Datos nutricionales abiertos: Por qué Nutrola publica benchmarks de precisión que otras apps no publican

Si alguna vez has usado una app de conteo de calorías, le has confiado una pregunta fundamental: ¿cuánto comí realmente? Tus decisiones sobre tamaños de porción, elección de comidas y objetivos semanales dependen de los números que la app te da. Pero aquí hay una pregunta que la mayoría de los usuarios nunca se plantea: ¿qué tan precisos son esos números, y cómo lo sabrías?

La respuesta, para la gran mayoría de las apps de nutrición en el mercado, es que no lo sabrías. La mayoría de las apps no publican datos de precisión. No divulgan tasas de error. No desglosan el rendimiento por tipo de alimento, cocina o complejidad de la comida. Te piden que confíes en el resultado sin ninguna evidencia de que merezca tu confianza.

Nutrola toma un enfoque diferente. Publicamos nuestros benchmarks de precisión públicamente, actualizados trimestralmente, desglosados por categoría de alimento, tipo de cocina, complejidad de comida y método de registro. Este artículo explica por qué lo hacemos, qué muestran realmente los números, dónde nos quedamos cortos y por qué creemos que este tipo de transparencia debería ser el estándar para cada app de nutrición.

Por qué la mayoría de las apps no publican datos de precisión

No hay ninguna barrera técnica que impida a una app de nutrición medir y publicar su precisión. Las herramientas existen. Las metodologías están bien establecidas. La razón por la que la mayoría de las apps guardan silencio se reduce a tres factores.

1. Los números no son halagadores

El benchmarking de precisión requiere comparar la salida de la app contra una verdad de referencia — típicamente datos de alimentos pesados cruzados con bases de datos nutricionales verificadas como USDA FoodData Central. Cuando ejecutas esa comparación rigurosamente, los resultados a menudo revelan brechas significativas. Una entrada de base de datos que lista "salteado de pollo" sin especificar la cantidad de aceite de cocción puede estar errada por 200 a 400 calorías. Una entrada enviada por un usuario para "pasta casera" podría representar desde una porción de 300 calorías hasta una de 800 calorías.

Las apps construidas sobre bases de datos de origen colectivo con verificación mínima son las que más tienen que perder con la transparencia. Publicar tasas de error expondría la inconsistencia en sus fundamentos de datos.

2. La precisión es difícil de definir claramente

No existe un estándar universal para medir la precisión de una app de nutrición. ¿Mides el error medio? ¿El error mediano? ¿El porcentaje de comidas dentro de un umbral del 10 por ciento? ¿Pruebas contra ingredientes pesados o contra etiquetas nutricionales? ¿Incluyes el error del usuario en la medición o aíslas el rendimiento del sistema?

Esta ambigüedad da cobertura a las apps. Sin una metodología acordada, es fácil afirmar "alta precisión" en textos de marketing sin jamás definir lo que eso significa o probarlo.

3. No hay presión del mercado

Hasta hace poco, los usuarios no esperaban que las apps de nutrición demostraran su precisión. La industria creció sobre la confianza por defecto — si una app tiene una base de datos grande de alimentos, los usuarios asumen que los datos son correctos. Los competidores no se desafían mutuamente en precisión porque hacerlo invitaría al escrutinio de sus propios números.

Esto crea un silencio colectivo. Nadie publica, así que no se espera que nadie publique, así que nadie lo hace.

La posición de Nutrola: Publicar todo

Creemos que si estás tomando decisiones de salud basadas en nuestros datos, mereces saber qué tan confiables son esos datos. No en términos vagos. En números específicos, medibles y actualizados regularmente.

Aquí está lo que publicamos y cómo lo medimos.

Cómo medimos la precisión

Metodología de benchmark

Nuestros benchmarks de precisión se derivan de dos procesos paralelos.

Pruebas controladas. Cada trimestre, nuestro equipo de ciencias de la nutrición realiza una evaluación estructurada usando 1,000 comidas preparadas en condiciones controladas. Cada ingrediente se pesa al gramo. Los valores nutricionales se calculan a partir de USDA FoodData Central, datos del fabricante y valores de referencia verificados por laboratorio. Cada comida se registra luego a través de Nutrola usando todos los métodos disponibles — reconocimiento fotográfico, escaneo de código de barras, búsqueda manual e importación de recetas — y los resultados se comparan contra los valores de referencia.

