Vi sendte 50 måltider til et laboratorium og testet AI mot etiketter og USDA-data for kalori-nøyaktighet

Hver kalorinummer du noen gang har lest er et estimat. Næringsetiketten på proteinbaren din, USDA-oppføringen for "grillet kyllingbryst", tallet appen din viser når du tar et bilde av lunsjen din — alle disse er tilnærminger til den faktiske energimengden som ligger på tallerkenen din. Spørsmålet ingen ser ut til å stille er: hvor langt unna er disse estimatene, og hvilken kilde kommer nærmest virkeligheten?

Vi bestemte oss for å finne ut av det. I løpet av tre måneder kjøpte, tilberedte eller bestilte Nutrola-teamet 50 ekte måltider, fotograferte hvert enkelt, registrerte etikett- og USDA-databaseverdier, og sendte deretter identiske porsjoner til et sertifisert matvitenskapelig laboratorium for analyse ved hjelp av bombekalorimetri — gullstandarden for å måle den sanne kaloriinnholdet i mat.

Dette innlegget presenterer de fullstendige resultatene. Ingen utvalg, ingen utelatte avvik. Hvert måltid, hvert tall, hver overraskelse.

Hvorfor Vi Gjorde Dette

Næringsmiddelindustrien er avhengig av tillit. Forbrukere stoler på at etiketten på en pakket matvare er nøyaktig. Kostholdseksperter stoler på at USDA-referansedata gjenspeiler virkelige porsjoner. Apputviklere stoler på at databasene deres er tilstrekkelig nære. Men svært få har faktisk verifisert disse antagelsene mot laboratorieanalyser — og studiene som finnes, har en tendens til å fokusere smalt på pakket mat eller enkeltstående næringsstoffer.

Vi ønsket et bredere bilde. Vi ville vite hvordan hver viktig kalori-kilde — etiketter, offentlige databaser, og AI-basert fotoestimering — presterer på tvers av hele spekteret av mat folk faktisk spiser: pakket snacks, enkle helsematvarer, hjemmelagde retter, restaurantmåltider og internasjonal mat. Og vi ønsket å teste vårt eget produkt, Nutrola, med samme grundighet som vi anvendte på alt annet.

Målet var ikke å bevise at Nutrola er perfekt. Det er den ikke. Målet var å forstå hvor hver kalori-kilde utmerker seg, hvor den svikter, og hva det betyr for de millioner av mennesker som er avhengige av disse tallene for å håndtere helsen sin.

Metodologi

Måltidsvalg

Vi valgte 50 måltider fordelt på fem kategorier, med 10 måltider i hver:

Kategori	Eksempler
Pakket mat	Proteinbarer, frosne middager, hermetiske supper, frokostblandinger, yoghurtkopper
Enkle helsematvarer	Banan, rå kyllingbryst, kokte egg, brun ris, avokado
Hjemmelagde retter	Spaghetti bolognese, kyllingwok, linsesuppe, Caesar-salat, bananpannekaker
Restaurantmåltider	Hurtigmatburger, sushi, thailandsk grønn curry, pizzastykke, burrito-bolle
Internasjonale retter	Indisk smørkylling, japansk ramen, meksikanske tamales, etiopisk injera, koreansk bibimbap

Måltidene ble kjøpt eller tilberedt i Dublin, Irland, og valgt for å representere matvarer som virkelige brukere vanligvis sporer. Vi inkluderte bevisst elementer kjent for å være vanskelige for både databaser og AI-systemer: kraftig sauser, fritert mat, flerkomponentmåltider, og matvarer der visuell estimering av olje- eller smørinnhold er utfordrende.

Laboratorieanalyse

Alle prøver ble sendt til et ISO 17025-akkreditert mattestinglaboratorium. Hvert måltid ble analysert ved hjelp av bombekalorimetri, referansemetoden for å bestemme den totale energimengden i mat.

