Kalorien zählen9 Min. Lesezeit
Wie genau ist Kalorienzählen mit KI, und spielt das eine Rolle?
KI-Schätzungen per Foto sind grob, das zeigt auch die Forschung. Das gilt aber für jede Art, Essen einzutragen. Was die Studien herausgefunden haben, warum Leichtigkeit für die meisten wichtiger ist als Präzision und wann du lieber einen Barcode scannst.
Auf dieser Seite
Halt dein Handy über einen Teller Pasta, und eine App sagt dir: 640 Kalorien. Das klingt präzise. Ganz so präzise ist es nicht. Aber hier ist etwas, das weder die Anbieter von KI-Trackern noch ihre Kritiker gern erwähnen: Der alte Weg war auch nie präzise. Die eigentliche Frage ist nicht, ob KI exakt ist. Sondern ob sie dir hilft, dranzubleiben.
KI-Kalorienschätzungen per Foto sind grob: In einer Studie von 2025 lagen die besten allgemeinen KI-Modelle pro Foto im Schnitt um etwa 36 % daneben und unterschätzten große Portionen eher.1 Das klingt schlecht, bis du es mit der Alternative vergleichst. Dieselben Forschenden fanden, dass die KI vergleichbar abschnitt wie klassische Ernährungsprotokolle, nur ohne den Aufwand.
- KI für die Leichtigkeit: selbst gekochte Teller, Restaurantessen und alles ohne Etikett. Ein grober Eintrag ist besser als gar keiner.
- Die Datenbank für die Genauigkeit: Scanne bei verpackten Lebensmitteln den Barcode, und du bekommst die Werte vom Etikett des Herstellers.
- Einmal korrigieren, immer wieder nutzen: Passe eine Schätzung an, speichere die Mahlzeit, und der nächste Eintrag ist ein Fingertipp und genau richtig.
Wie genau ist Kalorienzählen mit KI?
Die aufschlussreichste aktuelle Studie testete drei verbreitete allgemeine KI-Modelle an 52 standardisierten Essensfotos, von einzelnen Zutaten bis zu kompletten Mahlzeiten in drei Portionsgrößen, und verglich ihre Antworten mit abgewogenen Referenzwerten.1
- Im Schnitt etwa 36 % danebenDie beiden besten Modelle verfehlten den Energiegehalt eines Fotos im Mittel um rund 36 %. Das dritte schnitt deutlich schlechter ab.
- Große Teller werden unterschätztAlle drei Modelle unterschätzten umso stärker, je größer die Portion war. Bei einer üppigen Portion ist KI am wenigsten verlässlich.
- Vergleichbar mit ErnährungsprotokollenDie Autorinnen und Autoren kamen zu dem Schluss, dass die besten Modelle vergleichbar abschnitten wie klassische Selbstauskünfte, ohne die Belastung für die Nutzer.
- Nichts für klinische PräzisionSie schrieben aber auch, dass allgemeine KI noch nicht für eine präzise Ernährungserfassung in Klinik oder Leistungssport geeignet ist.
Zwei Einschränkungen weisen in entgegengesetzte Richtungen. Die Studie nutzte Modelle aus dem Jahr 2024, und das Feld entwickelt sich schnell, heutige Schätzungen dürften also besser sein. Andererseits sind Fotos im echten Leben unordentlicher als im Labor. Eine zweite Studie von 2025 mit einem neueren Modell zeigt, was am meisten hilft: Der durchschnittliche Kalorienfehler lag bei etwa 31 % mit dem Foto allein, bei 24 %, wenn ein paar Worte zur Mahlzeit dazukamen, und bei 14 % mit einer Zutatenliste.2 Deshalb lässt dich gutes KI-Tracking sagen, was im Gericht steckt, statt es nur zu fotografieren.
