A Sua IA Está Alucinando? O Perigo de Usar LLMs Genéricos para Conselhos de Dieta

"Ei ChatGPT, quantas calorias tem o meu frango salteado?"

A resposta vem instantaneamente e com confiança: "Um frango salteado típico contém aproximadamente 350 a 450 calorias por porção." Parece razoável. Até apresenta a divisão dos macronutrientes. Mas há um problema: o número é fabricado. Não estimado, não aproximado, mas gerado a partir de padrões estatísticos em dados de texto sem qualquer ligação a uma base de dados nutricional real.

Isto é o que os investigadores de IA chamam de alucinação, e quando acontece no contexto da nutrição, as consequências vão além de um mau texto ou de uma resposta errada de cultura geral. As pessoas tomam decisões dietéticas reais com base nestes números, e essas decisões afetam a sua saúde.

O Que Significa "Alucinação" no Contexto Nutricional

Na terminologia dos grandes modelos de linguagem, uma alucinação ocorre quando o modelo gera informação que parece plausível mas é factualmente incorreta. Os LLMs não procuram factos numa base de dados. Eles preveem a próxima palavra mais provável numa sequência com base em padrões aprendidos durante o treino.

Quando se pergunta ao ChatGPT sobre o conteúdo calórico de um alimento, ele não está a consultar a base de dados USDA FoodData Central nem a cruzar referências com o NCCDB. Está a gerar uma resposta que estatisticamente se assemelha ao tipo de resposta que apareceria nos seus dados de treino. Por vezes, essa resposta está perto do correto. Por vezes, está completamente errada.

O perigo é que o nível de confiança é idêntico em ambos os casos. Uma contagem de calorias alucinada lê-se exatamente como uma precisa.

Onde os LLMs Genéricos Erram na Nutrição

Realizámos uma série de testes pedindo ao ChatGPT (GPT-4o), Gemini e Claude para estimar o conteúdo nutricional de refeições comuns. Depois comparámos essas estimativas com valores de referência verificados pelo USDA e com a base de dados revista por nutricionistas da Nutrola. Os padrões de falha foram consistentes e reveladores.

Precisão Fabricada

Pergunte a um LLM "quantas calorias tem uma colher de sopa de azeite?" e frequentemente obterá uma resposta correta: cerca de 119 calorias. Isto acontece porque esse facto específico aparece frequentemente nos dados de treino.

Mas pergunte "quantas calorias tem um frango tikka masala caseiro com naan?" e o modelo tem de improvisar. Nos nossos testes, o GPT-4o retornou estimativas que variavam de 450 a 750 calorias para a mesma refeição descrita em diferentes conversas. O valor real, calculado a partir de uma receita padrão com dados de ingredientes verificados, era de 685 calorias. Uma resposta estava perto. Outras estavam erradas por mais de 200 calorias.

O modelo não tem forma de sinalizar quais respostas são consultas fiáveis e quais são suposições improvisadas.

Cegueira ao Método de Preparação

Os LLMs têm um ponto cego fundamental em relação à forma como os alimentos são preparados. "Peito de frango grelhado" e "peito de frango frito na manteiga" podem receber estimativas calóricas semelhantes porque o modelo se concentra no ingrediente principal em vez do método de cozedura.

Nos nossos testes, quando perguntámos sobre "salmão" sem especificar a preparação, as respostas consistentemente assumiam uma estimativa de assado ou grelhado em torno de 230 a 280 calorias para um filé de 170 gramas. Um filé de salmão de 170 gramas frito em duas colheres de sopa de manteiga com molho teriyaki contém na realidade cerca de 450 a 500 calorias. A diferença é significativa o suficiente para comprometer um défice calórico ao longo do tempo.

Alucinação do Tamanho da Porção

Talvez o modo de falha mais perigoso seja a suposição do tamanho da porção. Quando se pergunta a um LLM genérico sobre as calorias de um alimento, ele tem de assumir um tamanho de porção. Estas suposições são inconsistentes e frequentemente não especificadas.

"Uma tigela de massa" pode ser estimada em 300 a 400 calorias. Mas a tigela de quem? Uma porção padrão de 56 gramas de esparguete seco com molho marinara tem cerca de 280 calorias. Uma porção de restaurante de 110 a 170 gramas de massa seca com molho facilmente atinge 600 a 900 calorias. O LLM escolhe um número intermédio e apresenta-o como facto.

