AI-kalorietælling: Sådan virker det (og hvor præcist er det?)

Forestil dig at tage et billede af din aftensmad og få en komplet oversigt over kalorier, protein, kulhydrater og fedt — på få sekunder. Det er ikke science fiction længere. AI-baseret kalorietælling er her, og det ændrer, hvordan millioner af mennesker logger deres mad.

Men hvor godt virker det egentlig? Kan du stole på en algoritme til at estimere næringsværdien af dit måltid? Og hvornår bør du vælge andre metoder?

I denne guide forklarer vi teknologien bag AI-kalorietælling, hvad den er god til, hvor den svigter, og hvordan du kan bruge den klogt. Vi er ærlige om både styrker og svagheder — for det er den eneste måde, du kan træffe informerede valg om din kost.

Hvad er AI-baseret kalorietælling?

AI-baseret kalorietælling betyder simpelthen at bruge kunstig intelligens til at estimere næringsindholdet i din mad. I praksis virker det sådan:

1. Du tager et billede af din mad med telefonen
2. AI analyserer billedet og identificerer, hvad der er på tallerkenen
3. Systemet estimerer portionsstørrelse baseret på visuelle ledetråde
4. Næringsdata hentes fra fødevaredatabaser og matches med det, AI genkendte
5. Du får et estimat af kalorier, protein, kulhydrater og fedt

Hele processen tager normalt få sekunder. Sammenlignet med manuelt at slå hver ingrediens op, veje alt og beregne totalen er det en dramatisk forenkling. Det er netop derfor, AI-logning er blevet så populær — den fjerner den største barriere for kalorietælling: at det tager for lang tid.

Men det er vigtigt at forstå, at AI giver dig et estimat, ikke et præcist svar. Ligesom en erfaren kok kan se på en tallerken og give dig et omtrentligt bud på kaloriindholdet, gør AI noget lignende — bare hurtigere og mere konsekvent.

Læs også: Sådan tæller du kalorier · Kaloriebehov-beregner

Hvordan teknologien virker

Du behøver ikke være dataforsker for at forstå, hvordan AI-madigenkendelse fungerer. Her er en forenklet forklaring af, hvad der sker bag kulisserne.

Trin 1: Billedgenkendelse

Kernen i AI-kalorietælling er såkaldte billedgenkendelsesmodeller — avancerede algoritmer trænet til at "se" og forstå indholdet i billeder. Disse modeller er blevet eksponeret for millioner af madbilleder med tilhørende beskrivelser og har lært at genkende mønstre: farver, teksturer, former og kontekst.

Tænk på det som et barn, der gradvist lærer at genkende forskellige fødevarer. Efter at have set tusindvis af billeder af æbler, laks og sandwiches kan modellen genkende disse fødevarer i nye billeder, den aldrig har set før.

Moderne modeller bruger såkaldte multimodale store sprogmodeller (som Google Gemini eller OpenAI GPT-4 Vision). Disse kan ikke kun identificere maden, men også forstå konteksten — for eksempel at det hvide ved siden af laksen sandsynligvis er ris, og den grønne klump er broccoli.

Trin 2: Madidentifikation og portionsestimering

Når modellen har "set" billedet, identificerer den de enkelte fødevarer. Det handler om mere end bare at sige "det er en tallerken mad" — AI forsøger at nedbryde måltidet i enkelte komponenter:

• Kyllingebryst (ca. 150 g)
• Ris (ca. 200 g)
• Broccoli (ca. 100 g)
• Sauce (ca. 30 ml)

Portionsestimering er den sværeste del. AI bruger visuelle ledetråde som tallerkenstørrelse, madens placering og proportionerne mellem ingredienser til at estimere mængder. Men uden en reel vægt er det altid et estimat.

Trin 3: Matching mod ernæringsdatabaser

Når maden er identificeret, matches den mod ernæringsdatabaser, der indeholder kalorier og makronæringsstoffer for tusindvis af fødevarer. Internationale databaser som Open Food Facts indeholder næringsdata for millioner af mærkevareprodukter fra hele verden.

Ved at kombinere AI-identifikation med disse databaser får du et næringsestimat, der tager højde for de specifikke fødevarer, du spiser.