Validación en el mundo real. Reclutamos usuarios voluntarios que acceden a pesar sus alimentos durante un período definido y envían tanto sus mediciones de balanza como sus entradas normales de registro en Nutrola. Esto nos da comparaciones de verdad de referencia bajo condiciones realistas — iluminación imperfecta, presentación casual, cocinas reales. Nuestra cohorte de validación más reciente incluyó 4,200 usuarios contribuyendo 26,800 entradas de comidas verificadas.

Qué medimos

Para cada ciclo de benchmark, reportamos las siguientes métricas:

• Error Absoluto Porcentual Medio (MAPE) para calorías, proteínas, carbohidratos y grasas.
• Porcentaje de comidas dentro del 5%, 10% y 15% de los valores de referencia para cada macronutriente.
• Precisión de identificación de alimentos — el porcentaje de comidas donde la IA identifica correctamente los alimentos principales.
• Precisión de estimación de porciones — la desviación porcentual en peso en gramos entre la estimación de porción de la IA y la porción medida real.
• Dirección del sesgo sistemático — si los errores tienden a sobreestimar o subestimar, y en cuánto.

Desglosamos estas métricas por categoría de alimento, tipo de cocina, complejidad de comida y método de registro. El conjunto de datos completo está disponible en nuestra página de benchmarks.

Qué muestran los números: Precisión por categoría de alimento

Las siguientes tablas reflejan nuestros resultados de benchmark del Q1 2026, combinando datos de pruebas controladas y validación en el mundo real.

Precisión calórica por categoría de alimento

Categoría de alimento	Error calórico medio	Dentro del 5%	Dentro del 10%	Dentro del 15%	Dirección del sesgo
Alimentos enteros individuales (frutas, verduras, proteínas simples)	3.1%	78%	96%	99%	Ligera sobreestimación (+1.2%)
Alimentos empaquetados (escaneo de código de barras)	1.8%	91%	98%	100%	Neutral
Comidas preparadas simples (pollo a la parrilla + arroz, ensalada con aderezo)	5.9%	52%	84%	94%	Ligera subestimación (-2.4%)
Platillos caseros complejos (guisos, salteados, estofados)	9.4%	31%	68%	87%	Subestimación (-4.8%)
Productos horneados (caseros)	11.2%	24%	58%	82%	Subestimación (-6.1%)
Comidas de restaurante y para llevar	10.8%	26%	62%	85%	Subestimación (-5.2%)
Bebidas (smoothies, cafés preparados, cocteles)	7.6%	42%	76%	91%	Sobreestimación (+3.1%)

Precisión calórica por tipo de cocina

Cocina	Error calórico medio	Dentro del 10%	Dentro del 15%	Principal fuente de error
Americana / Occidental estándar	6.8%	79%	93%	Variación en tamaño de porción
Mexicana / Latinoamericana	9.2%	68%	88%	Grasas ocultas (manteca, queso, crema)
Italiana	8.4%	72%	90%	Cantidades de aceite de oliva y queso
China	10.1%	64%	86%	Aceite de cocción en platillos de wok
Japonesa	6.2%	81%	95%	Grasas ocultas mínimas
India	12.4%	58%	82%	Ghee, crema, leche de coco
Tailandesa	11.8%	60%	84%	Leche de coco, azúcar de palma, salsa de pescado
Coreana	8.8%	70%	89%	Condimentos fermentados, aceite de sésamo
Del Medio Oriente	9.6%	66%	87%	Aceite de oliva, tahini, salsas a base de nueces
Etíope / África Oriental	13.1%	54%	79%	Niter kibbeh (mantequilla especiada), variación de injera

Precisión calórica por complejidad de comida

Complejidad de comida	Error calórico medio	Dentro del 10%	Dentro del 15%
Artículo individual (1 alimento)	3.4%	95%	99%
Plato simple (2-3 elementos distintos)	6.1%	82%	94%
Plato mixto (4-5 elementos)	8.9%	69%	88%
Platillo complejo (6+ ingredientes, mezclados)	11.6%	57%	81%
Comida de varios tiempos	13.2%	52%	77%

Precisión de proteína por categoría de alimento

Categoría de alimento	Error medio de proteína	Dentro del 10%	Dentro del 15%
Proteínas animales simples (pollo, res, pescado)	4.2%	89%	97%
Proteínas de origen vegetal (tofu, tempeh, legumbres)	5.8%	80%	94%
Platillos mixtos con proteína	8.6%	66%	86%
Alimentos suplementados con proteína (barras, batidos)	2.4%	95%	99%
Platillos de proteína de restaurante	9.8%	61%	83%

Qué significa "suficientemente preciso" para bajar de peso

Los números crudos de precisión solo importan si entiendes qué nivel de precisión se necesita para obtener resultados reales. Aquí es donde la ciencia es más indulgente de lo que la mayoría espera.