Erros Acumulados em Planos Alimentares

O risco aumenta quando os utilizadores pedem aos LLMs para gerar planos alimentares completos. Cada estimativa individual carrega erro, e esses erros acumulam-se ao longo das refeições e dos dias. Um plano alimentar que afirma fornecer 1.800 calorias por dia pode na verdade fornecer 2.200 ou 1.400 dependendo da direção dos erros.

Para alguém que utiliza um plano alimentar para gerir uma condição médica como diabetes, ou para atingir objetivos específicos de desempenho atlético, este nível de imprecisão não é apenas inútil. É potencialmente prejudicial.

Por Que a IA de Nutrição Especializada É Diferente

A distinção entre um LLM genérico e um sistema de nutrição especializado é arquitetural, não cosmética.

Respostas Baseadas em Base de Dados

A IA da Nutrola não gera estimativas de calorias a partir de padrões linguísticos. Quando identifica um alimento, mapeia essa identificação para uma entrada verificada numa base de dados nutricional. A base de dados contém entradas provenientes do USDA FoodData Central, bases de dados nutricionais nacionais de múltiplos países e entradas revistas internamente por nutricionistas.

Isto significa que o sistema não pode alucinar uma contagem de calorias. O número provém de uma entrada específica e auditável da base de dados, não de um modelo estatístico de linguagem.

Verificação Visual

Quando um utilizador fotografa uma refeição, o modelo de visão computacional da Nutrola identifica itens alimentares individuais e estima o tamanho das porções com base em análise visual. Este fundamento visual fornece uma verificação que os LLMs apenas de texto não conseguem realizar. O sistema está literalmente a olhar para o que se está a comer em vez de adivinhar a partir de uma descrição de texto.

Incerteza Transparente

Um sistema de nutrição bem concebido reconhece quando está incerto. Se um prato é ambíguo ou o tamanho de uma porção é difícil de estimar a partir de uma foto, o sistema pode sinalizar essa incerteza e pedir esclarecimentos ao utilizador. Os LLMs genéricos quase nunca indicam quando as suas estimativas nutricionais são de baixa confiança, porque não têm mecanismo para medir a sua própria confiança em afirmações factuais.

Os Riscos Reais para a Saúde

Dados calóricos imprecisos provenientes de IA não são um problema abstrato. Manifestam-se de formas concretas.

Fracasso na gestão de peso. Uma contagem excessiva ou insuficiente consistente de 200 calorias por dia altera o resultado de qualquer dieta. Ao longo de 30 dias, isso é um erro de 6.000 calorias, aproximadamente equivalente a 0,8 quilogramas de gordura corporal em qualquer direção.

Cegueira a micronutrientes. Os LLMs raramente fornecem dados de micronutrientes e, quando o fazem, os números são ainda menos fiáveis do que as suas estimativas de calorias. Alguém que monitoriza a ingestão de ferro durante a gravidez ou que controla o sódio para hipertensão não pode depender de estimativas geradas.

Falsa confiança. O risco mais insidioso é que o utilizador acredita ter dados precisos quando não tem. Esta falsa confiança impede-o de procurar melhores ferramentas ou de fazer ajustes com base em resultados reais.

Quando É Aceitável Perguntar a um LLM Sobre Alimentação

Os LLMs genéricos não são inúteis para nutrição. São eficazes para certos tipos de perguntas:

• Educação geral: "Que alimentos são ricos em potássio?" ou "Qual é a diferença entre fibra solúvel e insolúvel?" Estas são perguntas de conhecimento onde respostas aproximadas são apropriadas.
• Ideias de receitas: "Dá-me uma ideia de almoço rico em proteína com menos de 500 calorias" pode produzir inspiração útil, mesmo que a contagem exata de calorias deva ser verificada.
• Compreensão de conceitos: "Explica o que é um défice calórico" ou "Como é que a proteína ajuda na recuperação muscular?" são áreas onde os LLMs funcionam bem.

A linha é clara: use LLMs para aprender sobre nutrição. Use ferramentas verificadas e baseadas em bases de dados para a monitorizar.

