# Hoe nauwkeurig zijn AI-calorietellers?

> Hoe nauwkeurig zijn AI-calorietellers? Ongeveer 85-95% bij losse producten en 65-80% bij gemengde maaltijden. Zie de tabel, de echte foutbronnen en logtips.

_2026-06-26 · 2026-07-09 · LensNutra Team · LensNutra_
_Canonical: https://lensnutra.com/nl/blog/hoe-nauwkeurig-zijn-ai-calorieentellers_
_Language: nl_

AI-calorietellers zijn doorgaans **85-95% nauwkeurig bij losse producten** en **65-80% nauwkeurig bij gemengde maaltijden**. Dat is nauwkeurig genoeg om een calorietekort vast te houden, je gewichtstrend te volgen en voorspelbaar af te vallen of aan te komen — maar niet exact op de individuele calorie. Hoe nauwkeurig het in de praktijk uitpakt, hangt af van het gerecht: een kale kipfilet is makkelijk, een sausrijke ovenschotel is lastig. Begrijpen waar de fout vandaan komt, is precies wat je in staat stelt om die te verkleinen.

## Belangrijkste conclusies

- AI-calorietellers zijn ruwweg **85-95% nauwkeurig bij losse, ongemengde producten** (een appel, een kipfilet, een bord rijst) en **65-80% nauwkeurig bij gemengde, gelaagde of sausrijke maaltijden**.
- **Portie- en volumeschatting is veruit de grootste foutbron** — grammen inschatten vanaf een platte 2D-foto is oprecht moeilijk, en lastiger dan het herkennen van het voedsel zelf.
- **Verborgen vetten — bak-olie, boter, dressing en sauzen — zijn de meest gemiste calorieën**, omdat ze veel energie leveren en op een foto vrijwel onzichtbaar zijn.
- Handmatig loggen is óók geen perfecte maatstaf: **mensen rapporteren stelselmatig te weinig van wat ze eten**, dus "AI versus een eetdagboek" is vaak minder scheef dan het klinkt.
- **Consistentie wint van precisie per maaltijd.** Als je logboek binnen 10-15% blijft en je elke dag op dezelfde manier bijhoudt, is je trend betrouwbaar, en de trend is wat je gewicht stuurt.

Laten we eerlijk zijn over de cijfers, want de juiste verwachting instellen is wat bijhouden echt laat werken.

## Zijn AI-calorietellers nauwkeurig genoeg om af te vallen?

Ja. Je gewicht verandert door je *gemiddelde* inname over weken, niet door de exacte calorieën in één maaltijd. Als je dagelijkse log binnen 10-15% van de waarheid landt en je consequent logt, is de trend die daaruit rolt betrouwbaar genoeg om op te sturen. Je eet, je logt, je kijkt twee tot drie weken naar je afgevlakte gewichtslijn en je past je doel aan als hij niet de kant op beweegt die jij wilt.

Dat is een heel andere lat dan "exact op de calorie". Een AI-calorieteller die je élke dag daadwerkelijk opent, verslaat een keukenweegschaal die je op vrijdag alweer laat staan. De faalmodus bij calorieën tellen is bijna nooit een foutje van 40 calorieën op de kip — het is er helemaal mee stoppen omdat loggen als een klus voelde. In Nederlandse reviews klinkt precies die frustratie door: mensen haken af omdat de waarden "te veel afwijken". Het echte antwoord is niet perfectie najagen, maar begrijpen wat je van het cijfer mag verwachten en het corrigeren waar het telt.

Denk aan de praktische lus: je logt een week lang zoals je altijd logt, je weegt jezelf op vaste momenten en je laat de app de ruis uit de meting filteren. Beweegt de lijn te traag richting je doel, dan haal je er honderd of tweehonderd calorieën af; beweegt hij te snel, dan doe je er wat bij. Nergens in die lus heb je een schatting nodig die op de gram klopt — je hebt er een nodig die van week tot week hetzelfde meet. Dat is de kern van waarom app-nauwkeurigheid iets anders betekent dan de meeste mensen denken.

## Hoe nauwkeurig zijn AI-calorietellers per soort voedsel?

Nauwkeurigheid is geen enkel getal. Het hangt ervan af hoe makkelijk het voedsel te herkennen, te portioneren en aan een database te koppelen is. Hoe schoner en gescheidener het eten, hoe dichter de schatting bij de waarheid ligt.

