Czy ChatGPT dobrze liczy kalorie? Co naprawdę mówią badania

Skąd ChatGPT bierze kalorie, skoro nie ma bazy produktów

Większość osób wyobraża sobie to mniej więcej tak: wpisujesz „pierogi ruskie”, ChatGPT zagląda do tabeli wartości odżywczych i odsyła to, co tam znalazł. Tak to nie działa — i z tego jednego faktu wynika praktycznie wszystko, co dalej.

ChatGPT jest modelem językowym z modułem widzenia. Zapytany o kalorie robi dokładnie to samo, co przy każdym innym pytaniu: układa najbardziej prawdopodobny ciąg dalszy. Nie pobiera przy tym żadnego wiersza z żadnej bazy. Liczba powstaje ze skojarzeń, a nie z pomiaru — model przeczytał ogromne ilości tekstu o jedzeniu, w tym tabele kaloryczne, przepisy i karty dań, więc „średni banan, około 105 kcal” to ścieżka wydeptana tysiące razy i wypada blisko prawdy. Zdjęcie wchodzi w tę samą maszynerię o krok wcześniej: część odpowiedzialna za obraz opisuje, co leży na talerzu, a część językowa liczy już z tego opisu.

Ten mechanizm bywa zaletą równie często, co wadą. Skoro nic nie musi trafić w gotowy wpis w bazie, jedzenie można opisać dokładnie tak, jak się je je. „Mniej więcej jedna trzecia zapiekanki, którą zrobiła teściowa, ten róg z serem” to pytanie, z którym ChatGPT poradzi sobie na serio. Wpisz to samo w wyszukiwarkę produktów w aplikacji do liczenia kalorii, a nie dostaniesz nic.

Model potrafi też poszukać czegoś w internecie, gdy uzna, że pytanie tego wymaga, i potrafi rzetelnie policzyć na podanych liczbach. Ale rzucone mimochodem „ile to ma kalorii?” prawie zawsze dostaje odpowiedź z jego własnych skojarzeń — bez podanego źródła i bez czegokolwiek, co dałoby się sprawdzić.

Co mówią badania: rozpoznaje dobrze, porcje szacuje źle

Publicznych badań jest wyraźnie mniej, niż sugerowałaby popularność tematu, a każde sprawdza jedną wersję modelu na jednym zestawie posiłków. Mimo to w połowie 2026 roku mamy już kilka recenzowanych ewaluacji i — choć liczby się między nimi różnią — wszystkie zgadzają się co do kształtu problemu.

Rozpoznawanie produktów: dobrze

Badanie opublikowane w 2025 roku w czasopiśmie Nutrients przez zespół O'Hary wykorzystało 114 zdjęć posiłków z irlandzkiego badania sposobu żywienia — 38 zważonych dań w trzech wielkościach porcji — i poprosiło ChatGPT-4 o nazwanie produktów, oszacowanie ich masy oraz 16 składników odżywczych. Precyzja rozpoznawania wyniosła 93,0%, czułość 84,6%, a wskaźnik F1 88,6%. Korelacje z wartościami rzeczywistymi mieściły się w przedziale od 0,29 do 0,83. Innymi słowy: model rzetelnie ustala, co jest na talerzu, i nieźle porządkuje posiłki od najlżejszego do najcięższego.

Wielkość porcji: tu się sypie

To samo badanie pokazuje, gdzie leży granica. Dla małych porcji zgodność mas była dobra (p = 0,221), dla średnich i dużych już słaba (p < 0,001). ChatGPT zaniżył masę na 76,3% zdjęć, a średnia różnica procentowa wyniosła 26,9%. Dla 10 z 16 badanych składników odżywczych zgodność okazała się słaba. W zestawieniu z dietetykami oceniającymi te same zdjęcia współczynnik ICC wyniósł 0,56 dla energii, 0,67 dla białka i 0,31 dla węglowodanów — od zgodności słabej do umiarkowanej.

