# עד כמה מדויקת ספירת קלוריות עם AI? מה המחקרים מראים

> מוני קלוריות מתמונה עם AI מזהים מאכלים היטב, אבל לעיתים קרובות טועים בגודל המנה, בקלוריות ובשומן. מה מצאו שישה מחקרים ב-PubMed, מה החברות אומרות על ההערכות שלהן, למה הטעויות קורות ואיך לרשום בצורה אמינה יותר.

*Author: Trainera Team  |  Published: 2026-10-17  |  Reading time: 7 min*

## עד כמה מדויקים מוני קלוריות מתמונה עם AI?

מוני קלוריות שעובדים מתמונה טובים בזיהוי האוכל שבצלחת, וחלשים בהרבה בהערכה של כמה ממנו יש שם. לכן מספר הקלוריות יכול לסטות לא מעט, בעיקר בארוחות גדולות, מעורבות או שמנוניות. בשישה המחקרים שבהמשך, אפליקציות ומודלים של AI שנבדקו על זיהוי זיהו נכון את רוב המאכלים. לעומת זאת, בשניים מהמחקרים הערכות הקלוריות או הרכיבים התזונתיים סטו ביותר מ-10%, באחד הערכת המנות הייתה חלשה בארוחות בינוניות וגדולות, ובאחר השומן הוערך ביתר. כדאי להתייחס להערכה מתמונה כאל טיוטה ראשונה שבודקים, לא כאל מדידה.

בהמשך: מה המחקרים מצאו, מה אומרות החברות שמפתחות את האפליקציות, למה הטעויות קורות ואיך לרשום טוב יותר. אם אתם בוחרים אפליקציה ולא בודקים את המדע, [ההשוואה של אפליקציות לספירת קלוריות מתמונה](/blogs/aplikatsya-lesfirat-kaloriyot-mitmuna) תעזור לכם יותר. כל מקור בעמוד הזה נבדק באוקטובר 2026.

## מה המחקרים מצאו

הזיהוי חזק, הערכות המנות והקלוריות פחות, והפספוסים גדלים ככל שהארוחה גדלה.

התקצירים של כל ששת המחקרים נמצאים ב-PubMed. כל מחקר בודק משהו אחר, ולכן כדאי לקרוא כל תוצאה בהקשר שלה ולא כציון דיוק אחד של "AI". הציטוטים מהתקצירים מובאים כאן בתרגום שלנו.

| מחקר                                                                                                | מה נבדק                                                                  | הממצא העיקרי (לפי התקציר)                                                                                                                 |
| --------------------------------------------------------------------------------------------------- | ------------------------------------------------------------------------ | ----------------------------------------------------------------------------------------------------------------------------------------- |
| [Li ועמיתים, Nutrients 2024](https://pubmed.ncbi.nlm.nih.gov/39125452/)                             | שבע אפליקציות עם זיהוי מזון מתמונה, לצד אפליקציות לרישום ידני            | MyFitnessPal ו-Fastic זיהו מזון הכי טוב (97% ו-92%), אבל "הערכות האנרגיה האוטומטיות מזיהוי תמונות המזון לא היו מדויקות"                   |
| [O'Hara ועמיתים, Nutrients 2025](https://pubmed.ncbi.nlm.nih.gov/40004936/)                         | ChatGPT על 114 תמונות של ארוחות                                          | דיוק של 93.0% בזיהוי המזונות; "התאמה חלשה" במשקל של ארוחות בינוניות וגדולות; סטייה של יותר מ-10% ב-13 רכיבים תזונתיים                     |
| [Isobe ועמיתים, Nutrients 2026](https://pubmed.ncbi.nlm.nih.gov/41901141/)                          | 10 מודלים של AI מול 10 דיאטנים קליניים, על 15 ארוחות בית חולים סטנדרטיות | המודלים המובילים היו לרוב בטווח של 10% באנרגיה ובפחמימות; כל המודלים העריכו את השומן ביתר, עם הטיה ממוצעת של יותר מ-20% כלפי מעלה         |
| [Rodríguez-Jiménez ועמיתים, Nutrients 2025](https://pubmed.ncbi.nlm.nih.gov/41305663/)              | ChatGPT-5 על 195 מנות, עם יותר או פחות הקשר                              | הדיוק השתפר כשנוסף לתמונה תיאור, ואחר כך כמויות המרכיבים, וירד כשלא הייתה תמונה בכלל                                                      |
| [Lozano ועמיתים, Current Developments in Nutrition 2023](https://pubmed.ncbi.nlm.nih.gov/38026571/) | אפליקציית AI (Openfit) על ארוחות שנשקלו בלי ידיעת המשתתפים, 24 מבוגרים   | טעות באנרגיה של 43% (אוטומטי) ו-33% (חצי אוטומטי) כשהמשקאות נכללים; "טעות גדולה יותר בארוחות עתירות אנרגיה"                               |
| [Serra ועמיתים, Frontiers in Nutrition 2023](https://pubmed.ncbi.nlm.nih.gov/37810925/)             | אפליקציה לזיהוי מזון (SNAQ) מול שיטת המים המסומנים כפליים, אצל 30 נשים   | הטיה ממוצעת של מינוס 329.6 קק״ל ביום, קרוב יותר מריאיון זכירה של 24 שעות (מינוס 543.0), אבל בלי קשר בין ההערכות של כל אדם לבין ערך הייחוס |