| Soort voedsel | Typische nauwkeurigheid | Waarom |
|---|---|---|
| Verpakt product (barcode scannen) | ~95-100% | Leest exact het etiket — geen schatting nodig |
| Losse hele producten (appel, ei, kipfilet) | 90-95% | Makkelijk te herkennen, te portioneren en te matchen |
| Simpele bordmaaltijden (kip, rijst, groente — gescheiden) | 80-90% | Duidelijke items, maar porties nog geschat vanaf een foto |
| Gemengde / gelaagde gerechten (ovenschotel, roerbak, curry) | 65-80% | Sauzen en lagen verhullen portiegrootte en verborgen olie |
| Gemixte of vloeibare producten (smoothies, soepen, stoofpot) | 60-75% | Geen zichtbare ingrediënten of porties om af te lezen |
| Restaurantmaaltijden (onbekend recept + toegevoegd vet) | 60-75% | Extra olie, boter en suiker die je niet ziet op de foto |

Gebruik deze getallen als ruwe werkbereiken, niet als garanties. Een los product, gefotografeerd op een schoon bord met goed licht, verslaat deze cijfers; een schemerige foto van een half opgegeten burrito valt eronder.

## Waardoor ontstaan er fouten bij AI-calorieën tellen?

Een AI-calorieteller doet drie dingen na elkaar, en elke stap voegt een beetje onzekerheid toe. Weten welke stap misgaat, vertelt je hoe je de schatting corrigeert.

### Portie- en volumeschatting (de grootste foutbron)

Hier zit het gros van de fout. Het model moet grammen en volume afleiden uit een plat beeld. Het kan de diepte van de kom niet zien, niet de dichtheid van wat erin zit, en niet wat er verstopt zit onder de bovenste laag. Een "gemiddelde" portie rijst kan met gemak 50% meer bevatten dan het lijkt, en dat alleen al kan een maaltijd 150 calorieën of meer laten verschuiven. Als je één ding corrigeert, corrigeer dan de portie.

### Verborgen ingrediënten, oliën en sauzen

Vet is met 9 calorieën per gram de meest energiedichte macronutriënt, tegenover 4 voor eiwit en koolhydraten, volgens de [Amerikaanse voedingsrichtlijnen (USDA Dietary Guidelines for Americans)](https://www.dietaryguidelines.gov/). Een eetlepel bak-olie is ruwweg 120 calorieën en volledig onzichtbaar zodra hij in het eten is meegebakken. Reken het in grammen en het wordt tastbaar: twee eetlepels olie in de wok zijn samen al zo'n 240 calorieën die nergens op de foto zichtbaar zijn. Boter in de pan, olie in de roerbak, dressing door de salade, suiker in de saus — dit zijn de calorieën die een foto niet kan zien, en precies daarom vallen vette en restaurantmaaltijden aan de lage kant uit.

### Voedselherkenning

Moderne vision-modellen zijn sterk in het herkennen van alledaags voedsel, maar visueel gelijkende producten laten ze nog struikelen — Griekse yoghurt versus zure room, zilvervliesrijst versus quinoa, een burrito met rundvlees versus een met bonen. Herkenningsfouten komen minder vaak voor dan portiefouten, maar als ze optreden, kunnen ze het hele macroprofiel verschuiven.

### Dichtheid en database-gemiddelden

Zelfs een perfecte herkenning verwijst naar een *gemiddelde* databasewaarde. Jouw zelfgemaakte lasagne is niet de lasagne van de database, en twee appels van dezelfde grootte kunnen in calorieën verschillen door ras en rijpheid. Dichtheid maakt het portieprobleem groter: hetzelfde zichtbare volume muesli en cornflakes levert heel verschillende calorieën op, omdat het ene veel compacter is dan het andere.

Losse producten zijn op alle vier deze punten makkelijk, en daarom is de nauwkeurigheid daar het hoogst. Gemengde, gelaagde of sausrijke gerechten stapelen onzekerheid op elke stap, dus daar zakt de nauwkeurigheid.

## Wat is nauwkeuriger: AI of handmatig calorieën tellen?

Mensen gaan ervan uit dat een met de hand ingetypt eetdagboek de nauwkeurige maatstaf is waaraan AI wordt afgemeten. Dat is niet zo. Zelfgerapporteerde voedselinname is goed gedocumenteerd als **onderrapportage** — de meeste mensen loggen gemiddeld minder calorieën dan ze werkelijk eten, en dat gat wordt doorgaans groter bij grotere maaltijden en minder "deugdzame" gerechten. Dit is een langlopende bevinding in voedingsonderzoek, en een belangrijke reden waarom afvallen stagneert terwijl het dagboek "klopt".

De eerlijke vergelijking is dus niet "precies handmatig loggen versus vage AI". Het is "de ene imperfecte methode versus de andere". Handmatig loggen is niet beter dan jouw databasekeuzes en portie-inschattingen; AI-loggen is niet beter dan zijn portieschatting, die je vervolgens kunt corrigeren. Het praktische voordeel van AI is dat het de frictie wegneemt — geen scrollen door 40 vrijwel identieke database-items — waardoor meer mensen daadwerkelijk blijven loggen. De nauwkeurigste methode is uiteindelijk degene die je over drie maanden nog steeds gebruikt.