Druga ewaluacja z 2025 roku, opublikowana w Current Developments in Nutrition, poszła inną drogą: 52 zdjęcia pojedynczych produktów i pełnych posiłków, wszystko wcześniej zważone na kalibrowanej wadze, wartości odniesienia z bazy USDA. Średni bezwzględny błąd procentowy ChatGPT-4o wyniósł 36,3% dla masy i 35,8% dla energii; Gemini 1.5 Pro wypadł znacznie gorzej — 65,0% i 64,2%. Najważniejszy jest jednak wniosek wspólny dla wszystkich testowanych modeli: zaniżanie było systematyczne i rosło wraz z wielkością porcji (nachylenia od −0,23 do −0,50). Autorzy podsumowali to bez ogródek — modele ogólnego przeznaczenia nie nadają się jeszcze do precyzyjnej oceny sposobu żywienia.

Jedna liczba z badania O'Hary bywa czytana na korzyść ChatGPT, choć nie powinna. Mediana energii ze wszystkich 114 zdjęć wyniosła 525 kcal wobec rzeczywistych 524,5 kcal — praktycznie idealnie. To nie dowód, że model trafia w posiłki, tylko dowód, że zawyżenia i zaniżenia znoszą się nawzajem na dużej próbie. Narzędzie potrafi być niemal nieobciążone w skali setek zdjęć i pomylić się o kilkaset kilokalorii na Twoim obiedzie. Dlatego argument „u mnie na jednym daniu wyszło dobrze” nie rozstrzyga niczego.

Więcej kontekstu bije lepszy model

Największą dźwignią nie jest wersja modelu, tylko to, co się mu poda. W listopadzie 2025 roku w czasopiśmie Nutrients przepuszczono 195 dań przez ChatGPT-5 przy rosnącej ilości kontekstu. Z samego zdjęcia średni bezwzględny błąd energii wyniósł 123,03 kcal. Po dodaniu opisu rzeczy niewidocznych na obrazie spadł do 92,04 kcal. Po dołączeniu szczegółowej listy składników — do 53,33 kcal, czyli poniżej połowy wyniku ze zdjęcia. Sama lista składników, bez zdjęcia, wypadła gorzej (66,51 kcal), co pokazuje, że obraz wnosi realną informację, tylko inną niż ta, której się po nim zwykle oczekuje.

Trafisz też na nagłówki znacznie przychylniejsze. Praca z 2024 roku w czasopiśmie Nutrition podsumowała, że ChatGPT podaje „rozsądnie dokładne i spójne” informacje żywieniowe, a jej najmocniejszy wynik brzmi: 97% wartości energetycznych mieściło się w granicach 40% różnicy wobec danych USDA. To uczciwie zaraportowane i prawdziwe — warto tylko spojrzeć na szerokość tego okna. Czterdzieści procent wokół obiadu o wartości 700 kcal to przedział od 420 do 980 kcal. Czy to jest „dokładnie”, zależy wyłącznie od tego, co zamierzasz z tą liczbą zrobić.

W czym ChatGPT naprawdę jest dobry

To sprawne narzędzie postawione przed zadaniem, do którego nie było projektowane — a to zupełnie co innego niż narzędzie słabe. Kilka rzeczy robi lepiej niż wyspecjalizowany licznik kalorii:

• Jedzenie, którego nie ma w żadnej bazie. Bigos trzeciego dnia, zapiekanka z resztek, ciasto od sąsiadki, danie kuchni, której nikt nie skatalogował — model będzie o tym rozsądnie rozumował, zamiast zwrócić „brak wyników”.
• Arytmetyka na przepisie. Podaj gramatury składników i liczbę porcji, a podział wyjdzie wiarygodnie, bo to już liczenie na Twoich liczbach, a nie zgadywanie świata.
• Porównania. Trafniej powie, który z dwóch obiadów jest cięższy, niż ile waży którykolwiek z nich — a to często jest dokładnie ta decyzja, którą naprawdę podejmujesz.
• Pokazywanie założeń. Model wypisuje, co przyjął, więc błędną odpowiedź da się zdiagnozować: widać, że policzył 200 g ryżu, choć na talerzu było 350 g, i poprawia się właśnie to.
• Pytanie za pytaniem. „Co zamienić, żeby zejść poniżej 600 kcal?” to zadanie na rozumowanie, a rozumowanie jest tym, do czego model faktycznie służy.

Gdzie ChatGPT zawodzi jako licznik kalorii

Wpadki układają się w kilka powtarzalnych grup i żadna nie zaskakuje, gdy zna się mechanizm.