Von Hand eintragen war auch nie exakt
Es ist verlockend, KI mit einem perfekten, abgewogenen, im Labor gemessenen Tagebuch zu vergleichen. So ein Tagebuch führt niemand. Echtes Ernährungstracking ist ebenfalls Schätzarbeit, und die Schätzungen neigen in eine Richtung.
| Woher Fehler kommen | Aufschreiben | Datenbanksuche | KI-Foto-Scan | Am genauestenBarcode-Scan |
|---|---|---|---|---|
| Portionsgröße | Du schätzt | Du schätzt | Die KI schätzt | Du wählst die Portionen, den Rest liefert das Etikett |
| Nährwerte | Geschätzt oder nachgeschlagen | Hängt vom gewählten Eintrag ab | Von der KI geschätzt | Das Etikett des Herstellers |
| Vergessenes | Häufig: Snacks, Getränke, Öl | Häufig | Seltener: Alles ist auf dem Foto | Nur, was du scannst |
| Aufwand pro Mahlzeit | Hoch | Mittel | Am geringsten | Gering |
Auch Etiketten haben einen Spielraum: Nach EU-Leitlinien dürfen die angegebenen Werte für Eiweiß, Kohlenhydrate und Fett bei vielen Lebensmitteln um bis zu 20 % von Labormessungen abweichen, weil Zutaten von Charge zu Charge schwanken.4
Die Forschung zu selbst berichtetem Essen ist ernüchternd. Eine Übersichtsarbeit zu klassischen Ernährungsprotokollen fand, dass Menschen durchweg weniger angeben, als sie tatsächlich essen, und dass die Lücke mit dem Körpergewicht wächst.3 In einer klassischen Studie gaben Menschen, die glaubten, mit Diäten nicht abnehmen zu können, fast die Hälfte ihres Essens zu wenig an.5 Niemand hat gelogen. Sich an jeden Bissen zu erinnern, ihn zu schätzen und aufzuschreiben, ist einfach schwer.
Die Wahl ist also nicht KI oder Genauigkeit. Sondern zwischen verschiedenen Arten von ungefähr, und am wichtigsten ist die, mit der du weiter einträgst.
Warum „ungefähr“ funktioniert
Ein Ernährungstagebuch ist wertvoll wegen der Muster, die es über Wochen zeigt, nicht weil jede einzelne Mahlzeit perfekt erfasst ist. Die Forschung zum Eintragen zeigt in dieselbe Richtung: In einer Studie hing vor allem zusammen, wie oft Menschen eintrugen, mit dem Gewichtsverlust, nicht wie lange sie dafür brauchten.6 Präzision, die dich drei Minuten pro Mahlzeit kostet, gibst du spätestens am Donnerstag auf.
Ein grobes Tagebuch, das du drei Monate führst, sagt dir mehr als ein perfektes, das du nach einer Woche aufgibst.
Fehler wiegen außerdem weniger schwer, als es aussieht, weil sie meist gleichbleibend sind. Wenn die KI dein übliches Frühstück jedes Mal etwas zu niedrig einschätzt, stimmt dein Verlauf trotzdem: Du siehst weiterhin, dass Wochentage anders aussehen als Wochenenden und dass der Snack am Abend im November größer wurde. Und wo Genauigkeit wirklich zählt, hast du ein besseres Werkzeug.
- Foto-Scan, Text oder Sprache und Scan von Nährwerttabellen
- Rezepte aus Reels, TikToks, YouTube Shorts und von Rezeptseiten
Wann du KI weglassen kannst: die Produktdatenbank
Für alles, was in einer Verpackung kommt, brauchst du keine Schätzung. Die Nährwerte stehen direkt drauf, und ein Barcode bringt sie in einer Sekunde in dein Tagebuch. Der Lebensmittelkatalog von Fimbl setzt sich zusammen aus:
- Verpackte Produkte per BarcodeAus Open Food Facts, der offenen weltweiten Datenbank für Lebensmitteletiketten, mit den Nährwerten des jeweiligen Produkts.7
- Alltägliche GrundnahrungsmittelAllgemeine Lebensmittel aus Fineli, der finnischen nationalen Nährwertdatenbank, und aus USDA FoodData Central.8, 9
- Von Nutzern ergänzte ProdukteEin Produkt fehlt? Füg es einmal vom Etikett hinzu, und beim nächsten Scan ist es da.
-
Werte vom Etikett, keine SchätzungProdukt scannen oder suchen und die Portion anpassen. Der Barcode-Scanner ist in Fimbl kostenlos.