I bombekalorimetri plasseres en nøyaktig veid matprøve i et lukket, oksygenrikt kammer (den "bombe") og antennes. Varmeutviklingen under fullstendig forbrenning måles av den omkringliggende vannjakken. Den resulterende verdien, uttrykt i kilokalorier, representerer den totale kjemiske energien i maten. En korreksjonsfaktor brukes for å ta hensyn til den delen av energien som menneskekroppen ikke kan utnytte (primært fra fiber), som gir den metaboliserbare energiverdi — tallet som bør vises på en næringsetikett.

Hvert av de 50 måltidene ble analysert i triplikat (tre uavhengige kjøringer), og gjennomsnittsverdien ble brukt som laboratoriereferanse. Variasjonskoeffisienten på tvers av triplikater var under 2% for alle prøver, noe som bekrefter høy målepresisjon.

Sammenligningskilder

For hvert måltid registrerte vi kaloriinnholdet fra fire kilder:

1. Laboratorium (bombekalorimetri) — den faktiske sannheten
2. Nutrola AI — kaloriestimatet generert av Nutrolas AI-system fra et enkelt fotografi av måltidet, tatt under normal belysning på en standard middagstallerken, uten vekt eller referanseobjekt
3. Næringsetikett — verdien trykt på pakken (for pakket mat) eller kaloriantallet publisert av restauranten (for restaurantmåltider). For helsematvarer og hjemmelagde retter bruker denne kolonnen produsentens etikett der det er tilgjengelig eller er merket N/A
4. USDA FoodData Central — verdien oppnådd ved å se opp hver ingrediens i USDA-databasen og summere komponentene basert på målte vekter

For hjemmelagde retter ble USDA-verdien beregnet ved å veie hver rå ingrediens på en kjøkkenvekt, se opp per-gram kaloriinnhold i USDA FoodData Central, og summere dem — metoden de mest nøyaktige manuelle sporere ville bruke.

For Nutrola AI-estimatet ble hvert måltid fotografert nøyaktig én gang. Vi tok ikke om bilder, justerte vinkler eller ga noen ekstra kontekst utover det en vanlig bruker ville gi. AI-systemet identifiserte maten, estimerte porsjoner og returnerte en kalori-verdi.

Statistisk Tilnærming

Nøyaktighet rapporteres som gjennomsnittlig absolutt prosentfeil (MAPE) — gjennomsnittet av de absolutte prosentavvikene fra laboratorieverdien, beregnet som:

MAPE = (1/n) * SUM(|Estimert - Laboratorium| / Laboratorium * 100)

Vi rapporterer også signert gjennomsnittlig feil (for å vise systematisk over- eller underestimering), standardavvik for feil, og 95% konfidensintervall der utvalgsstørrelser tillater det.

Resultater

Total Nøyaktighet: Alle 50 Måltider

Kilde	Gjennomsnittlig Absolutt Feil (MAPE)	Signert Gjennomsnittlig Feil	Standardavvik	95% KI for MAPE
Nutrola AI	7.4%	-1.2%	5.9%	5.7% - 9.1%
USDA Referanse	8.1%	-2.8%	6.7%	6.2% - 10.0%
Næringsetiketter*	12.6%	+6.3%	9.4%	9.1% - 16.1%

*Næringsetikettdata tilgjengelig for 30 av 50 måltider (pakket mat, noen restaurantmåltider). MAPE beregnet på tilgjengelige data.

Den første hovedfunn: næringsetiketter viste den største gjennomsnittlige avviket fra laboratorieverdier, og de overdriver konsekvent kaloriene. Den positive signerte gjennomsnittlige feilen på +6.3% betyr at etiketter, i gjennomsnitt, hevdet flere kalorier enn maten faktisk inneholdt. Dette er i samsvar med tidligere forskning som viser at produsenter har en tendens til å runde opp snarere enn ned for å holde seg innen FDA- og EU-regulatoriske toleranser.

