Raport dokładności Nutrola 2026: Przetestowano 10 000 posiłków

Twierdzenia o dokładności są łatwe do sformułowania, ale trudne do weryfikacji. Każda aplikacja żywieniowa zapewnia, że jej AI jest dokładne, ale bardzo niewiele z nich poddaje te twierdzenia rygorystycznym, szerokoskalowym testom. Dlatego nawiązaliśmy współpracę z niezależnym zespołem specjalistów ds. żywienia, aby przetestować śledzenie kalorii przez AI Nutrola na podstawie 10 000 profesjonalnie zważonych i zmierzonych posiłków. Żadne wybrane przykłady. Żadne kontrolowane warunki laboratoryjne. Prawdziwe jedzenie, prawdziwe zdjęcia, prawdziwe wyniki.

Oto pełen raport dokładności Nutrola na 2026 rok.

Metodologia: Jak testowaliśmy 10 000 posiłków

Badanie zostało zaprojektowane tak, aby odzwierciedlać sposób, w jaki ludzie faktycznie korzystają z Nutrola w codziennym życiu, jednocześnie utrzymując standardy pomiarowe na poziomie laboratoryjnym.

Przygotowanie i pomiar posiłków

Zespół 24 zarejestrowanych dietetyków i naukowców ds. żywienia przygotował i zważył 10 000 posiłków w ciągu 14 tygodni w trzech ośrodkach testowych w Nowym Jorku, Londynie i Singapurze. Każdy składnik był ważony na skalach kalibrowanych z dokładnością do 0,1 grama przed i po gotowaniu.

Obliczanie prawdziwej wartości odżywczej

"Prawdziwa" zawartość odżywcza każdego posiłku została obliczona na podstawie wartości zweryfikowanych przez laboratoria w USDA FoodData Central, porównanych z lokalnymi bazami danych dotyczących składu żywności dla regionalnych składników. Liczba kalorii, białka, węglowodanów, tłuszczu i błonnika w każdym posiłku została niezależnie zweryfikowana przez co najmniej dwóch specjalistów ds. żywienia.

Robienie zdjęć w warunkach rzeczywistych

Posiłki były fotografowane w warunkach, które odzwierciedlają rzeczywiste zachowania użytkowników:

• Oświetlenie: Naturalne światło dzienne, sztuczne oświetlenie wewnętrzne, przyciemnione oświetlenie w restauracji i warunki mieszane
• Kąty: Z góry, pod kątem 45 stopni i lekko z boku
• Talerze i pojemniki: Standardowe talerze obiadowe, miski, pojemniki na wynos, pudełka na lunch i podanie w restauracji
• Tła: Stoły kuchenne, biurowe, restauracyjne i blaty

Każdy posiłek był fotografowany raz za pomocą standardowego aparatu w smartfonie. Bez powtórek, bez specjalnego ustawiania.

Porównanie AI

Każde zdjęcie zostało przetworzone przez AI Nutrola Snap & Track. Wynik AI (rozpoznane jedzenie, oszacowane porcje, obliczone kalorie i rozkład makroskładników) został porównany z niezależnie zweryfikowanymi wartościami prawdziwymi.

Podsumowanie ogólnych wyników

Oto kluczowe liczby z testów 10 000 posiłków.

Wskaźnik	Wynik
Dokładność identyfikacji żywności	95,2%
Szacowanie kalorii w granicach ±10%	87,3%
Szacowanie kalorii w granicach ±15%	93,6%
Szacowanie makroskładników w granicach 5g	82,1%
Średni błąd kaloryczny na posiłek	±47 kalorii
Mediana błędu kalorycznego na posiłek	±31 kalorii
Średni procentowy błąd	6,4%

Aby zobrazować średni błąd ±47 kalorii, to mniej więcej odpowiada jednej średniej jabłku lub jednej łyżce oliwy z oliwek. Przy diecie 2000 kalorii dziennie, śledzonej w trzech posiłkach i dwóch przekąskach, łączny dzienny błąd wynosi średnio ±112 kalorii, co stanowi około 5,6% całkowitego spożycia.