Hvad AI-kalorietælling er god til

Lad os starte med det positive. AI-baseret kalorietælling virker overraskende godt i en række situationer:

Enkle, synlige retter

Når maden er tydeligt synlig og ikke gemt i en sauce eller blanding, gør AI et godt stykke arbejde. Typiske eksempler:

• En grillet kyllingebryst med ris og grøntsager
• En salat med tydeligt synlige ingredienser
• En smørrebrød med synligt pålæg
• Frugt og grøntsager
• En omelet

Standardportioner

AI er trænet på almindelige portionsstørrelser og genkender disse godt. En almindelig tallerken aftensmad, en standard sandwich eller en skal med cornflakes — det er scenarier, hvor estimaterne plejer at være ret præcise.

Hurtig og nem logning

Den måske største fordel ved AI-kalorietælling er hastigheden. I stedet for at bruge 3–5 minutter på at slå hver ingrediens op, veje alt og registrere det manuelt tager det få sekunder at tage et billede. Den forskel er afgørende for, om folk faktisk fortsætter med at logge deres mad over tid.

Forskning viser, at konsistens er vigtigere end præcision i kalorietælling — Harvard Health peger på, at regelmæssig logning er den vigtigste faktor for resultater. Det er bedre at logge hvert måltid med 85 % præcision end kun at logge halvdelen af måltiderne med 95 % præcision. AI-kalorietælling gør konsekvent logning meget nemmere.

Bevidsthedsskabelse

Selv når estimaterne ikke er perfekt præcise, giver AI-logning værdifuld bevidsthed. Mange ved ikke, at en salat med dressing og fetaost kan indeholde lige så mange kalorier som en burger. Bare det at se et estimat — selv et omtrentligt — hjælper folk med at træffe bedre madvalg.

Hvor AI-kalorietælling har udfordringer

Nu til den ærlige del. AI-kalorietælling har klare begrænsninger, og det er vigtigt, at du kender dem.

Saucer, olier og fedtstoffer

Det er måske den største svaghed. Olie, smør og saucer kan indeholde hundredvis af kalorier, men er næsten usynlige på et billede. En spiseske olivenolie (ca. 120 kcal) er umulig at se, når den er brugt i stegepanden. En cremet pastasauce kan fordoble et måltids kaloriindhold, men kan ligne en let sauce på billedet.

Konsekvens: AI undervurderer næsten altid kalorier i retter med meget fedt og sauce. Det er en systematisk fejl, du bør være opmærksom på.

Komplekse retter

Gryderetter, supper, wok-retter, gratiner og andre blandede retter er udfordrende. Når ingredienser blandes sammen, kan AI ikke se, hvad der gemmer sig under overfladen. En lasagne kan indeholde alt fra 400 til 800 kalorier pr. portion afhængigt af opskriften — og det er umuligt at afgøre fra et billede.

Usædvanlige portionsstørrelser

AI er kalibreret mod gennemsnitlige portioner. Hvis du spiser betydeligt mere eller mindre end gennemsnittet, bliver estimaterne tilsvarende upræcise. En person, der tager en ekstra stor portion ris, får en undervurdering, mens en person, der spiser meget lidt, får en overvurdering.

Lignende fødevarer med forskelligt kalorieindhold

Nogle fødevarer ser meget ens ud, men har meget forskelligt næringsindhold:

• Letmælksyoghurt vs. almindelig yoghurt
• Almindelig sodavand vs. sukkerfri sodavand
• Sødmælk vs. skummetmælk
• Almindelig ost vs. let ost
• Ris vs. blomkalsris

AI kan ikke altid se forskellen, og fejlen kan være betydelig. En kop almindelig yoghurt (ca. 150 kcal) vs. græsk yoghurt (ca. 200 kcal) vs. Skyr (ca. 100 kcal) — de ser alle ret ens ud på et billede.

Regionale og hjemmelavede retter

AI-modeller er trænet på et bredt udvalg af madbilleder, men de kan have svært ved specifikke regionale retter. Hjemmemad og lokale specialiteter er måske ikke så godt repræsenteret i træningsdata som pizza eller salat. Hjemmelavede retter varierer også enormt i opskrift — bedstemors frikadeller kan indeholde helt andre mængder fedt og mel end en standardopskrift.