Nutrolas AI og USDA-databasen presterte sammenlignbart i total nøyaktighet, med Nutrola som viste en marginalt lavere MAPE (7.4% vs. 8.1%). Forskjellen er ikke statistisk signifikant ved denne utvalgsstørrelsen (p = 0.41, parret t-test på absolutte feil). Imidlertid var mønsteret av feil betydelig forskjellig mellom de to kildene, som nedbrytningen på kategorinivå avslører.

Nøyaktighet etter Måltidskategori

Kategori (n=10 hver)	Nutrola AI MAPE	USDA MAPE	Etikett MAPE	Beste Kilde
Pakket mat	6.2%	4.8%	9.7%	USDA
Enkle helsematvarer	4.1%	3.2%	11.4%*	USDA
Hjemmelagde retter	7.9%	6.4%	N/A	USDA
Restaurantmåltider	8.6%	14.2%	16.8%	Nutrola AI
Internasjonale retter	10.1%	15.7%	N/A	Nutrola AI

*Etikettverdier for helsematvarer basert på per-porsjons krav på emballasje (f.eks. en pose med epler som oppgir "95 kcal per middels eple").

Her blir historien interessant.

For pakket mat og enkle helsematvarer vinner USDA-databasen. Dette gir mening. USDA-data er avledet fra laboratorieanalyser av standardiserte matvarer. Når du spiser et enkelt kokt egg eller en rå banan, er USDA-verdien i hovedsak et laboratorieresultat i seg selv, og den samsvarer nært med våre uavhengige laboratoriefunn.

For restaurantmåltider og internasjonale retter overgår Nutrolas AI både USDA og publiserte kaloritall med god margin. Restaurantmåltider viste en USDA MAPE på 14.2% sammenlignet med Nutrolas 8.6%. Årsaken er enkel: USDA-data beskriver idealiserte ingredienser, ikke hva et restaurantkjøkken faktisk legger på tallerkenen. Et USDA-basert estimat for "kylling teriyaki med ris" kan ikke ta hensyn til den spesifikke mengden olje kokken brukte, tykkelsen på sausen, eller den faktiske porsjonsstørrelsen — men et visuell AI-system som analyserer den faktiske tallerkenen foran deg kan.

De 10 Største Overraskelsene

Disse individuelle måltidene produserte de største avvikene mellom minst én kilde og laboratorieverdien:

Måltid	Laboratorium (kcal)	Nutrola AI	Etikett	USDA	Største Feilkilde	Feil
Restaurant pad Thai	738	692	520*	584	Etikett	-29.5%
Frossen "slank" lasagne	412	388	310	395	Etikett	-24.8%
Smørkylling med naan	943	874	N/A	716	USDA	-24.1%
Pakket trail mix (1 porsjon)	287	264	230	271	Etikett	-19.9%
Hjemmelaget Caesar-salat	486	421	N/A	347	USDA	-28.6%
Hurtigmat dobbel cheeseburger	832	898	740	780	Etikett	-11.1%
Koreansk bibimbap	687	742	N/A	531	USDA	-22.7%
Hermetisk tomatsuppe (1 boks)	189	202	180	184	Nutrola AI	+6.9%
Japansk tonkotsu ramen	891	824	N/A	648	USDA	-27.3%
Spaghetti bolognese (hjemmelaget)	623	581	N/A	527	USDA	-15.4%

*Restaurant-publisert kaloriantall.

Flere mønstre dukker opp blant avvikene:

Restaurant-publiserte kaloriantall er de minst pålitelige. Pad Thai oppgitt til 520 kcal på restaurantmenyen inneholdt faktisk 738 kcal i laboratoriet — en 29.5% undervurdering. Dette er ikke uvanlig. En studie fra 2013 publisert i Journal of the American Medical Association fant at restaurantmåltider i gjennomsnitt inneholdt 18% flere kalorier enn oppgitt, med noen som oversteg sine publiserte tall med over 30%.