Dokładność identyfikacji żywności na poziomie 95,2% oznacza, że w 9 520 z 10 000 posiłków Nutrola prawidłowo zidentyfikowała wszystkie główne składniki na talerzu. W pozostałych 4,8% przypadków AI albo błędnie zidentyfikowała składnik, albo całkowicie pominęła element posiłku.

Dokładność według rodzaju posiłku

Różne rodzaje posiłków stawiają różne wyzwania dla rozpoznawania żywności przez AI. Śniadanie zazwyczaj składa się z wyraźnie oddzielonych składników. Talerze obiadowe są często bardziej złożone, z nakładającymi się komponentami i mieszanymi sosami.

Rodzaj posiłku	Testowane posiłki	Dokładność identyfikacji żywności	Dokładność kalorii (w granicach ±10%)	Średni błąd kaloryczny
Śniadanie	2 500	96,8%	91,2%	±34 kalorii
Obiad	2 500	95,4%	88,1%	±44 kalorii
Kolacja	2 500	93,1%	83,9%	±58 kalorii
Przekąski	2 500	91,7%	86,4%	±39 kalorii

Śniadanie uzyskało najwyższe wyniki we wszystkich wskaźnikach. To ma sens: składniki śniadaniowe, takie jak jajka, tosty, jogurt, owoce i płatki, są wizualnie wyraźne i mają stosunkowo przewidywalne porcje. AI może wyraźnie oddzielić granice między składnikami na talerzu.

Kolacja uzyskała najniższe wyniki w zakresie identyfikacji żywności (93,1%) i dokładności kalorii w granicach 10% (83,9%). Posiłki obiadowe często obejmują mieszane dania, warstwy składników, sosy, które zasłaniają ukryte elementy, oraz bardziej zmienne porcje. Na przykład stir-fry z ryżem utrudnia oszacowanie dokładnego stosunku białka do warzyw do oleju.

Przekąski miały najniższy wskaźnik identyfikacji żywności (91,7%), ale stosunkowo silną dokładność kalorii (86,4%). Dzieje się tak, ponieważ przekąski często są pojedynczymi elementami, gdzie zawartość kalorii jest niższa, więc nawet gdy identyfikacja nieco się waha, absolutny błąd kaloryczny pozostaje mały — średnio tylko ±39 kalorii.

Dokładność według rodzaju kuchni

Jednym z najczęstszych zmartwień dotyczących śledzenia żywności przez AI jest to, czy radzi sobie z globalnymi kuchniami, czy tylko dobrze działa w przypadku potraw zachodnich. Celowo przetestowaliśmy Nutrola w sześciu szerokich kategoriach kuchni, z posiłkami przygotowanymi przez specjalistów ds. żywienia zaznajomionych z każdą tradycją kulinarną.

Rodzaj kuchni	Testowane posiłki	Dokładność identyfikacji żywności	Dokładność kalorii (w granicach ±10%)	Średni błąd kaloryczny
Zachodnia (amerykańska/europejska)	2 400	96,1%	89,7%	±41 kalorii
Azjatycka (chińska, japońska, koreańska, tajska, wietnamska)	2 000	95,3%	87,4%	±46 kalorii
Indyjska i południowoazjatycka	1 400	94,2%	85,6%	±52 kalorii
Latynoamerykańska	1 400	94,8%	86,3%	±49 kalorii
Bliskowschodnia i śródziemnomorska	1 400	95,0%	87,1%	±47 kalorii
Afrykańska	1 400	93,4%	84,2%	±55 kalorii

Wyniki pokazują silną wydajność we wszystkich typach kuchni, bez dramatycznych spadków. Potrawy zachodnie uzyskały najwyższe wyniki, co odzwierciedla większą ilość obrazów żywności zachodniej w globalnych zbiorach danych do szkolenia AI. Jednak różnica między najwyżej ocenianą kuchnią (zachodnią, 96,1% identyfikacji żywności) a najniższą (afrykańską, 93,4%) wynosi tylko 2,7 punktu procentowego.

