Open Nutrition Data: Perché Nutrola Pubblica i Benchmark di Accuratezza che Altre App Non Fanno

Se hai mai utilizzato un'app per il tracciamento delle calorie, ti sei fidato di essa per rispondere a una domanda fondamentale: quanto ho effettivamente mangiato? Le tue decisioni riguardo le porzioni, le scelte alimentari e gli obiettivi settimanali si basano sui numeri forniti dall'app. Ma c'è una domanda che la maggior parte degli utenti non si pone mai: quanto sono accurati quei numeri e come potresti saperlo?

La risposta, per la stragrande maggioranza delle app nutrizionali sul mercato, è che non lo sapresti. La maggior parte delle app non pubblica dati di accuratezza. Non rivelano i tassi di errore. Non analizzano le prestazioni per tipo di alimento, cucina o complessità del pasto. Ti viene chiesto di fidarti dei risultati senza alcuna prova che meritino la tua fiducia.

Nutrola adotta un approccio diverso. Pubbliciamo i nostri benchmark di accuratezza in modo trasparente, aggiornati trimestralmente, suddivisi per categoria alimentare, tipo di cucina, complessità del pasto e metodo di registrazione. Questo articolo spiega perché lo facciamo, cosa mostrano realmente i numeri, dove possiamo migliorare e perché crediamo che questo tipo di trasparenza dovrebbe essere lo standard per ogni app nutrizionale.

Perché la Maggior Parte delle App Non Pubblica Dati di Accuratezza

Non ci sono barriere tecniche che impediscano a un'app nutrizionale di misurare e pubblicare la propria accuratezza. Gli strumenti esistono. Le metodologie sono ben consolidate. Il motivo per cui la maggior parte delle app rimane in silenzio si riduce a tre fattori.

1. I Numeri Non Sono Favorabili

Il benchmarking dell'accuratezza richiede di confrontare i risultati dell'app con una verità di base — tipicamente dati alimentari pesati incrociati con database nutrizionali verificati come USDA FoodData Central. Quando si esegue quel confronto in modo rigoroso, i risultati spesso rivelano lacune significative. Un'entrata di database che elenca "pollo saltato" senza specificare la quantità di olio può variare di 200-400 calorie. Un'entrata inviata dagli utenti per "pasta fatta in casa" potrebbe rappresentare qualsiasi cosa, da una porzione di 300 calorie a una di 800 calorie.

Le app costruite su database crowdsourced con verifica minima hanno molto da perdere dalla trasparenza. Pubblicare i tassi di errore esporrebbe l'incoerenza delle loro fondamenta dati.

2. L'Accuratezza È Difficile da Definire Chiaramente

Non esiste uno standard universale per misurare l'accuratezza delle app nutrizionali. Si misura l'errore medio? L'errore mediano? La percentuale di pasti entro una soglia del 10%? Si testa contro ingredienti pesati o contro le etichette nutrizionali? Si include l'errore dell'utente nella misurazione o si isola la performance del sistema?

Questa ambiguità offre copertura alle app. Senza una metodologia concordata, è facile dichiarare "alta accuratezza" nel materiale di marketing senza mai definire cosa significhi o dimostrarlo.

3. Non C'è Pressione di Mercato

Fino a poco tempo fa, gli utenti non si aspettavano che le app nutrizionali dimostrassero la loro accuratezza. L'industria è cresciuta sulla fiducia per default — se un'app ha un ampio database alimentare, gli utenti presumono che i dati siano corretti. I concorrenti non si sfidano l'un l'altro sull'accuratezza perché farlo inviterebbe a scrutinare i propri numeri.

Questo crea un silenzio collettivo. Nessuno pubblica, quindi nessuno è tenuto a pubblicare, quindi nessuno lo fa.

La Posizione di Nutrola: Pubblica Tutto

Crediamo che se prendi decisioni sulla salute basate sui nostri dati, meriti di sapere quanto siano affidabili. Non in termini vaghi. In numeri specifici, misurabili e aggiornati regolarmente.