USDA-data undervurderer systematisk kaloritette tilberedte matvarer. Smørkylling, bibimbap, ramen, bolognese og Caesar-salat viste alle store negative feil når de ble estimert via USDA-ingredienser. Den felles tråden er matfett. USDA-oppføringer for "vegetabilsk olje" eller "smør" er nøyaktige per gram, men mengden fett som faktisk brukes i tilberedning — spesielt i restaurant- og internasjonale retter — er ekstremt vanskelig å estimere uten direkte måling. En hjemmelaget Caesar-salatdressing alene kan inneholde 3-4 spiseskjeer olje som nesten er usynlige når de blandes med salaten.

Nutrolas AI hadde en tendens til å undervurdere høyfettretter og litt overvurdere enkle matvarer. Den signerte feilen for restaurantmåltider var -3.8% (mild undervurdering), mens enkle helsematvarer viste en signert feil på +1.9% (mild overvurdering). Dette antyder at AI-en er noe konservativ når den estimerer tilsatt fett — en kjent utfordring for ethvert visuell estimeringssystem, siden olje som absorberes under steking ikke er synlig på overflaten.

Standardavvik og Konsistens

Rå nøyaktighet er viktig, men det er også konsistens. En kilde som er feil med 5% hver gang er mer nyttig for å spore trender enn en som er feil med 0% halvparten av tiden og 30% den andre halvparten.

Kilde	Std. Dev. av Feil	Område (Min til Maks Feil)	% av Måltider Innen 10% av Laboratorium
Nutrola AI	5.9%	-12.4% til +8.7%	74% (37/50)
USDA Referanse	6.7%	-28.6% til +4.1%	62% (31/50)
Næringsetiketter	9.4%	-29.5% til +14.2%	53% (16/30)

Nutrola AI viste det laveste standardavviket og det smaleste feileområdet av alle tre kildene. 74% av Nutrolas estimater falt innenfor 10% av laboratorieverdien, sammenlignet med 62% for USDA og 53% for næringsetiketter. Denne konsistensfordelen betyr at selv når AI-en tar feil, har den en tendens til å ta feil med en forutsigbar, liten mengde — noe som er mer verdifullt for noen som sporer en ukentlig kaloriutvikling enn sporadisk perfekt nøyaktighet blandet med store avvik.

Nøyaktighet for Makronæringsstoffer

Vi sammenlignet også estimater for makronæringsstoffer (protein, fett, karbohydrater) mot laboratorieverdier for et utvalg av 20 måltider. Resultatene bekrefter kalori-funnene:

Makronæringsstoff	Nutrola AI MAPE	USDA MAPE	Etikett MAPE
Protein	8.2%	6.1%	10.8%
Fett	11.4%	12.7%	14.1%
Karbohydrater	6.8%	5.9%	9.3%

Fettestimering er det svakeste punktet på tvers av alle kilder. Dette er forventet: fettinnhold er det vanskeligste makronæringsstoffet å vurdere visuelt (for AI) og det mest variable i tilberedning (for databaser). En spiseskje mer eller mindre med matolje legger til omtrent 14 gram fett og 120 kalorier, og verken et kamera eller en databaseoppføring kan fullt ut fange denne variasjonen.

Hovedfunn

1. Næringsetiketter Bruker Sin Regulatoriske Toleranse — Generøst

I USA tillater FDA at næringsetiketter kan avvike med opptil 20% fra den oppgitte verdien for kalorier, og etiketten anses som samsvarende så lenge den faktiske verdien ikke overstiger etiketten med mer enn 20%. Den europeiske unionen anvender et lignende toleranserammeverk. Våre data antyder at produsenter er godt klar over denne toleransen og bruker den strategisk.

Blant de 20 pakket matvarene og etiketterte restaurantmåltidene i studien vår, understreket 14 (70%) kaloriene i forhold til laboratorieverdien. Den gjennomsnittlige understrekningen var 8.9%. Bare 4 måltider (20%) oversteg kaloriene, og 2 var innen 2% av laboratorieverdien.