-
Einmal genau, danach immer schnellStell eine regelmäßige Mahlzeit aus echten Produkten zusammen, speichere sie und trag sie mit einem Fingertipp wieder ein.
Welche Methode wann passt
Greif zur Datenbank
- Verpackte Lebensmittel
- Joghurt, Müsli, Brot, Fertiggerichte: Barcode scannen.
- Mahlzeiten, die du oft isst
- Einmal aus echten Produkten zusammenstellen und speichern.
- Wenn es auf Genauigkeit ankommt
- Konkrete Makro-Ziele oder ein Plan von deiner Ernährungsberatung.
Überlass es der KI
- Restaurant und Lieferdienst
- Kein Etikett, kein Rezept, nur ein Teller.
- Selbst gekochte Mischgerichte
- Eintöpfe, Salate und Bowls, die von Hand zehn Einträge bräuchten.
- Volle Momente
- Wenn die Wahl zwischen einem Foto und gar nichts ist: Mach das Foto.
Und wenn du weder Zeit noch Energie hast, hält eine grob geschätzte Kalorienzahl über „Schnell hinzufügen“ den Tag in deinem Tagebuch. Ungefähr ist gut genug. Am Ende gewinnt der Tracker, den du weiter öffnest.
Fünf Wege zu besseren KI-Schätzungen
- Bring den ganzen Teller ins Bild. Fotografiere leicht von oben, damit die KI neben der Fläche auch die Höhe sieht. Ein halber Teller ergibt eine halbe Schätzung.
- Sag, was die Kamera nicht sieht. Öl, Butter, Dressing, Zucker im Kaffee. Versteckte Fette sind der häufigste blinde Fleck, und sie zu beschreiben, bringt die größte Verbesserung.
- Prüf die Portion, nicht nur das Essen. KI unterschätzt große Portionen eher. Wenn du nachgenommen hast, stell die Portion höher.
- Teil Mahlzeiten mit verpackten Bestandteilen auf. Scanne den Barcode des Joghurts, fotografiere das Obst darauf. Jedes Werkzeug dort, wo es am stärksten ist.
- Einmal korrigieren, dann speichern. Wenn du ein Gericht regelmäßig isst, korrigiere die Schätzung und speichere es als Mahlzeit. Dein nächster Eintrag ist ein Fingertipp und genau richtig.
Was passiert mit deinem Essensfoto?
Bevor du eine App auf deinen Teller richtest, lohnt sich die Frage, wohin das Bild geht. Frag bei jedem KI-Tracker: Ist die KI optional, was genau wird gesendet, ist es mit deinem Namen verknüpft, und wird es zum Trainieren von Modellen genutzt?
In Fimbl ist KI optional und Teil von Premium. Wenn du einen Scan nutzt, geht das Foto über die Server von Fimbl an die Gemini API von Google, ohne deinen Namen und deine E-Mail-Adresse. Wir trainieren keine KI-Modelle mit deinen Daten. Kostenlose Konten senden nie etwas an einen KI-Dienst, und Tagebuch, Suche und Barcode-Scanner funktionieren komplett ohne KI. Unsere Datenschutzerklärung (auf Englisch) erklärt jede Funktion im Detail.
KI, wenn es leichter ist, Etiketten, wenn es zählt
Das kostenlose Tagebuch in Fimbl bietet dir Barcode-Scanner, Suche und gespeicherte Mahlzeiten. Premium ergänzt Eintragen per Foto, Sprache und Text für die Mahlzeiten ohne Etikett. Du entscheidest, Mahlzeit für Mahlzeit.
- Kostenloser Barcode-Scanner, keine Werbung
- Eintragen per Foto, Sprache und Text mit Premium
- Jede Schätzung anpassbar
Häufige Fragen
Wie genau sind Kalorienzähler-Apps mit KI?
Ungefähr richtig, aber nicht exakt. In einer Studie von 2025 mit 52 Essensfotos lagen die besten allgemeinen KI-Modelle bei den Kalorien im Schnitt um etwa 36 % daneben und unterschätzten große Portionen stärker. Eine kurze Beschreibung oder Zutatenliste verbessert die Schätzung deutlich. Die Forschenden stuften die besten Modelle als vergleichbar mit klassischen Ernährungsprotokollen ein.