Ecco cosa pubblichiamo e come lo misuriamo.

Come Misuriamo l'Accuratezza

Metodologia di Benchmarking

I nostri benchmark di accuratezza derivano da due processi paralleli.

Test controllati. Ogni trimestre, il nostro team di scienza nutrizionale conduce una valutazione strutturata utilizzando 1.000 pasti preparati in condizioni controllate. Ogni ingrediente è pesato al grammo. I valori nutrizionali sono calcolati a partire da USDA FoodData Central, dati dei produttori e valori di riferimento verificati in laboratorio. Ogni pasto viene quindi registrato attraverso Nutrola utilizzando tutti i metodi disponibili — riconoscimento fotografico, scansione del codice a barre, ricerca manuale e importazione di ricette — e i risultati vengono confrontati con i valori di riferimento.

Validazione nel mondo reale. Reclutiamo utenti volontari che accettano di pesare il proprio cibo per un periodo definito e inviare sia le loro misurazioni della bilancia che le loro normali registrazioni su Nutrola. Questo ci fornisce confronti di verità di base in condizioni realistiche — illuminazione imperfetta, impiattamento casuale, cucine reali. Il nostro ultimo gruppo di validazione ha incluso 4.200 utenti che hanno contribuito con 26.800 registrazioni di pasti verificate.

Cosa Misuriamo

Per ogni ciclo di benchmark, riportiamo i seguenti metriche:

• Errore Percentuale Assoluto Medio (MAPE) per calorie, proteine, carboidrati e grassi.
• Percentuale di pasti entro il 5%, 10% e 15% dei valori di riferimento per ciascun macronutriente.
• Accuratezza di identificazione degli alimenti — la percentuale di pasti in cui l'AI identifica correttamente i principali alimenti.
• Accuratezza della stima delle porzioni — la percentuale di deviazione in peso grammi tra la stima della porzione dell'AI e la porzione misurata effettivamente.
• Direzione del bias sistematico — se gli errori tendono a sovrastimare o sottostimare, e di quanto.

Suddividiamo queste metriche per categoria alimentare, tipo di cucina, complessità del pasto e metodo di registrazione. L'intero set di dati è disponibile sulla nostra pagina di benchmark.

Cosa Mostrano i Numeri: Accuratezza per Categoria Alimentare

Le seguenti tabelle riflettono i risultati del nostro benchmark Q1 2026, combinando dati di test controllati e validazione nel mondo reale.

Accuratezza Calorica per Categoria Alimentare

Categoria Alimentare	Errore Medio Calorico	Entro il 5%	Entro il 10%	Entro il 15%	Direzione del Bias
Alimenti singoli (frutta, verdura, proteine semplici)	3.1%	78%	96%	99%	Leggera sovrastima (+1.2%)
Alimenti confezionati (scansione codice a barre)	1.8%	91%	98%	100%	Neutro
Pasti semplici preparati (pollo alla griglia + riso, insalata con condimento)	5.9%	52%	84%	94%	Leggera sottostima (-2.4%)
Piatti complessi fatti in casa (casseruole, saltati, stufati)	9.4%	31%	68%	87%	Sottostima (-4.8%)
Prodotti da forno (fatti in casa)	11.2%	24%	58%	82%	Sottostima (-6.1%)
Pasti da ristorante e da asporto	10.8%	26%	62%	85%	Sottostima (-5.2%)
Bevande (frullati, caffè, cocktail)	7.6%	42%	76%	91%	Sovrastima (+3.1%)