Denne retningstendensen er ikke tilfeldig. Å undervurdere kaloriene får et produkt til å fremstå "lettere" og mer tiltalende for helsebevisste forbrukere. Et frossent måltid som hevder 310 kcal, men faktisk inneholder 412 kcal (som vi fant med en "slank" lasagne) kan posisjonere seg i den dietvennlige hyllen mens det leverer betydelig mer energi enn annonsert.

For alle som er avhengige av etiketter for å opprettholde et kaloriunderskudd, er denne systematiske undervurderingen et alvorlig problem. Hvis etikettene dine er feil med i gjennomsnitt -8.9%, og du spiser tre etiketterte måltider per dag med et mål på 1,800 kcal, kan du innta omtrent 1,960 kcal — nok til å kutte det tiltenkte 500-kaloriunderskuddet nesten i to.

2. USDA-data Utmerker Seg for Rå Ingredienser, Sliter med Tilberedte Matvarer

USDA FoodData Central-databasen er en bemerkelsesverdig ressurs. For enkle, ubehandlede matvarer — en banan, et kyllingbryst, en kopp ris — er den ekstremt nøyaktig. Våre data viste en MAPE på bare 3.2% for enkle helsematvarer, som er nesten like bra som gjentatte laboratoriemålinger.

Men i det øyeblikket matlaging begynner, forringes USDA-nøyaktigheten. For hjemmelagde retter steg MAPE til 6.4%. For restaurantmåltider hoppet det til 14.2%. For internasjonale retter nådde det 15.7%.

Problemet er ikke databasen i seg selv, men gapet mellom databaseoppføringer og virkelige tilberedninger. En USDA-oppføring for "stekte grønnsaker" antar en spesifikk mengde olje, en spesifikk koketid, og en spesifikk grønnsaksblanding. Din stekte grønnsak — eller den som serveres på din lokale thairestaurant — kan bruke dobbelt så mye olje, inkludere fetere grønnsaker, og komme i en større porsjon. Databasen kan ikke ta hensyn til disse variasjonene; den kan bare beskrive et gjennomsnitt.

Dette har implikasjoner for manuelle sporere som er stolte av å ha "nøyaktig" logging ved å veie ingredienser og se dem opp i databaser. Den tilnærmingen fungerer godt for enkle måltider tilberedt hjemme med målte ingredienser. Den bryter sammen for å spise ute, bestille inn, eller lage oppskrifter der fettmengder er omtrentlige.

3. AI Fotoestimering Er Mer Nøyaktig Enn Forventet — Spesielt for Virkelige Måltider

Før vi gjennomførte denne studien, var vår interne antagelse at Nutrolas AI ville prestere godt for enkle matvarer og dårlig for komplekse måltider. Dataene støttet delvis og delvis motsa dette.

Som forventet var AI-ens beste ytelse på enkle helsematvarer (4.1% MAPE). En banan ser ut som en banan, og AI-ens treningsdata inkluderer tusenvis av bananbilder med kjente vekter og kaloriinnhold.

Det som overrasket oss var AI-ens relative ytelse på restaurant- og internasjonale måltider. Med 8.6% og 10.1% MAPE henholdsvis, overgikk Nutrola betydelig den USDA-baserte tilnærmingen (14.2% og 15.7%). AI-en syntes å dra nytte av flere fordeler i disse kategoriene:

• Porsjonsstørrelsesestimering fra visuelle ledetråder. AI-en bruker tallerkenen, bollen og bestikket som referanseobjekter for å estimere matvolum, noe som fanger den faktiske porsjonen som serveres i stedet for en antatt "standard porsjon."
• Saus- og toppingdeteksjon. Modellen er trent til å identifisere synlige sauser, glasurer, smeltet ost, og andre kaloritette toppings som en databaseoppslag kanskje går glipp av.
• Kjøkken-spesifikk kalibrering. Nutrolas treningsdata inkluderer titusenvis av merket bilder fra restauranter og internasjonale kjøkken, noe som lar modellen lære kjøkken-spesifikke mønstre (f.eks. at en bolle med ramen vanligvis inneholder mer fett enn dets buljongutseende antyder).