### לזהות את המאכל זה לא לספור את הקלוריות

האחוזים הגבוהים שמצוטטים בדרך כלל הם ציוני זיהוי. במחקר של Li, ה-97% וה-92% מתארים באיזו תדירות האפליקציות זיהו נכון את המאכל, לא כמה קרובות היו הקלוריות. מחקר ChatGPT מספר את אותו סיפור: 93.0% בזיהוי מזונות, ובכל זאת לפי המחברים הביצועים היו "חלשים בהערכת המשקל של מנות בינוניות וגדולות", והוא העריך בחסר 11 מהרכיבים התזונתיים שנבדקו.

לזהות "עוף, אורז, ברוקולי" זה החלק הקל. הקלוריות תלויות בכמה גרם יש מכל אחד מהם.

### ארוחה גדולה יותר, פספוס גדול יותר

שני מחקרים מצביעים על אותו כיוון. מחקר הפיילוט על Openfit מצא טעויות גדולות יותר בארוחות עתירות אנרגיה, ומחקר ChatGPT מצא התאמה חלשה במשקל בארוחות בינוניות וגדולות. בפועל, חטיף שהערכתו קצת סוטה כמעט לא עולה לכם כלום. צלחת גדולה של ארוחת ערב שסוטה באותו אחוז יכולה להזיז את כל היום.

### השומן הוא נקודת התורפה

מחקר ארוחות בית החולים השתמש בארוחות סטנדרטיות, התנאים הכי מבוקרים ברשימה. גם שם הדיוק בחלבון ובשומן היה "נמוך משמעותית" מהדיוק באנרגיה ובפחמימות, וכל מודלי ה-AI העריכו את השומן ביתר, ביותר מ-20% בממוצע. אם אתם עוקבים אחרי מאקרו, שורת השומן ברישום מתמונה היא זו שהכי כדאי לחשוד בה.

### ממוצע טוב יכול להסתיר ימים גרועים

שיטת המים המסומנים כפליים היא שיטת מעבדה שמודדת כמה אנרגיה אדם שורף לאורך כמה ימים, וחוקרים משתמשים בה כערך ייחוס לצריכה. מולה, אפליקציית SNAQ הצליחה בממוצע יותר מריאיון זכירה של 24 שעות. אותו תקציר מדווח שלא נמצא קשר בין ההערכות של האפליקציה לבין ערך הייחוס ברמת האדם הבודד, ומציין שחברת האפליקציה בנתה את הגרסה ששימשה במחקר תמורת תשלום. ממוצע קבוצתי שנראה קרוב לא אומר שהמספרים שלכם קרובים.