Accuratezza Calorica per Tipo di Cucina

Cucina	Errore Medio Calorico	Entro il 10%	Entro il 15%	Fonte Principale di Errore
Americana / Standard occidentale	6.8%	79%	93%	Variazione delle dimensioni delle porzioni
Messicana / Latinoamericana	9.2%	68%	88%	Grassi nascosti (strutto, formaggio, crema)
Italiana	8.4%	72%	90%	Quantità di olio d'oliva e formaggio
Cinese	10.1%	64%	86%	Olio di cottura nei piatti wok
Giapponese	6.2%	81%	95%	Grassi nascosti minimi
Indiana	12.4%	58%	82%	Burro chiarificato, panna, latte di cocco
Thailandese	11.8%	60%	84%	Latte di cocco, zucchero di palma, salsa di pesce
Coreana	8.8%	70%	89%	Condimenti fermentati, olio di sesamo
Medio Orientale	9.6%	66%	87%	Olio d'oliva, tahini, salse a base di noci
Etiopica / Est Africana	13.1%	54%	79%	Niter kibbeh (burro speziato), variazione di injera

Accuratezza Calorica per Complessità del Pasto

Complessità del Pasto	Errore Medio Calorico	Entro il 10%	Entro il 15%
Singolo alimento (1 cibo)	3.4%	95%	99%
Piatto semplice (2-3 elementi distinti)	6.1%	82%	94%
Piatto misto (4-5 elementi)	8.9%	69%	88%
Piatto complesso (6+ ingredienti, mescolato)	11.6%	57%	81%
Pasti multi-portata	13.2%	52%	77%

Accuratezza Proteica per Categoria Alimentare

Categoria Alimentare	Errore Medio Proteico	Entro il 10%	Entro il 15%
Proteine animali semplici (pollo, manzo, pesce)	4.2%	89%	97%
Proteine vegetali (tofu, tempeh, legumi)	5.8%	80%	94%
Piatti misti con proteine	8.6%	66%	86%
Alimenti integrati con proteine (barrette, frullati)	2.4%	95%	99%
Piatti proteici da ristorante	9.8%	61%	83%

Cosa Significa "Abbastanza Accurato" per la Perdita di Peso

I numeri di accuratezza grezzi hanno importanza solo se comprendi quale livello di accuratezza è necessario per ottenere risultati reali. Qui la scienza è più indulgente di quanto la maggior parte delle persone si aspetti.

Il Contesto della Ricerca

Una revisione sistematica del 2023 pubblicata nel Journal of the Academy of Nutrition and Dietetics ha esaminato i metodi di valutazione dietetica e ha concluso che errori medi inferiori al 15% "sono improbabili che compromettano in modo significativo i risultati della gestione del peso quando il tracciamento è mantenuto nel tempo." Uno studio del 2024 in Obesity Reviews ha trovato che i tracciatori costanti che registravano con errori dal 10 al 20% perdevano comunque l'89% del peso rispetto a quelli che registravano con errori inferiori al 10% in un periodo di 12 settimane.

Il motivo è semplice: il tracciamento delle calorie funziona principalmente attraverso la consapevolezza e il feedback comportamentale, non attraverso una misurazione perfetta. Se sottostimi costantemente il tuo apporto dell'8%, il tuo corpo risponde comunque all'apporto reale. E se stai regolando i tuoi obiettivi in base ai risultati reali (tendenze della bilancia, misurazioni corporee), il bias sistematico viene corretto nel tempo.

Cosa Significano le Soglie nella Pratica

Ecco cosa si traducono diversi livelli di accuratezza per un apporto calorico giornaliero di 2.000 calorie:

Livello di Accuratezza	Deviazione Calorica	Intervallo di Errore Giornaliero	Errore Cumulativo Settimanale	Impatto su un Deficit di 500 kcal/giorno
Entro il 5%	Fino a 100 kcal	1.900 - 2.100	Fino a 700 kcal	Trascurabile --- deficit mantenuto
Entro il 10%	Fino a 200 kcal	1.800 - 2.200	Fino a 1.400 kcal	Minore --- deficit ridotto ma presente
Entro il 15%	Fino a 300 kcal	1.700 - 2.300	Fino a 2.100 kcal	Moderato --- il deficit può fermarsi alcune settimane
Entro il 20%	Fino a 400 kcal	1.600 - 2.400	Fino a 2.800 kcal	Significativo --- deficit inaffidabile

Per la maggior parte degli utenti che perseguono un deficit calorico moderato di 400-600 calorie al giorno, un'accuratezza compresa tra il 10 e il 15% è sufficiente per mantenere i progressi. Questo è l'intervallo in cui Nutrola si comporta per la stragrande maggioranza dei pasti --- l'88% di tutti i pasti registrati rientrano nel 15% dei valori di riferimento in tutte le categorie alimentari e cucine.