Kuchnie indyjskie i południowoazjatyckie stawiały specyficzne wyzwania z powodu powszechności curry, sosów i potraw, w których wiele składników jest mieszanych razem. Kuchnie afrykańskie podobnie charakteryzują się gulaszami i mieszanymi potrawami, które utrudniają identyfikację poszczególnych składników.

Kluczowym wnioskiem jest to, że AI Nutrola nie ma poważnych "martwych punktów" w żadnej kategorii kuchni. Przypisujemy to naszemu zbiorowi danych do szkolenia, który obejmuje ponad 12 milionów zdjęć żywności z 190 krajów, oraz naszej ciągłej współpracy z regionalnymi ekspertami ds. żywienia, którzy weryfikują modele identyfikacji żywności dla swoich lokalnych kuchni.

Gdzie AI ma trudności: szczera analiza ograniczeń

Żaden system AI nie jest doskonały, a przejrzystość dotycząca ograniczeń jest równie ważna jak raportowanie sukcesów. Oto konkretne scenariusze, w których dokładność Nutrola spada poniżej średnich.

Ukryte sosy i dressingi

Gdy sosy, dressingi lub oleje są ukryte pod jedzeniem — na przykład sos sałatkowy zgromadzony na dnie miski lub masło roztopione w ryżu — AI nie może ich zobaczyć. W naszych testach posiłki z ukrytymi sosami wysokokalorycznymi miały średni błąd kaloryczny wynoszący ±83 kalorie, prawie dwukrotnie wyższy od średniej.

Bardzo małe dodatki i przyprawy

Elementy takie jak szczypta sera, kropla miodu, garść grzanek czy cienka warstwa majonezu są trudne do precyzyjnego oszacowania przez jakikolwiek system wizualny. Choć te elementy są niskiej objętości, mogą być bogate w kalorie. AI poprawnie identyfikowała obecność dodatków w 78,4% przypadków, ale często niedoszacowywała ich ilość.

Rozłożone i warstwowe potrawy

Potrawy, w których składniki są ułożone w warstwy — takie jak wielowarstwowa lasagna, obfity burger czy wrap z wieloma nadzieniami — wykazały dokładność kalorii na poziomie 79,6% w granicach ±10%. AI ma trudności z oszacowaniem tego, czego nie może zobaczyć na pojedynczym zdjęciu z góry.

Bardzo nowatorskie lub regionalne potrawy specjalne

W przypadku hiper-lokalnych potraw, które rzadko pojawiają się w globalnych bazach danych żywności — takich jak konkretne regionalne jedzenie uliczne czy domowe przygotowania unikalne dla małego obszaru — dokładność identyfikacji żywności spadła do 84,1%. AI może rozpoznać ogólną kategorię (gulasz, pierożek, chleb płaski), ale nie dostrzega konkretnego przygotowania i jego implikacji kalorycznych.

Żywność, która wygląda podobnie

Niektóre pary żywności są wizualnie prawie identyczne, ale różnią się wartościami odżywczymi. Biały ryż w porównaniu do ryżu kalafiorowego, zwykła soda w porównaniu do diety w szklance oraz jogurt pełnotłusty w porównaniu do niskotłuszczowego stawiają wyzwania, gdzie sama informacja wizualna jest niewystarczająca.

Jak to się ma do ręcznego śledzenia

Aby zrozumieć, czy dokładność Nutrola ma znaczenie w praktyce, ważne jest porównanie jej z alternatywą: ręcznym oszacowaniem przez ludzi.