Como Verificar Qualquer Afirmação Nutricional de IA

Quer esteja a usar um chatbot ou qualquer outra ferramenta, existem passos práticos para verificar os dados que está a receber:

1. Cruze referências com o USDA FoodData Central. A base de dados do USDA é gratuita, pública e verificada em laboratório. Se a estimativa de uma IA diverge significativamente da entrada do USDA para o mesmo alimento, a IA provavelmente está errada.
2. Verifique as suposições de tamanho de porção. Pergunte ou verifique sempre em que tamanho de porção se baseia a estimativa. Um número de calorias sem um tamanho de porção é sem sentido.
3. Considere o método de preparação. O mesmo ingrediente pode variar de 2 a 3 vezes em densidade calórica dependendo de ser cru, assado, frito ou salteado em azeite.
4. Seja cético com números redondos. Se uma IA diz que uma refeição tem "exatamente 500 calorias," isso é uma estimativa gerada, não um valor medido. Dados nutricionais reais têm números específicos como 487 ou 523.

Perguntas Frequentes

O ChatGPT é preciso para contar calorias?

O ChatGPT e outros grandes modelos de linguagem semelhantes não são fiáveis para contagem de calorias. Geram estimativas baseadas em padrões de texto em vez de consultarem valores em bases de dados nutricionais verificadas. Nos testes, as estimativas de calorias dos LLMs para refeições complexas variaram entre 200 a 300 calorias em diferentes consultas para o mesmo alimento. Para itens simples e bem conhecidos como "um ovo grande," as estimativas tendem a estar perto porque os dados aparecem frequentemente no texto de treino. Para refeições preparadas, pratos de restaurante e alimentos com ingredientes misturados, a taxa de erro aumenta significativamente.

Posso usar o ChatGPT para monitorizar os meus macronutrientes?

Usar o ChatGPT para monitorização de macronutrientes não é recomendado para quem persegue objetivos específicos de saúde ou fitness. O modelo não consegue considerar os seus tamanhos reais de porção, métodos de cozedura ou ingredientes específicos. Também carece de consistência; fazer a mesma pergunta duas vezes pode produzir divisões de macronutrientes diferentes. Para uma consciência geral sobre se um alimento é rico em proteína ou hidratos de carbono, um LLM pode fornecer informação direcional útil. Para monitorização precisa, uma aplicação de nutrição especializada com uma base de dados verificada produzirá resultados substancialmente mais precisos e consistentes.

O que é alucinação de IA em nutrição?

Alucinação de IA em nutrição refere-se a quando um modelo de linguagem gera dados nutricionais, como contagens de calorias, divisões de macronutrientes ou valores de micronutrientes, que parecem autoritativos mas são factualmente incorretos. O modelo não está deliberadamente a mentir; está a prever texto com som plausível com base em padrões. O resultado é uma contagem de calorias que se lê como um facto mas que nunca foi verificada contra qualquer base de dados nutricional. Isto é particularmente perigoso porque os utilizadores não têm forma de distinguir uma estimativa alucinada de uma precisa sem verificação manual cruzada.

Como sei se a minha IA de nutrição está a fornecer dados precisos?

Verifique três coisas. Primeiro, pergunte se a ferramenta consulta uma base de dados nutricional verificada como o USDA FoodData Central ou o NCCDB, em vez de gerar estimativas a partir de um modelo de linguagem. Segundo, verifique se considera os métodos de preparação, já que o método de cozedura pode alterar o conteúdo calórico de um alimento entre 50 a 200 por cento. Terceiro, verifique se a ferramenta especifica o tamanho exato da porção em que a sua estimativa se baseia. Uma IA de nutrição fiável deve ser transparente sobre as suas fontes de dados e deve sinalizar estimativas incertas em vez de apresentar todos os números com igual confiança.

É seguro seguir um plano alimentar criado por IA?

Planos alimentares gerados por IA podem ser úteis como estruturas iniciais, mas não devem ser seguidos cegamente para objetivos médicos ou de desempenho específicos. Cada estimativa de calorias no plano carrega erro potencial, e esses erros acumulam-se ao longo de um dia inteiro de alimentação. Se o plano afirma fornecer 1.800 calorias mas cada estimativa de refeição está errada em 10 a 15 por cento, a ingestão diária real pode variar entre 1.500 a 2.100 calorias. Para inspiração de alimentação saudável geral, os planos alimentares de IA são um ponto de partida razoável. Para gestão nutricional clínica, programas de perda de peso ou dietas de desempenho atlético, os objetivos de calorias e macronutrientes devem ser verificados contra uma ferramenta baseada em base de dados.