• Porcje — potwierdziło to każde badanie wyżej. Aparat nie widzi gramów, a żaden model nie zobaczy oleju, który został na patelni, masła pod jajkiem ani śmietany wmieszanej w żurek. To właśnie te rzeczy przesuwają sumę najmocniej.
• Precyzja, której nie ma. Odpowiedź „637 kcal” brzmi jak odczyt z wagi, a jest środkiem szerokiego przedziału zapisanym w konwencji pomiaru. Badania mówią wprost, jak szeroki jest ten przedział.
• To nie jest dziennik. ChatGPT potrafi pamiętać różne rzeczy między rozmowami, ale nic nie sumuje Twojego dnia. Bez jednego długiego wątku i wyraźnej prośby o podliczenie nie ma ani sumy, ani wczoraj do porównania, ani historii do przewinięcia.
• Nie ma czego sprawdzić. Skoro domyślnie nie podaje źródła, nie sposób rozstrzygnąć, czy „kebab, około 640 kcal” pochodzi z danych konkretnej sieci, czy ze średniej ze wszystkiego, co model kiedykolwiek przeczytał o kebabach. W odpowiedzi wygląda to identycznie.
• Zamiast dopytać, uzupełnia po cichu. Na „kurczak z ryżem” sam zdecyduje, czy kurczak był smażony, i pójdzie dalej. Można poprosić, żeby najpierw pytał — trzeba tylko wiedzieć, że warto.

Żaden z tych punktów nie jest zarzutem wobec modelu; to po prostu opis tego, czym on jest. Warto natomiast oddzielić dwie sprawy, które łatwo pomylić: sposób zapisywania posiłków i decyzję o tym, ile chcesz jeść. Jeśli nie masz jeszcze policzonego zapotrzebowania ani ustalonego celu, zacznij od podstaw — jak liczyć kalorie tłumaczy to krok po kroku, ze wzorami i miarami domowymi.

ChatGPT a licznik oparty na bazie danych

Alternatywą nie jest mądrzejsza sztuczna inteligencja, tylko ten sam krok szacowania podpięty do czegoś sprawdzalnego: model odczytuje posiłek i wypisuje składniki, a każdy składnik trafia następnie do wpisu w bazie referencyjnej — USDA FoodData Central dla produktów o laboratoryjnie zmierzonych wartościach i Open Food Facts dla produktów paczkowanych, w tym dziesiątek tysięcy sprzedawanych w Polsce. Kalorie są wtedy liczone z tych wpisów i oszacowanych ilości, a nie odtwarzane z pamięci. To zmienia dwie rzeczy naraz: co da się zweryfikować i co dzieje się z odpowiedzią później.

Zastrzeżenie: Olivka jest licznikiem kalorii opartym na bazach danych i działającym w komunikatorach, więc mamy w tym porównaniu oczywisty interes. Jest też narzędziem AI i podlega dokładnie tym samym ograniczeniom w szacowaniu porcji, które opisano wyżej — zdjęcie nie staje się wagą kuchenną tylko dlatego, że składniki trafiają potem do bazy. Wiersz w tabeli, który to przyznaje, jest tu najuczciwszy.

Żadna z tych rzeczy nie czyni oszacowania dokładnym i nie podajemy własnego procentu skuteczności, którego nie umielibyśmy obronić. Opisaliśmy za to osobno, skąd biorą się nasze liczby i jak szerokie są widełki błędu. A jeśli interesuje Cię, jak to samo wygląda w praktyce na czacie, licznik kalorii WhatsApp pokazuje trzy realne sposoby liczenia posiłków w komunikatorze.

ChatGPT zniknął z WhatsAppa i to nie wróci

To wciąż myli, bo w sieci krąży sporo nieaktualnych poradników. Przez blisko dwa lata najprostszym sposobem na policzenie kalorii w czacie było napisanie do ChatGPT na WhatsAppie. Skończyło się to 15 stycznia 2026 roku, gdy weszły w życie zmienione warunki WhatsApp Business Platform, zamykające platformę przed dostawcami, których głównym produktem jest asystent AI ogólnego przeznaczenia. TechCrunch opisał tę zmianę w dniu ogłoszenia i potwierdził, że tego dnia OpenAI, Microsoft oraz Perplexity wyłączyły swoje boty na WhatsAppie. Powodem podanym przez Metę była skala ruchu, a nie jakość odpowiedzi — platforma dla firm nie była projektowana pod taki wolumen.