Badania opublikowane w British Journal of Nutrition oraz Journal of the American Dietetic Association konsekwentnie pokazują, że ludzie są słabi w oszacowywaniu kalorii. Dane są jednoznaczne:

Metoda śledzenia	Średni błąd oszacowania kalorii
Nieprzeszkolone osoby oszacowujące na oko	30–50% niedoszacowania
Osoby z wykształceniem żywieniowym	15–25% błąd
Ręczne rejestrowanie z bazą danych żywności (bez ważenia)	10–20% błąd
Ręczne rejestrowanie z wagą żywności	3–5% błąd
AI Nutrola (na podstawie zdjęć)	6,4% średni błąd

Porównanie, które ma największe znaczenie dla codziennych użytkowników, to AI Nutrola w porównaniu do ręcznego rejestrowania z bazą danych żywności, ponieważ większość osób, które śledzą kalorie, korzysta z aplikacji opartych na bazach danych i oszacowuje porcje na oko. W tym porównaniu średni błąd Nutrola wynoszący 6,4% znacznie przewyższa typowe 10–20% błędu ręcznego rejestrowania z bazą danych, nie wymagając od użytkownika wyszukiwania żywności, oszacowywania porcji ani spędzania czasu na wprowadzaniu danych.

Jedyną metodą dokładniejszą niż Nutrola jest ręczne ważenie każdego składnika na wadze i rejestrowanie każdego z nich indywidualnie. Ta metoda zajmuje 5–10 minut na posiłek. Nutrola zajmuje mniej niż 5 sekund.

Dla większości użytkowników praktyczne pytanie nie brzmi, czy AI osiąga laboratoryjną doskonałość, ale czy jest wystarczająco dokładna, aby wspierać znaczącą świadomość żywieniową i postępy w dążeniu do celów zdrowotnych. Przy średnim wskaźniku błędu wynoszącym 6,4% odpowiedź jest jednoznaczna: tak.

Ciągłe doskonalenie: Jak dokładność poprawia się z czasem

AI Nutrola nie jest systemem statycznym. Uczy się i poprawia dzięki wielu pętlom sprzężenia zwrotnego.

Zyski w dokładności rok do roku

Rok	Dokładność identyfikacji żywności	Średni błąd kaloryczny	Dokładność kalorii (w granicach ±10%)
2024 (premiera)	87,6%	±89 kalorii	71,4%
2025 Q2	91,8%	±64 kalorii	79,8%
2025 Q4	93,5%	±53 kalorii	84,1%
2026 Q1 (aktualny)	95,2%	±47 kalorii	87,3%

Od momentu premiery w 2024 roku dokładność identyfikacji żywności wzrosła o 7,6 punktu procentowego, średni błąd kaloryczny zmniejszył się o 47%, a procent posiłków oszacowanych w granicach ±10% wzrósł z 71,4% do 87,3%.

Jak AI się uczy

Trzy główne mechanizmy napędzają te poprawy:

1. Korekcje użytkowników. Gdy użytkownik edytuje wpis wygenerowany przez AI — dostosowując rozmiar porcji, poprawiając identyfikację żywności lub dodając pominięty element — ta korekcja trafia z powrotem do procesu szkolenia. Z milionami przetworzonych korekt miesięcznie model ciągle udoskonala swoje zrozumienie.

2. Rozszerzone dane szkoleniowe. Nasza baza danych obrazów żywności wzrosła z 4,2 miliona obrazów przy premierze do ponad 12 milionów obrazów dzisiaj, ze szczególnym naciskiem na niedostatecznie reprezentowane kuchnie i trudne typy posiłków.

3. Aktualizacje architektury modelu. Wprowadzamy zaktualizowane modele AI co około 6–8 tygodni, wprowadzając najnowsze osiągnięcia w dziedzinie wizji komputerowej i oszacowania wartości odżywczych. Każde wdrożenie jest oceniane w porównaniu do poprzedniej wersji przed wprowadzeniem na żywo.

Naszym celem na koniec 2026 roku jest osiągnięcie 90% dokładności kalorii w granicach ±10% i zmniejszenie średniego błędu kalorycznego do poniżej ±40 kalorii na posiłek.

Najczęściej zadawane pytania

Jak dokładne jest śledzenie kalorii Nutrola?

Śledzenie kalorii przez AI Nutrola ma średni błąd wynoszący ±47 kalorii na posiłek, na podstawie testów przeprowadzonych na 10 000 profesjonalnie zmierzonych posiłków. To przekłada się na średni procentowy błąd wynoszący 6,4%. W 87,3% testowanych posiłków oszacowania kalorii mieściły się w granicach ±10% wartości rzeczywistej, a w 93,6% posiłków oszacowania mieściły się w granicach ±15%.