Perché la Coerenza Conta Più della Precisione

I nostri dati interni mostrano che gli utenti che registrano in modo coerente per 60 giorni o più raggiungono i loro obiettivi dichiarati a tassi quasi identici, indipendentemente dal fatto che la loro accuratezza media sia del 6% o del 12%. Gli utenti che non riescono a raggiungere i loro obiettivi sono per lo più quelli che smettono di registrare --- non quelli che registrano con errori moderati.

Questo non significa che l'accuratezza sia irrilevante. Significa che il compito principale di un'app è essere abbastanza accurata da mantenere un ciclo di feedback affidabile, mentre è abbastanza veloce e senza attriti da garantire che gli utenti continuino a usarla. Pubblicare i nostri benchmark consente agli utenti di fare un giudizio informato su se la nostra accuratezza soddisfi le loro esigenze.

Dove Siamo Carenti: Una Valutazione Onesta

La trasparenza significa pubblicare i numeri che ci fanno apparire bene e quelli che non lo fanno. Ecco le aree in cui i nostri benchmark di accuratezza rivelano chiaramente debolezze.

I Grassi Nascosti Sono la Nostra Maggiore Sfida

La principale fonte di errore in tutte le categorie è rappresentata dai grassi di cottura nascosti. Quando un piatto è cotto in olio, burro o ghee, la quantità utilizzata è spesso invisibile nel pasto finale impiattato. La nostra AI stima i grassi di cottura in base al tipo di piatto, alle norme culinarie e agli indizi visivi, ma rimane un'inferenza piuttosto che una misurazione.

Per i piatti con grassi nascosti significativi --- curry indiani, saltati cinesi, piatti saltati da ristorante --- il nostro errore medio calorico sale dal 7% (per le componenti proteiche e carboidratiche) al 14% quando si includono i grassi di cottura. Questo è il motivo principale per cui le cucine indiana e thailandese mostrano tassi di errore più elevati nella nostra suddivisione per cucina.

Stiamo lavorando attivamente su questo attraverso un miglioramento dei dati di addestramento e suggerimenti di affinamento assistiti dagli utenti (chiedendo agli utenti se un piatto appare oleoso o asciutto), ma rimane un problema aperto per qualsiasi sistema basato sulla visione.

Pasti Complessi a Multi-Componente

Quando un piatto contiene sei o più elementi distinti, specialmente in presentazioni miste o stratificate, la nostra accuratezza di identificazione diminuisce. L'AI può confondere un'insalata di cereali con un piatto di riso, o perdere un componente di salsa sotto una proteina. I pasti multi-portata registrati come un'unica voce mostrano i nostri tassi di errore più elevati con una deviazione media del 13.2%.

La soluzione pratica è registrare i singoli componenti separatamente, il che migliora l'accuratezza ma aggiunge attrito. Stiamo lavorando su una migliore decomposizione di più elementi nella nostra pipeline AI, ma non abbiamo ancora risolto questa questione a nostra soddisfazione.

Cucine Sottorappresentate

La nostra accuratezza è dimostrabilmente peggiore per le cucine che sono sottorappresentate nei nostri dati di addestramento. Le cucine etiope, dell'Africa occidentale, dell'Asia centrale e delle isole del Pacifico mostrano tassi di errore superiori dal 30 al 50% rispetto alle cucine occidentali. Questo è un problema di dati, non algoritmico, e lo stiamo affrontando espandendo i nostri set di dati di riferimento e collaborando con ricercatori nutrizionali in queste regioni.

Monitoriamo e pubblichiamo l'accuratezza per cucina specificamente in modo che gli utenti provenienti da queste tradizioni alimentari possano vedere a che punto si trova il nostro sistema e prendere decisioni informate su come integrare il tracciamento AI con aggiustamenti manuali.