### יותר הקשר עוזר

מחקר ChatGPT-5 הוא השימושי ביותר לרישום היומיומי. מבין שלושת מצבי הצילום, תמונה בלבד הייתה הכי פחות מדויקת, תמונה עם תיאור הייתה טובה יותר, ותמונה עם כמויות המרכיבים הייתה הטובה ביותר. לכתוב ליד התמונה "מבושל בשמן זית, בערך 150 גרם אורז" שווה את חמש השניות.

## מה החברות אומרות על ההערכות שלהן

אף אחת מהחברות שבדקנו לא מציגה הערכה מתמונה כתשובה סופית, ורובן ממליצות לבדוק אותה לפני השמירה.

| אפליקציה     | מה החברה כותבת (בתרגום שלנו)                                                                               | מקור                                                                                                                                        |
| ------------ | ---------------------------------------------------------------------------------------------------------- | ------------------------------------------------------------------------------------------------------------------------------------------- |
| Cal AI       | "CalAI מדויקת בערך ב-80%. אף אפליקציה למעקב אחרי אוכל אינה מושלמת, וערכי הקלוריות והתזונה יכולים להשתנות." | [השאלות הנפוצות של Cal AI](https://www.calai.app/faq)                                                                                       |
| MyFitnessPal | "Meal Scan נותן לכם נקודת התחלה, לא תשובה סופית, כך שהמילה האחרונה על מה שנכנס ליומן תמיד שלכם."           | [מרכז העזרה של MyFitnessPal](https://support.myfitnesspal.com/hc/en-us/articles/360045761612-How-to-use-the-Meal-Scanner)                   |
| Yazio        | "הזיהוי באמצעות AI נותן רק הערכה גסה ואינו יכול להבטיח תוצאות מדויקות ב-100%."                             | [מרכז העזרה של Yazio](https://help.yazio.com/hc/en-us/articles/39137901903889-What-is-the-AI-Calorie-Tracking-Feature-and-how-does-it-work) |
| Cronometer   | "תמיד בדקו שהמזונות הותאמו נכון לפני שאתם מוסיפים אותם ליומן, כדי שהרישום יהיה מדויק ככל האפשר."           | [התמיכה של Cronometer](https://support.cronometer.com/hc/en-us/articles/39013533811092-Mobile-Photo-Logging)                                |
| MacroFactor  | "AI אינו מושלם ויכול לטעות, ואנחנו נותנים למשתמשים שליטה לערוך ולשנות את התוצאות שלו."                     | [עמוד ההשוואה של MacroFactor](https://macrofactor.com/macrofactor-vs-cal-ai/)                                                               |
| Lose It!     | "נעשה כמיטב יכולתנו להציע את ההתאמה הטובה ביותר למזון שבתמונה, אבל תמיד אפשר לבצע שינויים."                | [מרכז העזרה של Lose It!](https://help.loseit.com/hc/en-us/articles/47771695186580-How-to-Use-Snap-It)                                       |

שתיים מהן ראויות להערה. ה"בערך 80%" של Cal AI מגיע בלי שיטה מפורסמת, כך שאי אפשר לדעת אם הכוונה לזיהוי המזון, לקלוריות בכל ארוחה או למשהו אחר. MacroFactor כותבת שבמבחן השוואה שערכה בעצמה עם אוכל שקול היא הגיעה קרוב יותר מ-Cal AI, אבל זה מבחן של החברה בלי נתונים בעמוד, לא מחקר בלתי תלוי.

בדף העזרה של MyFitnessPal יש גם טיפ מעשי ששווה להעתיק לכל אפליקציה: "אם בארוחה יש כמה פריטים, סריקה של מנה אחת בכל פעם נותנת בדרך כלל הצעות מדויקות יותר."