Drikkevarer

De fleste AI-systemer fokuserer på mad, ikke drikkevarer. En kop kaffe kan indeholde alt fra 2 kcal (sort) til 400+ kcal (en stor smags-latte med sirup) — og det er svært at se forskellen på et billede. Det samme gælder smoothies, juice og alkoholiske drikkevarer.

AI vs. stregkodescanning vs. manuel logning

Der er tre hovedmetoder til at logge mad digitalt. Her er en sammenligning:

Vigtig indsigt: Ingen enkelt metode er bedst i alle situationer. Den smarteste tilgang er at bruge flere metoder afhængigt af, hvad du spiser:

• Emballeret mad? Brug stregkodescanning — du får præcise værdier fra emballagen.
• Hjemmelavet aftensmad? Tag et billede og lad AI gøre arbejdet, men juster portionsstørrelse om nødvendigt.
• Standardopskrift du laver ofte? Indtast den manuelt én gang og genbrug den.

Klem-appen kombinerer både AI-billedgenkendelse og stregkodescanning. Det betyder, at du kan bruge den metode, der passer bedst til det, du spiser. Download Klem gratis.

Læs også: Kaloriebehov-beregner

Hvor præcist er AI-kalorietælling egentlig?

Det er spørgsmålet, alle vil have svar på — og svaret er nuanceret.

Hvad forskningen siger

Flere forskningsstudier har undersøgt præcisionen af AI-baseret madigenkendelse og kalorieestimering:

• En studie publiceret i Nutrients (2019) fandt, at billedbaserede kostdagbog-apps havde en gennemsnitlig fejl på 10–25 % for energiindtag sammenlignet med omhyggeligt vejet mad. For enkle retter med tydeligt synlige ingredienser var fejlen lavere (ca. 10–15 %), mens komplekse retter havde en højere fejlmargin.

• En systematisk gennemgang i Journal of Medical Internet Research (2022) konkluderede, at AI-baseret madigenkendelse viser lovende men varierende præcision. Modellerne præsterede bedst på enkelte fødevarer og standardiserede portioner, men havde sværere ved blandede retter og kulturelt specifik mad.

• Forskning fra International Journal of Behavioral Nutrition and Physical Activity har vist, at billedbaseret madlogning kan opnå acceptabel præcision til de fleste praktiske formål, især når brugeren har mulighed for at korrigere AI'ens forslag.

Et vigtigt perspektiv: Mennesker er heller ikke præcise

Før du afviser AI-kalorietælling som for upræcist, er det værd at vide, at menneskelig estimering er endnu mere upræcis. Studier viser konsekvent, at:

• Mennesker undervurderer deres kaloriindtag med 20–50 % i gennemsnit
• Selv uddannede diætister rammer ved siden af med 10–15 %, når de estimerer uden vægt
• Selvrapporteret madindtag afviger systematisk fra det faktiske indtag

Så spørgsmålet er ikke "er AI perfekt?" — det er "er AI bedre end alternativet?" For de fleste, der ikke har tid eller motivation til at veje og registrere alt manuelt, er svaret ja.

Realistiske forventninger

Her er, hvad du kan forvente af AI-kalorietælling:

• Enkle fødevarer (frugt, brød, kød): ±10–15 % præcision
• Standardmaltider (en tallerken aftensmad): ±15–25 % præcision
• Komplekse retter (gratiner, gryderetter): ±25–40 % præcision
• Retter med meget skjult fedt/sauce: Kan være ±30–50 % upræcise

Disse tal er baseret på generelle forskningsresultater og bør ses som omtrentlige. Præcisionen afhænger af mange faktorer — billedkvalitet, lysforhold, typen af mad og hvor godt den pågældende ret er repræsenteret i AI-modellens træningsdata.

Tips til bedre resultater med AI-kalorietælling

Du kan gøre meget for at forbedre præcisionen af AI-kalorietælling. Her er de vigtigste tips:

1. Fotografer i godt lys

AI skal kunne se maden tydeligt for at identificere den korrekt. Naturligt lys er bedst — undgå mørke billeder eller stærkt modlys. Tag billedet ovenfra for at give AI det bedst mulige overblik over tallerkenen.