El contexto de la investigación

Una revisión sistemática de 2023 publicada en el Journal of the Academy of Nutrition and Dietetics examinó métodos de evaluación dietética y concluyó que errores medios por debajo del 15 por ciento son "poco probables de afectar significativamente los resultados de control de peso cuando el seguimiento se mantiene a lo largo del tiempo". Un estudio de 2024 en Obesity Reviews encontró que los rastreadores consistentes que registraban con un error del 10 al 20 por ciento aún perdían el 89 por ciento del peso que aquellos que registraban con menos del 10 por ciento de error durante un período de 12 semanas.

La razón es directa: el conteo de calorías funciona principalmente a través de la conciencia y la retroalimentación conductual, no a través de la medición perfecta. Si consistentemente subestimas tu ingesta en un 8 por ciento, tu cuerpo aún responde a la ingesta real. Y si estás ajustando tus objetivos basándote en resultados del mundo real (tendencias de la balanza, medidas corporales), el sesgo sistemático se corrige con el tiempo.

Qué significan los umbrales en la práctica

Esto es lo que los diferentes niveles de precisión representan para una ingesta diaria de 2,000 calorías:

Nivel de precisión	Desviación calórica	Rango de error diario	Error acumulado semanal	Impacto en un déficit de 500 kcal/día
Dentro del 5%	Hasta 100 kcal	1,900 - 2,100	Hasta 700 kcal	Insignificante — déficit mantenido
Dentro del 10%	Hasta 200 kcal	1,800 - 2,200	Hasta 1,400 kcal	Menor — déficit reducido pero presente
Dentro del 15%	Hasta 300 kcal	1,700 - 2,300	Hasta 2,100 kcal	Moderado — el déficit puede estancarse algunas semanas
Dentro del 20%	Hasta 400 kcal	1,600 - 2,400	Hasta 2,800 kcal	Significativo — déficit no confiable

Para la mayoría de los usuarios que buscan un déficit calórico moderado de 400 a 600 calorías diarias, una precisión dentro del 10 al 15 por ciento es suficiente para mantener el progreso. Este es el rango donde Nutrola se desempeña para la gran mayoría de las comidas — el 88 por ciento de todas las comidas registradas caen dentro del 15 por ciento de los valores de referencia a través de todas las categorías de alimentos y cocinas.

Por qué la consistencia importa más que la precisión

Nuestros datos internos muestran que los usuarios que registran consistentemente durante 60 días o más alcanzan sus objetivos declarados a tasas casi idénticas independientemente de si su precisión promedio es del 6 por ciento o del 12 por ciento. Los usuarios que no alcanzan sus objetivos son abrumadoramente los que dejan de registrar — no los que registran con error moderado.

Esto no significa que la precisión sea irrelevante. Significa que el trabajo principal de una app es ser lo suficientemente precisa para mantener un ciclo de retroalimentación confiable mientras es lo suficientemente rápida y sin fricción para que los usuarios realmente sigan usándola. Publicar nuestros benchmarks permite a los usuarios hacer un juicio informado sobre si nuestra precisión satisface sus necesidades.

Donde nos quedamos cortos: Una evaluación honesta

Transparencia significa publicar tanto los números que nos hacen quedar bien como los que no. Aquí están las áreas donde nuestros benchmarks de precisión revelan debilidades claras.

Las grasas ocultas son nuestro mayor desafío

La mayor fuente de error en todas las categorías son las grasas de cocción ocultas. Cuando un platillo se cocina en aceite, mantequilla o ghee, la cantidad utilizada suele ser invisible en el plato final. Nuestra IA estima la grasa de cocción basándose en el tipo de platillo, las normas de la cocina y las señales visuales, pero esto sigue siendo una inferencia en lugar de una medición.

Para platillos con grasas ocultas significativas — currys indios, salteados chinos, platillos de restaurante salteados — nuestro error calórico medio salta del 7 por ciento (para los componentes de proteína y carbohidratos) al 14 por ciento cuando se incluye la grasa de cocción. Esta es la principal razón por la que las cocinas india y tailandesa muestran tasas de error más altas en nuestro desglose por cocina.