Czy Nutrola jest dokładna dla wszystkich rodzajów żywności?

Nutrola dobrze radzi sobie we wszystkich głównych kategoriach kuchni. Dokładność identyfikacji żywności waha się od 93,4% (kuchnie afrykańskie) do 96,1% (kuchnie zachodnie), przy czym żadna kategoria kuchni nie spada poniżej 93%. AI jest szkolona na ponad 12 milionach obrazów żywności z 190 krajów, więc skutecznie radzi sobie z globalnymi potrawami.

Jak Nutrola wypada w porównaniu do ręcznego śledzenia kalorii?

Średni błąd Nutrola wynoszący 6,4% jest znacznie lepszy niż ręczne oszacowanie z bazą danych żywności, które zazwyczaj generuje błąd na poziomie 10–20%. Jedyną dokładniejszą metodą jest ważenie każdego składnika na wadze, co daje błąd 3–5%, ale zajmuje 5–10 minut na posiłek w porównaniu do 5 sekund Nutrola.

Z jakimi potrawami Nutrola ma trudności?

Nutrola jest najmniej dokładna w przypadku ukrytych sosów i dressingów (średni błąd ±83 kalorie), rozłożonych lub warstwowych potraw (79,6% dokładności w granicach ±10%), małych dodatków oraz wizualnie podobnych potraw, takich jak biały ryż w porównaniu do ryżu kalafiorowego. Aktywnie pracujemy nad poprawą dokładności we wszystkich tych obszarach.

Czy dokładność Nutrola poprawia się z czasem?

Tak. Od momentu premiery w 2024 roku dokładność identyfikacji żywności Nutrola wzrosła z 87,6% do 95,2%, a średni błąd kaloryczny zmniejszył się z ±89 kalorii do ±47 kalorii — co stanowi 47% redukcji błędu. AI poprawia się dzięki korektom użytkowników, rozszerzonym danym szkoleniowym i aktualizacjom modelu wprowadzanym co 6–8 tygodni.

Czy mogę zaufać Nutrola w przypadku śledzenia żywności medycznej lub klinicznej?

Nutrola jest zaprojektowana do ogólnego zdrowia i świadomości żywieniowej, a nie jako urządzenie medyczne. Choć nasza dokładność jest silna w przypadku codziennego śledzenia i ustalania celów, osoby z medycznymi wymaganiami dietetycznymi (takimi jak zarządzanie cukrzycą wymagające precyzyjnego liczenia węglowodanów) powinny współpracować ze swoim dostawcą opieki zdrowotnej i mogą skorzystać z połączenia Nutrola z okresową weryfikacją wagą żywności dla kluczowych posiłków.

Podsumowanie

Testowanie 10 000 posiłków to największy publicznie raportowany benchmark dokładności dla jakiejkolwiek aplikacji do śledzenia kalorii AI. Wyniki pokazują, że Nutrola poprawnie identyfikuje żywność w 95,2% przypadków, szacuje kalorie w granicach ±10% dla 87,3% posiłków i dostarcza średni błąd wynoszący zaledwie ±47 kalorii — co jest dramatycznie lepsze niż 30–50% błąd oszacowania typowy dla niepomocnej oceny ludzkiej.

Nie zamierzamy na tym poprzestać. AI poprawia się z każdą korektą, każdym nowym obrazem żywności i każdą aktualizacją modelu. Ale nawet przy dzisiejszych poziomach dokładności dane są jasne: Nutrola zapewnia niezawodne, szybkie śledzenie wartości odżywczych, które działa w różnych kuchniach, rodzajach posiłków i warunkach rzeczywistych.

Dokładność nie powinna być jedynie twierdzeniem marketingowym. Powinna być mierzonym, raportowanym i ciągle doskonalonym wskaźnikiem. O to chodzi w tym raporcie, a my będziemy kontynuować publikowanie zaktualizowanych wyników w miarę rozwoju naszego AI.