2. Vis ingredienserne tydeligt

Hvis du kan, adskil ingredienserne lidt på tallerkenen, før du tager billedet. En tallerken, hvor ris, kød og grøntsager er tydeligt adskilt, giver bedre resultater end en, hvor alt er blandet.

3. Fotografer før du blander

Laver du en wok eller salat? Tag et billede af ingredienserne, før du blander dem, eller tag et billede, mens de stadig er synlige. En wok, der lige er serveret med synlige ingredienser, giver bedre resultater end en, der er blandet til en ugenkendelig masse.

4. Brug stregkoder til emballerede varer

Hvis du spiser noget med stregkode — en yoghurt, en proteinbar, en cornflakespakke — brug altid stregkodescanning i stedet for et billede. Du får præcist næringsindhold fra producenten, hvilket altid er mere præcist end et AI-estimat.

5. Juster portionsstørrelser

De fleste AI-kalorietællere lader dig justere portionsstørrelsen, efter AI har givet sit forslag. Brug den funktion. Hvis du ved, du tog en ekstra stor portion ris, juster op. Hvis du kun spiste halvdelen, juster ned.

6. Tilføj det, AI ikke kan se

Brugte du olivenolie i stegepanden? Lagde smør på brødet? Havde dressing på salaten? Tilføj disse manuelt, efter AI har lavet sin analyse. Det er de kalorier, AI systematisk misser, og ved at tilføje dem selv forbedrer du præcisionen betydeligt.

7. Vær konsekvent

Det måske vigtigste tip er også det enkleste: log konsekvent. Selv om hvert enkelt estimat kan have en fejlmargin, har fejlene tendens til at udligne sig over tid. Somme tider overvurderer AI, andre gange undervurderer den. Over en uge eller måned giver totalen et mere præcist billede end enkeltmålinger.

Log din mad nemt: Klem-appen lader dig tage et billede af din mad — AI beregner kalorier automatisk. Du kan også scanne stregkoder og justere portionsstørrelser. Download gratis.

Læs også: Kaloriunderskud — sådan taber du dig · Makro-beregner

Fremtiden for AI og ernæring

AI-madigenkendelse er et hurtigt voksende felt. Her er nogle tendenser, der kan gøre teknologien endnu bedre i de kommende år:

Bedre modeller, bedre resultater

AI-modeller bliver stadig mere avancerede. De seneste multimodale modeller forstår ikke bare, hvad de ser — de kan også ræsonnere om det — for eksempel vurdere, at en stor tallerken sandsynligvis indeholder mere mad end en lille. Efterhånden som modeller trænes på flere og mere varierede madbilleder, vil præcisionen fortsætte med at forbedres.

Mere kulturelt specifik træning

Tidlige AI-modeller var stærkt vægtet mod vestlig, især amerikansk mad. Men træningsdata udvides konstant med fødevarer fra hele verden. For regionale køkkener betyder det bedre genkendelse af lokale retter og traditionelle opskrifter.

Personalisering

I fremtiden kunne AI-systemer lære af dine spisemønstre. Hvis du ofte laver den samme aftensmad, kunne systemet med tiden blive bedre til at estimere din specifikke portionsstørrelse og dine foretrukne ingredienser.

Kombination af metoder

Tendensen peger mod systemer, der kombinerer flere datakilder — billeder, stregkoder, brugerinput og endda sensorer — for at give stadigt bedre estimater. Ingen enkeltteknik løser alt, men kombinationen af flere tilgange gør det.

Det er vigtigt ikke at oversælge fremtiden. AI-kalorietælling vil sandsynligvis aldrig blive 100 % præcis — der er simpelthen for mange variabler, der ikke er synlige på et billede. Men den behøver ikke være perfekt for at være nyttig. Den skal bare være god nok til at hjælpe folk med at træffe bedre madvalg, og det er den allerede i dag.

Ofte stillede spørgsmål

Kan AI genkende regionale retter?

Ja, moderne AI-modeller genkender de fleste almindelige fødevarer — inklusive typiske retter som laks, kylling, smørrebrød og salater. For mere traditionelle eller regionale retter kan præcisionen være lidt lavere, fordi disse er mindre repræsenteret i internationale træningsdata.