## למה הערכות מתמונה טועות

תמונה מראה את פני השטח של הארוחה, והקלוריות תלויות במשקל ובמרכיבים שהמצלמה לא רואה.

* **שומן נסתר.** שמן שנספג באורז או בירקות, חמאה שנמסה לתוך רוטב ורוטב סלט בתחתית הקערה לא נראים במצלמה בכלל. שומן הוא החלק הכי עתיר אנרגיה באוכל, ולכן פספוס קטן כאן מזיז את הסכום הרבה.
* **עומק המנה.** תמונה היא שטוחה. צלחת רדודה של פסטה וקערה עמוקה של אותה פסטה יכולות להיראות דומות מלמעלה. חלק מהאפליקציות מנסות למדוד נפח (Cal AI כותבת ש"חיישן העומק של הטלפון מחשב את נפח האוכל"), אבל המחקרים שלמעלה עדיין מצאו שגודל המנה הוא החולשה העיקרית.
* **מנות מעורבות.** תבשילים, קארי, פשטידות, בוריטו וכריכים מסתירים את המרכיבים שלהם. המודל צריך לנחש גם את המתכון וגם את הכמות.
* **דברים שנראים אותו דבר.** חלב מלא וחלב רזה בקפה, מיונז רגיל ומיונז לייט, משקה ממותק ומשקה דיאט נראים זהים בתמונה.
* **משקאות.** במחקר Openfit הטעות השתנתה באופן ניכר לפי השאלה אם המשקאות נספרו, כך שגם הכוס שליד הצלחת משנה.
* **מתכונים מקומיים.** אותו שם של מנה יכול לתאר מתכונים שונים מאוד ממדינה למדינה ומבית לבית. שקשוקה, מג׳דרה או סלט טחינה נראים דומים בתמונה גם כשהמתכון וכמות השמן שונים לגמרי.

| סוג ארוחה                     | הבעיה הנפוצה בתמונה                   | מה לעשות                                                                  |
| ----------------------------- | ------------------------------------- | ------------------------------------------------------------------------- |
| מזון ארוז                     | התמונה מנחשת את מה שהתווית כבר אומרת  | להשתמש בתווית או בברקוד במקום בתמונה                                      |
| צלחת פשוטה (בשר, אורז, ירקות) | כמות האורז או הפסטה, שמן הבישול       | לתקן את הגרמים של הפחמימה ולהוסיף את השמן                                 |
| סלט עם רוטב                   | הרוטב והגבינה מוסתרים או מוערכים בחסר | לרשום את הרוטב בנפרד                                                      |
| תבשיל, קארי, פשטידה           | מתכון ותכולת שומן לא ידועים           | לתאר את המרכיבים העיקריים, או לשמור את המתכון שלכם פעם אחת ולהשתמש בו שוב |
| ארוחה במסעדה                  | המתכון, שומן הבישול והמנה לא ידועים   | לבדוק אם המסעדה מפרסמת ערכים תזונתיים, ואם לא, לעגל כלפי מעלה             |
| קפה ומשקאות                   | סוג החלב, סוכר, סירופים               | להוסיף אותם כפריטים נפרדים                                                |

## איך לקבל מספרים טובים יותר מכל אפליקציה שעובדת עם תמונה

השתמשו בתמונה כדי לזהות את המאכלים, ואז הקדישו כמה שניות לתיקון הכמויות ולהוספת מה שהמצלמה לא רואה.