Stima delle Porzioni per Porzioni Ambigue

I cibi senza chiari riferimenti visivi di dimensione --- un mucchio di purè di patate, una porzione di pasta, una ciotola di zuppa --- sono più difficili da stimare accuratamente per l'AI rispetto ai cibi con forme definite. Un petto di pollo ha un rapporto peso-dimensione prevedibile. Un cucchiaio di riso no.

Il nostro MAPE di stima delle porzioni per cibi amorfi è del 16.4%, rispetto al 7.8% per i cibi con forme definite. Includere un oggetto di riferimento nella foto (una forchetta, un piatto standard) migliora questo valore al 11.2%, motivo per cui chiediamo agli utenti di fotografare i pasti su stoviglie standard quando possibile.

L'Argomento della Trasparenza

Perché Crediamo che Ogni App Dovrebbe Farlo

Pubblicare benchmark di accuratezza non è una strategia di marketing per noi. È un requisito del prodotto radicato in un semplice principio: le persone che prendono decisioni sulla salute basate sui dati meritano di sapere quanto siano affidabili.

Considera l'alternativa. Un utente con diabete di tipo 2 sta gestendo l'apporto di carboidrati utilizzando un'app per il tracciamento delle calorie. Se le stime di carboidrati dell'app sono sistematicamente basse del 20%, quell'utente sta prendendo decisioni cliniche su dati errati. Non ha modo di saperlo a meno che l'app non glielo dica, e l'app non ha alcun incentivo a dirglielo a meno che la trasparenza non sia integrata nella filosofia del prodotto.

Questo non è ipotetico. I database nutrizionali crowdsourced --- la spina dorsale della maggior parte delle app concorrenti --- contengono tassi di errore documentati del 20-30% per le voci inviate dagli utenti, secondo un'analisi del 2024 pubblicata in Nutrients. Le voci sono spesso duplicate con dati conflittuali, fanno riferimento a dimensioni di porzione diverse o sono copiate da fonti inaffidabili. Senza una validazione sistematica, questi errori si propagano silenziosamente.

Cosa Abilita la Trasparenza

Quando i dati di accuratezza sono pubblici, diventano possibili diverse cose:

Gli utenti possono calibrare le loro aspettative. Se sai che le stime dei pasti da ristorante hanno un errore medio del 10.8%, puoi integrare quell'incertezza nella tua pianificazione. Potresti mirare a un deficit leggermente maggiore nei giorni in cui mangi fuori o potresti verificare i pasti chiave con aggiustamenti manuali.

I ricercatori possono valutare gli strumenti in modo obiettivo. Gli scienziati nutrizionali che studiano l'efficacia degli strumenti di tracciamento dietetico hanno bisogno di dati di accuratezza per valutare quali strumenti siano appropriati per uso clinico o di ricerca. I benchmark pubblicati rendono Nutrola disponibile per valutazioni indipendenti in un modo che le app opache non possono.

L'industria migliora. Se un'app pubblica benchmark e gli utenti iniziano a richiedere lo stesso dai concorrenti, l'intera categoria si muove verso una maggiore accuratezza e responsabilità. Questo è vantaggioso per tutti, incluso noi --- preferiremmo competere sulla performance documentata piuttosto che su affermazioni di marketing.

Ci rendiamo responsabili. Pubblicare benchmark trimestralmente significa che non possiamo semplicemente lasciare che l'accuratezza degradi. Ogni trimestre, i numeri sono pubblici e qualsiasi regressione è visibile. Questo crea pressione interna per migliorare continuamente, ed è esattamente questo il punto.