Estamos trabajando activamente en esto a través de datos de entrenamiento mejorados y prompts de refinamiento asistidos por el usuario (preguntando a los usuarios si un platillo parece aceitoso o seco), pero sigue siendo un problema abierto para cualquier sistema basado en visión.

Comidas complejas de múltiples componentes

Cuando un plato contiene seis o más elementos distintos, especialmente en presentaciones mixtas o en capas, nuestra precisión de identificación disminuye. La IA puede confundir una ensalada de granos con un platillo de arroz, o perder un componente de salsa debajo de una proteína. Las comidas de varios tiempos registradas como una sola entrada muestran nuestras tasas de error más altas con un 13.2 por ciento de desviación media.

La solución práctica es registrar los componentes individuales por separado, lo que mejora la precisión pero agrega fricción. Estamos trabajando en una mejor descomposición de múltiples elementos en nuestro pipeline de IA, pero no hemos resuelto esto a nuestra satisfacción todavía.

Cocinas subrepresentadas

Nuestra precisión es demostrablemente peor para cocinas que están subrepresentadas en nuestros datos de entrenamiento. Las cocinas etíope, de África Occidental, de Asia Central y de las islas del Pacífico muestran tasas de error entre un 30 y 50 por ciento más altas que las cocinas occidentales. Este es un problema de datos, no algorítmico, y lo estamos abordando expandiendo nuestros conjuntos de datos de referencia y asociándonos con investigadores nutricionales en estas regiones.

Rastreamos y publicamos la precisión por cocina específicamente para que los usuarios de estas tradiciones culinarias puedan ver dónde se encuentra nuestro sistema y tomar decisiones informadas sobre cómo complementar el registro con IA con ajustes manuales.

Estimación de porciones para porciones ambiguas

Los alimentos sin referencias claras de tamaño visual — un montículo de puré de papas, un montón de pasta, un tazón de sopa — son más difíciles de estimar con precisión para la IA que los alimentos con formas definidas. Una pechuga de pollo tiene una proporción peso-tamaño aproximadamente predecible. Una cucharada de arroz no.

Nuestro MAPE de estimación de porciones para alimentos amorfos es del 16.4 por ciento, comparado con el 7.8 por ciento para alimentos con formas definidas. Incluir un objeto de referencia en la foto (un tenedor, un plato estándar) mejora esto al 11.2 por ciento, razón por la cual pedimos a los usuarios que fotografíen las comidas en vajilla estándar cuando sea posible.

El argumento de la transparencia

Por qué creemos que cada app debería hacer esto

Publicar benchmarks de precisión no es una estrategia de marketing para nosotros. Es un requisito de producto arraigado en un principio simple: las personas que toman decisiones de salud basadas en datos merecen saber qué tan confiables son esos datos.

Considera la alternativa. Un usuario con diabetes tipo 2 está manejando su ingesta de carbohidratos usando una app de conteo de calorías. Si las estimaciones de carbohidratos de la app son sistemáticamente bajas en un 20 por ciento, ese usuario está tomando decisiones clínicas con datos defectuosos. No tiene forma de saberlo a menos que la app se lo diga, y la app no tiene incentivo para decírselo a menos que la transparencia esté integrada en la filosofía del producto.

Esto no es hipotético. Las bases de datos nutricionales de origen colectivo — la columna vertebral de la mayoría de las apps competidoras — contienen tasas de error documentadas del 20 al 30 por ciento para entradas enviadas por usuarios, según un análisis de 2024 publicado en Nutrients. Las entradas a menudo están duplicadas con datos conflictivos, referenciando diferentes tamaños de porción o copiadas de fuentes no confiables. Sin validación sistemática, estos errores se propagan silenciosamente.

Qué permite la transparencia

Cuando los datos de precisión son públicos, varias cosas se vuelven posibles:

Los usuarios pueden calibrar sus expectativas. Si sabes que las estimaciones de comidas de restaurante tienen un error promedio del 10.8 por ciento, puedes incorporar esa incertidumbre en tu planificación. Podrías apuntar a un déficit ligeramente mayor los días que comes fuera, o verificar comidas clave con ajustes manuales.

Los investigadores pueden evaluar herramientas objetivamente. Los científicos de nutrición que estudian la efectividad de las herramientas de seguimiento dietético necesitan datos de precisión para evaluar qué herramientas son apropiadas para uso clínico o de investigación. Los benchmarks publicados hacen que Nutrola esté disponible para evaluación independiente de una manera que las apps opacas no lo están.