Er AI-kalorietælling præcist nok?

Til de fleste praktiske formål — ja. Forskning tyder på, at AI-baseret kalorieestimering typisk ligger inden for 10–25 % af den faktiske værdi for enkle fødevarer. Det lyder måske af meget, men husk at folk, der estimerer uden værktøjer, typisk rammer 20–50 % ved siden af. AI-kalorietælling er ikke perfekt, men det er bedre end at gætte. Det vigtigste er konsistens: at logge regelmæssigt med omtrentlige værdier er bedre end at logge sporadisk med perfekte værdier.

Virker det med færdigretter?

AI kan genkende mange typer færdigretter, men for emballerede varer er stregkodescanning altid bedre. Stregkoden giver dig præcist næringsindhold fra producenten, mens AI kun kan estimere baseret på udseende. To forskellige mærker af frossen pizza kan se næsten ens ud, men have forskelligt næringsindhold. Brug stregkoder til emballerede varer og AI til frisk, uemballeret mad.

Hvad med hjemmelavet mad?

Hjemmelavet mad er, hvor AI-kalorietælling virkelig viser både sine styrker og svagheder. Styrken er, at du ikke skal slå op og registrere hver ingrediens manuelt. Svagheden er, at hjemmelavede retter varierer enormt i opskrift. Din kødsauce kan indeholde helt andre mængder olie, hakket kød og grøntsager end en standardopskrift. For bedste resultater: fotografer i godt lys, vis ingredienser tydeligt og juster portionsstørrelse om nødvendigt. Husk at tilføje olie og smør manuelt — det er det, AI misser mest.

Erstatter AI en diætist?

Nej. AI-kalorietælling er et værktøj til at holde styr på dit madindtag, men det erstatter ikke professionel vejledning. En diætist ser det hele billede — dine mål, din sundhedstilstand, eventuelle allergier og intoleranser, og giver personlig rådgivning tilpasset din situation. AI kan fortælle dig, at du spiste 2.100 kalorier i dag, men den kan ikke vurdere, om det er rigtigt for dig, eller om din næringssammensætning er god. Hvis du har specifikke sundhedsmål eller bekymringer, bør du altid konsultere en kvalificeret fagperson. Beregn dine personlige makromål med vores makro-beregner som udgangspunkt, men brug professionel vejledning til skræddersyede råd.

Klar til at prøve AI-kalorietælling? Download Klem-appen og tag et billede af dit næste måltid. Appen kombinerer AI-madigenkendelse med stregkodescanning. Download gratis fra App Store.

Læs også: Hvor meget protein har jeg brug for? · Kaloriebehov-beregner

Kilder

1. Matvaretabellen (Norwegian Food Composition Database — Mattilsynet). https://www.matvaretabellen.no/
2. Open Food Facts. Open database of food products from around the world. https://world.openfoodfacts.org/
3. Harvard Health Publishing. Calorie counting made easy. https://www.health.harvard.edu/healthy-aging-and-longevity/calorie-counting-made-easy
4. Lo FP, et al. Image-based food classification and volume estimation for dietary assessment: a review. IEEE Journal of Biomedical and Health Informatics (2020). https://pubmed.ncbi.nlm.nih.gov/32070994/
5. Boushey CJ, et al. New mobile methods for dietary assessment: review of image-assisted and image-based dietary assessment methods. Proceedings of the Nutrition Society (2017). https://pubmed.ncbi.nlm.nih.gov/27819193/
6. Lichtman SW, et al. Discrepancy between self-reported and actual caloric intake and exercise in obese subjects. New England Journal of Medicine (1992). https://www.nejm.org/doi/full/10.1056/NEJM199212313272701
7. Subar AF, et al. Addressing current criticism regarding the value of self-report dietary data. The Journal of Nutrition (2015). https://pubmed.ncbi.nlm.nih.gov/26063065/

Oplysning: Klem er vores egen iOS-app. Sammenligninger i denne artikel er baseret på offentliggjort forskning og vores egne produkttests, ikke en kontrolleret head-to-head-undersøgelse.

Læs også: Hvor meget protein har jeg brug for? · Kaloriebehov-beregner