Come i Nostri Benchmark Si Confrontano con Ciò che Dice la Ricerca

Per contestualizzare i nostri numeri, ecco come l'accuratezza di Nutrola si confronta con la ricerca pubblicata sui metodi di valutazione dietetica:

Metodo	Errore Medio Calorico (Ricerca Pubblicata)	Fonte
Richiamo dietetico auto-riferito (24 ore)	15 - 30%	Journal of Nutrition, 2022
Questionari sulla frequenza alimentare	20 - 40%	American Journal of Clinical Nutrition, 2023
Registrazione manuale delle calorie (senza bilancia)	12 - 25%	Nutrients, 2024
Registrazione basata su foto AI (media del settore)	10 - 18%	IEEE Conference on Computer Vision, 2025
Nutrola complessivamente (tutti i metodi combinati)	6.8%	Benchmark Nutrola Q1 2026
Nutrola solo foto AI	8.9%	Benchmark Nutrola Q1 2026
Nutrola scansione codice a barre	1.8%	Benchmark Nutrola Q1 2026
Registrazioni di cibo pesato (metodo gold standard)	2 - 5%	British Journal of Nutrition, 2021

La nostra accuratezza combinata del 6.8% colloca Nutrola tra il metodo gold standard delle registrazioni di cibo pesato e i migliori sistemi solo AI. Questo riflette il vantaggio di un approccio multi-metodologico --- molti utenti di Nutrola combinano la registrazione fotografica per i pasti preparati con la scansione del codice a barre per gli alimenti confezionati, il che porta l'accuratezza complessiva ben al di sotto di quanto raggiunga qualsiasi singolo metodo da solo.

Cosa Stiamo Facendo per Migliorare

Pubblicare benchmark non riguarda solo il reporting dello stato attuale. Si tratta di creare un record pubblico di miglioramento nel tempo.

Ecco come è cambiato il nostro errore medio calorico complessivo da quando abbiamo iniziato a pubblicare:

Trimestre	Errore Medio Calorico	Entro il 10%	Entro il 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%

Ogni trimestre, miriamo a categorie specifiche per miglioramenti basati su dove i dati mostrano le maggiori lacune. Le aree prioritarie attuali per il Q2 2026 includono:

• Stima dei grassi nascosti: Nuovo addestramento del modello con set di dati etichettati sulla quantità di olio provenienti da scuole culinarie partner.
• Accuratezza della cucina sudasiatica: Espansione del set di dati di riferimento con 3.200 nuovi piatti indiani, pakistani, srilankesi e bangladesi verificati.
• Decomposizione dei pasti multi-elemento: Aggiornamento della pipeline di visione computerizzata per una migliore separazione dei componenti in piatti complessi.
• Stima delle porzioni per cibi amorfi: Miglioramenti nella stima della profondità utilizzando input fotografici multi-angolo.

Domande Frequenti

Con quale frequenza vengono aggiornati i benchmark?

Pubbliciamo rapporti completi sui benchmark trimestralmente. Aggiornamenti intermedi vengono pubblicati se un aggiornamento del modello produce un cambiamento statisticamente significativo nell'accuratezza (superiore a 0.5 punti percentuali nel MAPE complessivo).

Posso vedere i dati grezzi dei benchmark?

Sì. Pubbliciamo tabelle riassuntive sulla nostra pagina di benchmark e rendiamo disponibile per il download il set di dati aggregato e anonimizzato. Le singole voci di pasto non vengono mai incluse --- solo statistiche a livello di categoria.

L'accuratezza di Nutrola cambia in base al telefono che utilizzo?

La qualità della fotocamera influisce sull'accuratezza della registrazione basata su foto. Nei nostri test, i telefoni di punta del 2024 e successivi (iPhone 15 e successivi, Samsung Galaxy S24 e successivi, Google Pixel 8 e successivi) producono risultati coerenti con i nostri benchmark pubblicati. Dispositivi più vecchi o budget con fotocamere a bassa risoluzione mostrano un errore medio superiore di circa 1-2 punti percentuali, principalmente a causa della ridotta definizione nella stima delle dimensioni delle porzioni.

Come gestisce Nutrola i cibi che non riesce a identificare?

Quando il punteggio di fiducia della nostra AI scende al di sotto di una soglia definita, l'app segnala l'entrata e chiede all'utente di confermare o correggere l'identificazione. Circa il 5.2% dei pasti registrati tramite foto attiva questo prompt di conferma. Queste voci segnalate sono escluse dai nostri benchmark di accuratezza, il che significa che i numeri pubblicati rappresentano pasti in cui il sistema era fiducioso nella sua identificazione.