Det sagt, AI-en var ikke perfekt. Dens svakeste øyeblikk kom med skjulte fett — olje som absorberes i fritert mat, smør smeltet i sauser, og krem blandet inn i supper. Disse kaloriene er fysisk tilstede men visuelt usynlige, og de representerer et hardt tak på hva som helst kamera-basert system kan oppnå uten ytterligere brukerinput.

4. De Skjulte Kalori-syndere

På tvers av alle 50 måltider var den største kilden til estimeringsfeil — for alle metoder, inkludert AI — tilsatt matfett. Olje, smør, ghee, krem, og andre fettstoffer brukt under tilberedning utgjorde flertallet av de store avvikene.

Tenk på den hjemmelagde Caesar-salaten. Vårt laboratorium målte 486 kcal. USDA-baserte estimatet kom inn på 347 kcal — en 28.6% undervurdering. Gapet var nesten helt tilskrivbart dressingen: en hjemmelaget Caesar-dressing som inneholder olivenolje, eggeplomme, parmesan, og ansjospasta. USDA-estimatet brukte en "standard" mengde dressing, men den faktiske porsjonen var betydelig mer generøs.

Tilsvarende kom smørkyllingen inn på 943 kcal i laboratoriet mot 716 kcal fra USDA — en 24.1% feil drevet av mengden smør og krem i restaurantens oppskrift, som langt oversteg mengdene antatt i standard databaseoppføringer.

Disse funnene gjenspeiler et veletablert prinsipp innen ernæringsvitenskap: fett er det mest kaloririke makronæringsstoffet (9 kcal/g mot 4 kcal/g for protein og karbohydrater) og det vanskeligste å estimere nøyaktig. Små feil i fettestimering gir store kalori-feil. En enkelt spiseskje olje som ikke fanges opp av noen estimeringsmetode legger til 119 uregisserte kalorier.

Hva Dette Betyr for Hverdagsbrukere

Hvis du sporer kalorier for å håndtere vekten din, har disse funnene flere praktiske implikasjoner:

Ikke anta at etiketten din er evig. Næringsetiketter er nyttige utgangspunkt, men de kan undervurdere det faktiske kaloriinnholdet med 10-20% eller mer, spesielt for pakket måltider og restaurant-publiserte tall. Hvis vekttapet ditt har stoppet opp og du spiser "akkurat" det etikettene sier, kan dette skjulte overskuddet være forklaringen.

USDA-oppslag er mest pålitelige for enkle, hjemmelagde måltider. Hvis du lager mat hjemme, veier ingrediensene dine, og bruker primært helsematvarer, kan en USDA-basert sporingsmetode være svært nøyaktig. Jo mer komplekse og restaurantpåvirkede måltidene dine blir, jo mindre pålitelig blir denne metoden.

AI-fotosporing gir den beste balansen for virkelige måltider. For folk som spiser en blanding av hjemmelagde, restaurant- og pakket måltider — som beskriver de fleste voksne — gir et AI-basert system som Nutrola den mest konsistente nøyaktigheten på tvers av kategorier. Det vil ikke slå en nøye veid USDA-oppslag for et enkelt kyllingbryst, men det vil betydelig overgå den tilnærmingen for pad Thai du bestilte en fredag kveld.

Vær alltid mistenksom overfor høyfettretter. Uansett hvilken sporingsmetode du bruker, er retter som involverer steking, tunge sauser, krem, smør eller ost de som mest sannsynlig blir undervurdert. Når du er i tvil, legg til en liten buffer (50-100 kcal) for måltider som ser eller smaker rike ut. I Nutrola kan du også manuelt justere AI-estimatet etter gjennomgang, og systemet lærer av korrigeringene dine over tid.