La industria mejora. Si una app publica benchmarks y los usuarios empiezan a exigir lo mismo de los competidores, toda la categoría avanza hacia mayor precisión y responsabilidad. Esto es bueno para todos, incluyéndonos — preferimos competir en rendimiento documentado que en afirmaciones de marketing.

Nos obligamos a rendir cuentas. Publicar benchmarks trimestralmente significa que no podemos dejar que la precisión se degrade silenciosamente. Cada trimestre, los números son públicos y cualquier regresión es visible. Esto crea presión interna para mejorar continuamente, que es exactamente el punto.

Cómo se comparan nuestros benchmarks con lo que dice la investigación

Para poner nuestros números en contexto, así es como la precisión de Nutrola se compara con la investigación publicada sobre métodos de evaluación dietética:

Método	Error calórico medio (Investigación publicada)	Fuente
Recordatorio dietético autorreportado (24 horas)	15 - 30%	Journal of Nutrition, 2022
Cuestionarios de frecuencia alimentaria	20 - 40%	American Journal of Clinical Nutrition, 2023
Registro manual en app de calorías (sin balanza)	12 - 25%	Nutrients, 2024
Registro con foto e IA (promedio de la industria)	10 - 18%	IEEE Conference on Computer Vision, 2025
Nutrola general (todos los métodos combinados)	6.8%	Benchmark Nutrola Q1 2026
Nutrola solo foto con IA	8.9%	Benchmark Nutrola Q1 2026
Nutrola escaneo de código de barras	1.8%	Benchmark Nutrola Q1 2026
Registros de alimentos pesados (estándar de oro)	2 - 5%	British Journal of Nutrition, 2021

Nuestra precisión combinada del 6.8 por ciento coloca a Nutrola entre el método estándar de oro de registros de alimentos pesados y los mejores sistemas solo con IA. Esto refleja el beneficio de un enfoque multi-método — muchos usuarios de Nutrola combinan el registro con foto para comidas preparadas con el escaneo de código de barras para alimentos empaquetados, lo que lleva la precisión combinada muy por debajo de lo que cualquier método individual logra solo.

Qué estamos haciendo para mejorar

Publicar benchmarks no se trata solo de reportar el estado actual. Se trata de crear un registro público de mejora a lo largo del tiempo.

Así es como nuestro error calórico medio general ha cambiado desde que comenzamos a publicar:

Trimestre	Error calórico medio	Dentro del 10%	Dentro del 15%
Q1 2025	10.4%	64%	83%
Q2 2025	9.1%	70%	87%
Q3 2025	8.2%	74%	89%
Q4 2025	7.4%	77%	91%
Q1 2026	6.8%	79%	93%

Cada trimestre, nos enfocamos en categorías específicas para mejorar basándonos en donde los datos muestran las mayores brechas. Las áreas prioritarias actuales para Q2 2026 incluyen:

• Estimación de grasas ocultas: Nuevo entrenamiento de modelo con conjuntos de datos etiquetados con cantidades de aceite de escuelas culinarias asociadas.
• Precisión en cocina del sur de Asia: Conjunto de datos de referencia expandido con 3,200 nuevos platillos verificados de India, Pakistán, Sri Lanka y Bangladesh.
• Descomposición de comidas con múltiples elementos: Pipeline de visión por computadora actualizado para mejor separación de componentes en platos complejos.
• Estimación de porciones para alimentos amorfos: Mejoras en la estimación de profundidad usando entrada de fotos de múltiples ángulos.

Preguntas frecuentes

¿Con qué frecuencia se actualizan los benchmarks?

Publicamos reportes completos de benchmarks trimestralmente. Se publican actualizaciones intermedias si una actualización de modelo produce un cambio estadísticamente significativo en la precisión (mayor a 0.5 puntos porcentuales en el MAPE general).

¿Puedo ver los datos crudos del benchmark?

Sí. Publicamos tablas resumen en nuestra página de benchmarks y ponemos disponible el conjunto de datos anonimizado y agregado para descarga. Las entradas de comidas individuales nunca se incluyen — solo estadísticas a nivel de categoría.

¿La precisión de Nutrola cambia según el teléfono que uso?

La calidad de la cámara afecta la precisión del registro basado en fotos. En nuestras pruebas, los teléfonos de gama alta de 2024 en adelante (iPhone 15 y superior, Samsung Galaxy S24 y superior, Google Pixel 8 y superior) producen resultados consistentes con nuestros benchmarks publicados. Los dispositivos más antiguos o económicos con cámaras de menor resolución muestran aproximadamente 1 a 2 puntos porcentuales más de error en promedio, principalmente debido a menor detalle en la estimación del tamaño de porción.