Ist Kalorienzählen mit KI genauer als von Hand?
Nicht unbedingt genauer, aber auch nicht viel schlechter, und deutlich weniger Aufwand. Auch Ernährungsprotokolle von Hand sind fehleranfällig: Menschen geben durchweg weniger an, als sie tatsächlich essen. Bei verpackten Lebensmitteln ist ein Barcode-Scan beidem überlegen, weil er die Werte vom Etikett des Herstellers nutzt.
Ist es schlimm, wenn mein Kalorienzähler nicht zu 100 % genau ist?
Meistens nicht. Ein Ernährungstagebuch ist wertvoll wegen der Muster, die es über Wochen zeigt, und Fehler sind von Tag zu Tag meist gleichbleibend, sodass Verläufe aussagekräftig bleiben. Die Forschung verbindet häufiges Eintragen stärker mit Erfolg als präzises. Wenn du für ein medizinisches oder sportliches Ziel Genauigkeit brauchst, nutze Barcode-Scans und abgewogene Portionen.
Wie bekomme ich bessere Kalorienschätzungen von einem Essensfoto?
Bring den ganzen Teller leicht von oben ins Bild, nenne alles, was die Kamera nicht sieht, etwa Öl, Butter oder Dressing, prüf die Portionsgröße, scanne die Barcodes verpackter Bestandteile separat und speichere korrigierte Mahlzeiten, damit du sie genau wieder eintragen kannst.
Woher kommen die Lebensmitteldaten in Fimbl?
Verpackte Produkte stammen aus Open Food Facts, der offenen weltweiten Datenbank für Lebensmitteletiketten, ein Barcode-Scan liefert dir also die Nährwerte des Produkts selbst. Allgemeine Lebensmittel kommen aus Fineli, der finnischen nationalen Nährwertdatenbank, und aus USDA FoodData Central. Fehlende Produkte können Nutzer vom Etikett ergänzen.
Schickt Fimbl meine Essensfotos an eine KI?
Nur wenn du eine KI-Funktion nutzt, und die ist optional und Teil von Fimbl Premium. Das Foto geht über die Server von Fimbl an die Gemini API von Google, ohne deinen Namen und deine E-Mail-Adresse, und wird nicht zum Trainieren von KI-Modellen verwendet. Kostenlose Konten senden nie etwas an einen KI-Dienst.
Quellen
- Fridolfsson J, Sjöberg E, Thiwång M et al. (2025). Leistungsvergleich von 3 großen Sprachmodellen bei der Schätzung von Nährwerten aus Essensfotos. Current Developments in Nutrition 9(10). pubmed.ncbi.nlm.nih.gov
- Rodríguez-Jiménez M et al. (2025). Bildbasierte Schätzung von Energie und Makronährstoffen mit ChatGPT-5 bei zunehmendem Kontext. Nutrients 17(22). pubmed.ncbi.nlm.nih.gov
- Ravelli MN, Schoeller DA (2020). Klassische Ernährungsprotokolle sind fehleranfällig, neue Ansätze sind nötig. Frontiers in Nutrition 7. pubmed.ncbi.nlm.nih.gov
- Europäische Kommission (2012). Leitfaden für die zuständigen Behörden zur Festlegung von Toleranzen für auf dem Etikett angegebene Nährwerte (englisch). food.ec.europa.eu
- Lichtman SW et al. (1992). Diskrepanz zwischen selbst berichteter und tatsächlicher Kalorienaufnahme und Bewegung bei Menschen mit Adipositas. New England Journal of Medicine 327(27). pubmed.ncbi.nlm.nih.gov
- Harvey J et al. (2019). Log often, lose more: elektronische Ernährungsprotokolle beim Abnehmen. Obesity 27(3). pubmed.ncbi.nlm.nih.gov
- Open Food Facts: die freie und offene Lebensmitteldatenbank. de.openfoodfacts.org
- Fineli, die nationale Nährwertdatenbank Finnlands. Finnisches Institut für Gesundheit und Wohlfahrt (englisch). fineli.fi
- USDA FoodData Central (englisch). fdc.nal.usda.gov