Konsistens betyr mer enn perfeksjon. Våre data viste at Nutrolas største fordel ikke var i gjennomsnittlig nøyaktighet, men i konsistens — det laveste standardavviket og den høyeste prosentandelen av estimater innen 10% av laboratorieverdiene. For langvarig sporing er et system som konsekvent er feil med 5-7% langt mer nyttig enn et som noen ganger er perfekt og noen ganger feil med 25%. Konsistent skjevhet kan tas hensyn til; uregelmessig feil kan ikke.

Begrensninger

Vi ønsker å være åpne om begrensningene ved denne studien:

• Utvalgsstørrelse. Femti måltider er tilstrekkelig til å identifisere mønstre, men ikke stort nok for definitive statistiske konklusjoner i hver underkategori. Hver kategori inneholdt bare 10 måltider. Større studier ville øke tilliten til funnene på kategorinivå.
• Enkel geografisk region. Alle måltider ble hentet i Irland. Restaurantporsjoner, matlagingspraksis, og ingrediensinnkjøp varierer fra land til land og til og med fra by til by. Resultatene kan variere i andre regioner.
• Enkel AI-system testet. Vi testet kun Nutrolas AI. Andre AI-baserte kalorietracker kan prestere annerledes. Vi oppfordrer konkurrerende produkter til å gjennomføre og publisere lignende analyser.
• Fotoforhold. Alle bilder ble tatt av teammedlemmer som er kjent med beste praksis for matfotografi. En typisk bruker som tar et hastet bilde i dårlig belysning kan oppleve noe lavere AI-nøyaktighet.
• Bombekalorimetri måler brutto energi. Selv om korreksjoner ble anvendt for metaboliserbar energi, betyr individuelle forskjeller i fordøyelse og absorpsjon at de "sanne" kaloriene en gitt person trekker fra en matvare kan variere fra laboratorieverdien med flere prosent.

Konklusjon

Kalorinummeret på tallerkenen din er alltid et estimat — men ikke alle estimater er skapt like.

Næringsetiketter, til tross for deres offisielle utseende, er den minst nøyaktige kilden vi testet, med en systematisk tendens til å undervurdere kaloriene. USDA-data er utmerket for enkle, rå og hjemmelagde matvarer, men sliter med den rotete virkeligheten av restaurantmatlaging og internasjonal mat. AI-basert fotosporing, som implementert i Nutrola, gir den mest konsistente ytelsen på tvers av hele spekteret av mat folk faktisk spiser, med en total nøyaktighet på 7.4% gjennomsnittlig absolutt avvik fra laboratorieverdier.

Ingen sporingsmetode er perfekt. Matvarene som lurer AI-en, lurer også databasene og etikettene — kraftig sauser, olje-rike, og flerkomponentmåltider forblir de vanskeligste å estimere for ethvert system. Men for den hverdagslige sporeren som ønsker en pålitelig, lavinnsats måte å forstå hva de spiser, antyder dataene at en godt trent AI som ser på den faktiske tallerkenen din kommer nærmere sannheten enn en etikett trykt i en fabrikk eller en databaseoppføring skrevet for en idealisert oppskrift.

Nutrola er bygget på prinsippet om at nøyaktighet ikke skal kreve innsats. Du tar et bilde, og AI-en gjør arbeidet. Denne studien var vår måte å holde oss ansvarlige for det løftet — og dele resultatene, inkludert våre svakheter, med de som stoler på oss med sine ernæringsdata.

Hvis du vil prøve Nutrola selv, starter planene på EUR 2.50 per måned, med null annonser på alle nivåer. Vi vil heller tjene tilliten din med nøyaktige data enn å selge oppmerksomheten din til annonsører.

De rå datatabellene fra denne studien er tilgjengelige på forespørsel for forskere, journalister og kostholdseksperter som ønsker å gjennomføre sin egen analyse. Kontakt oss på research@nutrola.com.