1. **לבדוק כל פריט לפני השמירה.** למחוק מאכלים שלא נמצאים בצלחת, לתקן שמות שגויים ולשנות את שיטת הבישול אם האפליקציה ניחשה מטוגן במקום צלוי.
2. **לתקן את הכמות של הפריט הגדול ביותר.** ברוב הצלחות זו הפחמימה או החלבון. אם בישלתם בעצמכם, לרוב אתם יודעים את הכמות מהאריזה.
3. **לשקול מדי פעם מזונות עתירי קלוריות.** שמן, חמאה, חמאת בוטנים, אגוזים, גבינה, גרנולה ואורז או פסטה יבשים הם המקומות שבהם טעויות קטנות מצטברות. שקילה מדי פעם מאמנת את העין, והתיקונים שלכם משתפרים.
4. **להוסיף את התוספות הנסתרות.** שמן בישול, רטבים, רוטב לסלט, סוכר בקפה.
5. **לסרוק מנה אחת בכל פעם** כשיש בצלחת כמה מאכלים נפרדים.
6. **להוסיף מילים.** אם האפליקציה מקבלת תיאור, כתבו את שומן הבישול וכמויות משוערות.
7. **להשתמש בתוויות למזון ארוז.** ברקוד או תווית מנצחים כל ניחוש מתמונה.
8. **לשפוט לפי המגמה.** ארוחה בודדת יכולה לסטות. השוו את הממוצע שרשמתם למגמת המשקל לאורך כמה שבועות, ותתאימו מכאן.

טעות נפוצה היא דווקא ההפך: עשר דקות של שיפור הרישום של סלט צד, כשהשמן שבמחבת לא נרשם אף פעם. השקיעו את המאמץ במקום שבו נמצאות הקלוריות.

## עד כמה הרישום שלכם צריך להיות מדויק?

זה תלוי במטרה: רישום גס מספיק כדי להבין מה אתם אוכלים, וככל שהיעד שלכם קשיח יותר, כך כדאי לשקול יותר.

אם אתם לומדים איך נראית מנה רגילה או מנסים לאכול קצת יותר חלבון, רישום מתמונה עם תיקונים מספיק בהחלט. אם אתם בשלב חיטוב צפוף או מכוונים ליעדי מאקרו מדויקים, שקלו את המזונות עתירי הקלוריות והשתמשו בתמונה לכל השאר.

יש מצבים שבהם אפליקציה לא מספיקה. אם אתם סופרים פחמימות בגלל תרופות, אם יש לכם מצב רפואי, בזמן היריון או אם אתם נוטלים תרופות GLP-1, דברו עם הרופא לפני שאתם מסתמכים על הערכות מתמונה. אם מעקב אחרי אוכל מעורר אצלכם חרדה, או שיש לכם היסטוריה של הפרעות אכילה, דברו קודם עם הרופא, ודעו שגם לא לעקוב זו בחירה לגיטימית.

## איפה סריקת האוכל של Trainera נכנסת לתמונה

סריקת האוכל מתמונה של Trainera נותנת הערכת AI שאפשר לערוך לפני הרישום, והיא חלק ממסלול Premium, שעולה $6.99 לחודש בארה״ב (גם בישראל המחיר מוצג בדולר אמריקאי; המחירים משתנים לפי מדינה, ראו [עמוד המחירים](/he/mechirim)).

כשאתם מצלמים, מודל ראייה של AI מזהה את המאכלים ומעריך את הגרמים, הקלוריות והמאקרו של כל פריט. אפשר לתקן כל פריט לפני שהוא נכנס ליומן, וזה בדיוק ההרגל שהמחקרים שלמעלה תומכים בו. מסלול Premium מאפשר עד 20 סריקות ביום. זו הערכה, כמו כל כלי בעמוד הזה, והיא לא מחליפה שקילת אוכל כשהדיוק חשוב.

מה ש-Trainera מוסיפה הוא צד האימונים באותה אפליקציה: Premium כולל גם 10 תוכניות אימון עם AI, 10 תוכניות תזונה עם AI ו-10 אימוני AI בחודש, את AI Nutrition Chat ואת TRAI, העוזר המובנה באפליקציה, עם 90 בקשות בחודש. המסלול החינמי, בלי כרטיס אשראי, כולל יומן תזונה עם קלוריות ומאקרו, חיפוש מזונות והקלדה של מספר ברקוד. מתאמנים שמאמן מלווה אותם במסלול Pro, Business או Enterprise מקבלים את הסריקה דרך המאמן.