Zakaz dotyczy asystentów „od wszystkiego”, a nie firm używających AI do jednego konkretnego zadania, więc boty wyspecjalizowane — w tym te liczące posiłki — działają na WhatsAppie dalej. Samego ChatGPT trzeba dziś otworzyć w aplikacji, w przeglądarce albo na Messengerze. Na WhatsAppie go po prostu nie ma.

Jak pytać ChatGPT, żeby liczby były bliższe prawdy

Jeśli i tak zamierzasz z niego korzystać — a to całkowicie rozsądny wybór — to są zmiany, które mają oparcie w badaniach, mniej więcej w kolejności od najskuteczniejszej.

1. Podawaj ilości. „200 g ugotowanego ryżu, jedno jajko” usuwa krok, w którym model jest najsłabszy. To największa dostępna poprawa i dokładnie dlatego w badaniu z ChatGPT-5 błąd spadł o ponad połowę po dołączeniu listy składników.
2. Nazywaj to, czego nie widać. Olej do smażenia, masło, śmietana w zupie, cukier w kawie, sos na sałatce. Jedno dopowiedzenie — „smażone na łyżce oleju” — częściej przesuwa sumę o ponad sto kilokalorii niż o kilkanaście.
3. Mów, jak było przygotowane. Grillowane, gotowane, panierowane i smażone w głębokim tłuszczu to dla bazy żywieniowej cztery różne produkty, a dla zdjęcia jedno słowo.
4. Przy produktach paczkowanych podawaj markę. Producenci publikują wartości odżywcze i to jest najbliższe faktu, co w tym ćwiczeniu w ogóle istnieje.
5. Proś o widełki, nie o jedną liczbę. „Podaj oszacowanie dolne i górne oraz powiedz, co decyduje o rozrzucie” daje uczciwą odpowiedź zamiast pozornej precyzji, a sam rozrzut jest cenną informacją.
6. Każ najpierw wypisać założenia, a dopiero potem policzyć. Wtedy poprawiasz błędne założenie, a nie gotową sumę.
7. Trzymaj cały dzień w jednym wątku i po każdym posiłku proś o przeliczenie sumy. Model zrobi to dobrze — po prostu nie zrobi tego sam z siebie.

Więc czy ChatGPT wystarczy do liczenia kalorii?

Do wyrobienia sobie zdania o posiłku, którego inaczej nie da się ocenić — tak, a do tłumaczenia jedzenia jest wręcz świetny. Do liczby, na której opierasz decyzje dzień po dniu, badania każą być ostrożnym: średnio jedna trzecia w bok, gorzej przy dużych porcjach, gorzej przy daniach jednogarnkowych, w których tłuszcz jest niewidoczny, i bez śladu po tym, co zapisano wczoraj.

Część tej luki zamyka lepiej postawione pytanie, a część nie zamknie się w ogóle — ani dla ChatGPT, ani dla wyspecjalizowanej aplikacji, ani dla wagi kuchennej. W USA wartości na etykietach mogą zgodnie z prawem różnić się od rzeczywistych nawet o 20 procent, a przepisy unijne dopuszczają podobne tolerancje, więc idealna dokładność nigdy nie była w tej rozgrywce. Ten próg warto znać, zanim oceni się jakiekolwiek narzędzie. Wyspecjalizowany licznik nie dokłada lepszego zgadywania, tylko trzy rzeczy: nazwane źródło pod liczbą, kartę do poprawienia jedną wiadomością i sumę, która jest jeszcze jutro.

Sprawdzenie kosztuje niewiele. Zrób zdjęcie tego samego obiadu, zapytaj ChatGPT, a potem zapytaj asystentki zbudowanej do jedzenia i zobacz, której odpowiedzi ufasz bardziej — a przede wszystkim, której będziesz używać jeszcze za trzy tygodnie. Konsekwencja wygrywa tu z precyzją za każdym razem.