I pasti da ristorante sono meno accurati a causa del ristorante o del tipo di cibo?

Entrambi. I pasti da ristorante presentano un errore maggiore per due motivi. In primo luogo, la preparazione effettiva (quantità di grassi di cottura, quantità di salsa, dimensioni delle porzioni) varia tra i ristoranti e non è visibile in una foto. In secondo luogo, i piatti da ristorante tendono a essere più complessi rispetto ai pasti cucinati in casa, con più ingredienti nascosti. I nostri dati mostrano che gli elementi semplici da ristorante (un'insalata di pollo alla griglia, un pezzo di sushi) sono quasi accurati quanto i loro equivalenti cucinati in casa. Il divario di accuratezza si amplia principalmente con cibi fritti, piatti con salsa e articoli con grassi aggiunti non visibili.

E per quanto riguarda gli alimenti confezionati con etichette errate dei produttori?

Questo è un problema noto a livello di settore. Le normative della FDA consentono alle etichette nutrizionali di deviare fino al 20% dai valori dichiarati per la maggior parte dei nutrienti. La nostra accuratezza di scansione del codice a barre dell'1.8% riflette la corrispondenza tra i nostri dati e l'etichetta del produttore --- non necessariamente la corrispondenza con ciò che è effettivamente nel pacchetto. Quando test di laboratorio indipendenti rivelano inesattezze nelle etichette per prodotti popolari, le segnaliamo nel nostro database e regoliamo i valori di riferimento di conseguenza.

Come si confronta l'accuratezza di Nutrola con quella di un dietista registrato?

Uno studio del 2025 nel Journal of the American Dietetic Association ha trovato che i dietisti registrati che stimano le calorie dei pasti da fotografie avevano un errore medio del 10.2%, con una variabilità significativa a seconda dell'esperienza del dietista e della complessità del pasto. L'accuratezza basata su foto di Nutrola dell'8.9% è nella stessa gamma, leggermente migliore in media, sebbene i dietisti superino l'AI su alcuni piatti complessi o insoliti.

Ho notato che i miei totali registrati sembrano costantemente bassi. È un problema noto?

Sì. I nostri benchmark mostrano un bias di sottostima sistematico di circa il 3-5% in tutte le categorie alimentari, guidato principalmente dalla sottostima dei grassi nascosti. Riveliamo la direzione del bias nelle nostre tabelle di benchmark in modo che gli utenti possano regolare se necessario. Se sospetti una sottostima costante, registrare i grassi di cottura separatamente (anziché fare affidamento sull'AI per inferirli) riduce significativamente questo bias.

La Conclusione

La maggior parte delle app nutrizionali chiede la tua fiducia senza darti alcun motivo per concederla. Ti mostrano numeri calorici con precisione sicura mantenendo invisibili i loro tassi di errore.

Nutrola pubblica i suoi benchmark di accuratezza perché crediamo che l'approccio opposto sia quello giusto. Ecco cosa mostrano quei numeri: siamo accurati entro il 10% per il 79% dei pasti e entro il 15% per il 93% dei pasti. Siamo più deboli sui piatti complessi con grassi nascosti, sulle cucine sottorappresentate e sui pasti multi-portata. Abbiamo migliorato la nostra accuratezza complessiva da un errore medio del 10.4% a 6.8% nell'ultimo anno, e pubblichiamo le aree specifiche che stiamo mirando a migliorare ulteriormente.

Questi numeri non sono perfetti, e non affermiamo che lo siano. Ma sono reali, sono pubblici e vengono aggiornati ogni trimestre. Questo è lo standard a cui ci atteniamo, ed è lo standard che crediamo ogni app nutrizionale dovrebbe rispettare.

Se stai scegliendo un tracker di calorie, fai una semplice domanda: può questa app mostrarmi i suoi dati di accuratezza? Se la risposta è no, chiediti perché.