אם רישום מתמונה הוא כל מה שאתם צריכים, ייתכן שאפליקציה ייעודית למעקב תתאים לכם יותר. [ההשוואה בין Cal AI ל-MyFitnessPal](/blogs/cal-ai-mul-myfitnesspal) ורשימת [החלופות ל-Cal AI](/blogs/chalufot-le-cal-ai) מכסות את האפליקציות האלה. גם תמונות של ארוחות הן מידע אישי, ולכן כדאי לקרוא [איך אפליקציות כושר מטפלות במידע שלכם](/blogs/pratiyut-beaplikatsyot-kosher-im-bina-melachutit) לפני שבוחרים.

## רשימת בדיקה לרישום אמין יותר מתמונה

* לסמוך על שמות המאכלים יותר מאשר על הגרמים.
* בכל ארוחה לתקן את הפריט הגדול ביותר ולהוסיף את שומן הבישול.
* לחשוד הכי הרבה במספר של השומן.
* לסרוק מנה אחת בכל פעם ולהוסיף תיאור קצר.
* לשקול מדי פעם מזונות עתירי קלוריות כדי לכייל מחדש את העין.
* לשפוט את הצריכה לפי המגמה השבועית, לא לפי ארוחה אחת.

_רוצים הערכת AI של הצלחת שלכם לצד תוכנית אימון עם AI? [ראו איך עובד מאמן הכושר עם AI של Trainera](/he/meamen-kosher-ai) או [התחילו בחינם](/auth/register?role=client)._

## FAQ

### האם אפליקציות לספירת קלוריות עם AI מדויקות?

הן טובות בזיהוי מאכלים ופחות אמינות בהערכת גודל המנה והקלוריות. במחקרים ב-PubMed נמצאו שיעורי זיהוי גבוהים, אבל בשניים מהם הערכות הקלוריות או הרכיבים התזונתיים סטו ביותר מ-10%, ובמחקר אחר השומן הוערך ביתר. בדקו את הכמויות והוסיפו את השמן הנסתר לפני ששומרים רישום מתמונה.

### האם Cal AI באמת מדויקת ב-80%?

Cal AI כותבת בשאלות הנפוצות שלה שהיא מדויקת "בערך ב-80%", אבל לא מפרסמת שיטה או הגדרה, כך שאי אפשר לדעת מה ה-80% מודדים. כדאי להתייחס לכל הערכה מתמונה, מכל אפליקציה, כנקודת התחלה שמתקנים.

### עדיף לשקול אוכל או לצלם אותו?

שקילה מדויקת יותר, בעיקר במזונות עתירי קלוריות כמו שמן, אגוזים, גבינה ואורז או פסטה יבשים. דרך ביניים מעשית: לרשום את רוב הארוחות מתמונה, לתקן את הכמויות, ולשקול מדי פעם את המזונות עתירי הקלוריות כדי לשמור על הערכות כנות.

### סורקי אוכל עם AI מעריכים קלוריות ביתר או בחסר?

גם וגם. במחקר אחד מ-2026 כל מודלי ה-AI העריכו את השומן ביתר, ביותר מ-20% בממוצע, ואילו מחקר על ChatGPT מ-2025 מצא הערכת חסר ב-11 רכיבים תזונתיים והערכות מנה חלשות בארוחות בינוניות וגדולות. הטעויות נוטות להיות גדולות יותר בארוחות גדולות.

### האם ChatGPT יודע לספור קלוריות מתמונה?

הוא מזהה מאכלים היטב, אבל מחקרים מצאו הערכות חלשות של מנות ורכיבים תזונתיים מתמונה בלבד. הדיוק השתפר כשנוספו תיאור וכמויות מרכיבים, אז כתבו את מה שהתמונה לא מראה, כמו שמן בישול וגרמים משוערים.

---
Source: https://trainera.fit/blogs/diyuk-sfirat-kaloriyot-ai