Voor de sceptische Nederlandse gebruiker is dat de geruststelling die telt: je hoeft niet te kiezen tussen een onfeilbaar cijfer en helemaal niets. Je kiest een methode die snel genoeg is om vol te houden en die je op de paar plekken bijstuurt waar de fout groot is — de portie en het verborgen vet. Daarmee komt een AI-schatting die op zichzelf 70% raak zit, na één correctie ruim boven de nauwkeurigheid van een dagboek dat je na twee weken laat vallen.

Voor een uitleg van het foto-werkproces zelf, zie [calorieën tellen met een foto](/blog/how-to-count-calories-from-a-photo).

## Waarom geven twee apps verschillende cijfers voor dezelfde maaltijd?

Als je hetzelfde bord in twee apps hebt gescand en verschillende calorieën kreeg, is dat te verwachten. Elke app gebruikt een ander vision-model, een andere voedingsdatabase en andere portie-aannames. Overeenstemming tussen twee apps is niet het doel — interne consistentie wel. Wat telt is dat *jouw* app consistent is met zichzelf in de tijd, zodat een verschil van 300 calorieën tussen vorige dinsdag en deze dinsdag een echte verandering weerspiegelt in wat je at, en niet een verandering in hoe het model raadde. Consistentie is wat je [gewichtstrend](/features/weight-progress-tracker) leesbaar maakt.

## Hoe maak je AI-calorieën tellen nauwkeuriger?

Je kunt het grootste deel van het gat dichten met een paar gewoontes. Deze richten zich rechtstreeks op de grootste foutbronnen — portie en verborgen vet.

1. **Zet een maatreferentie in beeld.** Leg een vork, een standaardbord of je hand in het kader, zodat het model de schaal kan inschatten. Een losse berg rijst op een witte achtergrond is veel moeilijker op maat te brengen.
2. **Fotografeer vóór je eet.** Leg de hele portie vast, recht van voren of licht van bovenaf, bij fatsoenlijk licht. Een half leeg bord onderschat elke keer.
3. **Scheid ingrediënten waar mogelijk.** Losse producten uitgespreid op een bord verslaan een gemixt, gelaagd of sausrijk gerecht waar het model doorheen moet kijken.
4. **Log oliën en dressings handmatig.** Dit zijn de meest gemiste calorieën. Als een maaltijd in olie is gebakken of door dressing is gehusseld, tel het erbij — het is vaak 100-200 calorieën die de foto niet kan zien.
5. **Pas de portie aan.** Behandel de AI-schatting als een slimme concept, niet als de waarheid. [LensNutra maakt elke waarde bewerkbaar](/features/ai-food-scanner), en een snelle correctie herstelt het grootste deel van de fout.
6. **Scan de barcode van verpakt eten.** Een [barcode scannen](/features/barcode-scanner) leest exact het etiket, dus het is vrijwel perfect — gebruik het altijd als er een verpakking is.
7. **Wees consistent.** Log elke keer op dezelfde manier. Vergelijken van dag tot dag blijft alleen geldig als je methode niet verandert.

## Maakt het uit als de calorieën iets afwijken?

Meestal niet, en hier is de rekensom erachter. Stel dat je echte inname 2.000 calorieën per dag is en je log 10% te laag zit op 1.800. Als je *elke* dag zo logt, is de afwijking constant — dus als je gewicht niet meer beweegt, verlaag je je gelogde doel met 200 en verschijnt het echte tekort. Een consistente fout is er een die je kunt ijken. Een willekeurige, inconsistente fout is de fout die bijhouden werkelijk breekt, en dat is precies de fout die consistentie oplost.

Daarom telt het koppelen van je voedingslog aan een afgevlakte gewichtstrend en een volledige [macroverdeling](/features/macro-tracker) zwaarder dan precisie per maaltijd najagen. De trend vertelt je de waarheid, ook wanneer losse maaltijden vaag zijn. Blijft hij vlak terwijl je wilt afvallen, dan stuur je bij — en de [calorierekensom voor die aanpassing](/blog/how-many-calories-to-lose-weight) is eenvoudig.

## De conclusie

AI-calorietellers zijn nauwkeurig genoeg om te werken — 85-95% bij losse producten, 65-80% bij gemengde maaltijden, vrijwel exact bij barcodes — zolang je hun grenzen begrijpt en de porties corrigeert wanneer het telt. Ze zijn geen tovenarij en geen keukenweegschaal, maar een met de hand ingetypt dagboek is dat ook niet, en de AI-versie is degene die je daadwerkelijk blijft gebruiken. Wil je de exacte cijfers voor alledaagse producten om welke teller dan ook te controleren? Bekijk de [caloriedatabase](/calories).

Perfectie is niet het doel. Consistentie wel. [Probeer LensNutra gratis](/download) en zie hoe snel eerlijk bijhouden kan zijn.