisen ab €2,50/Monat — ist Nutrola genau für diesen Übergang gebaut. Das Foto ist schnell. Die Datenbank ist verifiziert. Die Zahlen, die du siehst, sind die Zahlen, die dir ein Ernährungsberater geben würde.

Beginne, wo du bist. Wechsle, wenn die Mechanik wichtiger wird als die Benutzeroberfläche.