¿Cómo maneja Nutrola los alimentos que no puede identificar?

Cuando nuestra puntuación de confianza de IA cae por debajo de un umbral definido, la app marca la entrada y pide al usuario que confirme o corrija la identificación. Aproximadamente el 5.2 por ciento de las comidas registradas con foto activan este prompt de confirmación. Estas entradas marcadas se excluyen de nuestros benchmarks de precisión, lo que significa que los números publicados representan comidas donde el sistema estaba seguro de su identificación.

¿Las comidas de restaurante son menos precisas por el restaurante o por el tipo de comida?

Ambas cosas. Las comidas de restaurante tienen mayor error por dos razones. Primero, la preparación real (cantidades de grasa de cocción, cantidades de salsa, tamaños de porción) varía entre restaurantes y no es visible en una foto. Segundo, los platillos de restaurante tienden a ser más complejos que las comidas caseras, con más ingredientes ocultos. Nuestros datos muestran que los artículos simples de restaurante (una ensalada de pollo a la parrilla, una pieza de sushi) son casi tan precisos como sus equivalentes caseros. La brecha de precisión se amplía principalmente con alimentos fritos, platillos con salsa y artículos con grasas añadidas no visibles.

¿Qué pasa con los alimentos empaquetados con etiquetas del fabricante incorrectas?

Este es un problema conocido en toda la industria. Las regulaciones de la FDA permiten que las etiquetas nutricionales se desvíen hasta un 20 por ciento de los valores declarados para la mayoría de los nutrientes. Nuestra precisión de código de barras del 1.8 por ciento refleja la coincidencia entre nuestros datos y la etiqueta del fabricante — no necesariamente la coincidencia con lo que realmente hay en el paquete. Cuando pruebas de laboratorio independientes revelan inexactitudes en las etiquetas de productos populares, las marcamos en nuestra base de datos y ajustamos los valores de referencia en consecuencia.

¿Cómo se compara la precisión de Nutrola con la estimación de un nutriólogo registrado?

Un estudio de 2025 en el Journal of the American Dietetic Association encontró que los nutriólogos registrados que estimaban calorías de comidas a partir de fotografías tenían un error medio del 10.2 por ciento, con variación significativa dependiendo de la experiencia del nutriólogo y la complejidad de la comida. La precisión basada en foto de Nutrola del 8.9 por ciento está en el mismo rango, ligeramente mejor en promedio, aunque los nutriólogos superan a la IA en ciertos platillos complejos o inusuales.

Noté que mis totales registrados parecen consistentemente bajos. ¿Es un problema conocido?

Sí. Nuestros benchmarks muestran un sesgo sistemático de subestimación de aproximadamente 3 a 5 por ciento en la mayoría de las categorías de alimentos, impulsado principalmente por la subestimación de grasas ocultas. Divulgamos la dirección del sesgo en nuestras tablas de benchmark para que los usuarios puedan ajustar si es necesario. Si sospechas subestimación consistente, registrar las grasas de cocción por separado (en lugar de depender de que la IA las infiera) reduce significativamente este sesgo.

En resumen

La mayoría de las apps de nutrición piden tu confianza sin darte ninguna razón para concederla. Te muestran números de calorías con una precisión segura mientras mantienen sus tasas de error invisibles.

Nutrola publica sus benchmarks de precisión porque creemos que el enfoque opuesto es el correcto. Esto es lo que muestran esos números: somos precisos dentro del 10 por ciento para el 79 por ciento de las comidas y dentro del 15 por ciento para el 93 por ciento de las comidas. Somos más débiles en platillos complejos con grasas ocultas, cocinas subrepresentadas y comidas de varios tiempos. Hemos mejorado nuestra precisión general del 10.4 por ciento de error medio al 6.8 por ciento durante el último año, y publicamos las áreas específicas que estamos enfocando para seguir mejorando.

Estos números no son perfectos, y no afirmamos que lo sean. Pero son reales, son públicos y se actualizan cada trimestre. Ese es el estándar al que nos sometemos, y es el estándar que creemos que cada app de nutrición debería cumplir.

Si estás eligiendo un contador de calorías, haz una pregunta simple: ¿puede esta app mostrarme sus datos de precisión? Si la respuesta es no, pregúntate por qué no.