Com comptar les teves calories sense passar-hi la vida. Els 4 mètodes comparats, la seva precisió real, i el que encara faràs servir d’aquí a 6 mesos.
Escaneig IA amb foto, codi de barres, base de dades, afegir ràpid: què val realment cada mètode, per què el 80 % de la gent ho abandona en 3 mesos, i com triar segons el teu perfil.
L'equip de Lean · Lectura 11 min · Actualitzat el 11 de juny de 2026
Descarrega gratuïta
Quatre mètodes per comptar les teves calories: l’escaneig amb foto i IA (fas una foto del teu plat, la IA identifica cada aliment i la seva quantitat), l’escaneig de codi de barres (productes envasats, dades del fabricant), la base de dades (cerca + pesatge, el mode més precís) i l’afegit ràpid (una estimació global en 10 segons). El bon mètode és el que mantindràs 6 mesos, no el més precís sobre el paper. I comptar les teves calories només serveix si la teva despesa, el TDEETotal Daily Energy Expenditure: la teva despesa energètica total en 24 h. TDEE = BMR + NEAT + EAT + TEF., està calculada bé.
Per què el 80 % de la gent deixa de comptar en 3 mesos
Comptar les calories funciona. No és això. El que passa és que gairebé ningú no ho manté: els estudis sobre programes de pèrdua de pes mostren una deserció massiva des de les primeres setmanes, molt abans del primer resultat visible a la balança.
La fricció, concretament: buscar « blanc de pollastre » en una llista, triar l’entrada correcta entre 40 duplicats, estimar 150 g a ull, tornar a començar amb les mongetes, i després amb l’oli d’oliva. Tres cops al dia. 90 cops al mes. És aquesta comptabilitat la que mata el tracking, no la idea de fer tracking.
Conclusió pràctica: l’elecció del teu mètode d’entrada no és un detall d’ergonomia. És LA variable que decideix si les teves dades continuaran existint d’aquí a 3 mesos. Aquí tens els 4 mètodes, ordenats del més ràpid al més exigent.
L’escaneig IA amb foto: 5 segons per àpat
Fas una foto del teu plat. La IA de Lean fa una doble identificació : primer reconeix cada aliment present (pollastre a la planxa, mongetes verdes), després estima la quantitat de cadascun. El resultat no és una xifra global treta del no-res: és una descomposició aliment per aliment, amb calories i macros per a cada línia.
En imatges, pas a pas, sobre un àpat real:
En plats habituals, l’error típic és d’aproximadament ±10 % per àpat. És menys precís que una balança, i àmpliament suficient per controlar una pèrdua de greix (hi tornem amb la llei dels grans nombres més avall). Sobretot, és l’únic mètode que cobreix els àpats sense etiqueta: casolans, de restaurant, de menjador.
On Lean va més enllà: tu tens el control
Un escaneig amb IA només és útil si pots corregir el que et proposa. Lean et deixa tres opcions, per aliment:
Modificar les quantitats
Un lliscador per aliment: aquí, el pa estimat en 101,4 g per la IA, corregit a 70 g. Les calories i el total del plat es recalculen a l’instant.
Modificar les macros
Coneixes millor la teva recepta que la mitjana? Aquí, les chips: la IA proposa 4,1 g de greix, tu ho corregeixes a 14 g. El donut i el total segueixen.
Tornar a escanejar un sol aliment
La IA ha pres el gall dindi per formatge? Escrius el nom correcte, la línia es reanalitza sola, sense tornar a fer tot el plat.
La prova davant de Cal AI: descomposició contra conjunt
La mateixa foto, dues apps. La diferència salta a la vista:
És la diferència estructural amb la majoria d’apps de scan, amb Cal AI al capdavant: retornen una estimació global per plat, un total de calories i de macros sense descomposició editable aliment per aliment. Si l’estimació és errònia, te la quedes o la descartes. Amb una descomposició per aliment, l’error es corregeix en dos tocs.
Quan va bé: plats casolans, restaurant, menjador, tots els àpats sense codi de barres. El mètode per defecte del 90 % dels àpats.
L’escaneig de codi de barres: la precisió de l’etiqueta
Per a tot el que surt d’un envàs, el codi de barres és imbatible: els valors nutricionals venen directament de les dades del fabricant. Lean es basa en les bases USDA i OpenFoodFacts, és a dir, milions de referències. Escaneges, ajustes la quantitat, i ja està.
La limitació és evident: el teu plat de pasta casolana no té codi de barres. Per això aquest mètode es combina de manera natural amb l’escaneig IA de foto, no el substitueix.
Quan va bé: compres, snacks, productes processats, batuts. Precisió màxima amb l’industrial, zero esforç.
La base de dades + bàscula: el mode precisió
El mètode històric: peses l’aliment, el busques a la base de dades, introdueixes els grams. Amb una bàscula de cuina, és el mètode més precís que existeix, el de les preparacions de competició i els protocols clínics.
El panell « Restants / Impacte » et mostra, abans fins i tot de validar, què canvia l’aliment en els teus pressupostos del dia: calories, proteïnes, carbohidrats, greixos, fibres. Tu decideixes amb coneixement de causa, no a posteriori.
Lean redueix la fricció al mínim: historial dels teus aliments freqüents, cerca a USDA + OpenFoodFacts, afegit en dos tocs des de la llista. Però siguem honestos sobre el cost real: 2 a 3 minuts per àpat, i la disciplina de pesar els aliments. És precisament aquesta fricció la que produeix el 80 % d’abandonament del mètode clàssic.
Quan va bé: definició estricta, recomposició avançada, esports amb categoria de pes. I els teus 5 a 10 aliments recurrents del dia a dia, que l’historial fa gairebé instantanis.
L’afegit ràpid: el marge que salva el dia
Bufet d’aniversari, dia carregat, àpat dret entre dues reunions: alguns àpats mai no es podran registrar amb precisió. L’afegit ràpid et deixa introduir un marge global, calories i macros estimades, en 10 segons. Menys precís, infinitament millor que un buit de dades.
El balanç calòric en temps real fa la resta: a la captura, 2 143 kcal d’objectiu, 1 000 consumides, 1 143 restants, recalculades contínuament al llarg del dia. Un dia aproximat però registrat val més que un dia perfecte abandonat: és la mitjana setmanal la que condueix el resultat, no la puresa d’un dia aïllat.
Quan va bé: dies carregats, àpats socials, recurs antiabandó. El mètode que evita el «he fallat un àpat, tant se val per a tota la setmana».
Descarrega gratuïta
Quin mètode per a quin perfil
Primer, l’enfrontament dels 4 mètodes segons els 4 criteris que importen: la facilitat per àpat, la disponibilitat (si funciona a tot arreu, sempre), la constància a llarg termini i la precisió.
Escaneig IA d’una foto
La foto, 5 segons
Codi de barres
L’etiqueta exacta
Base de dades + balança
El mode precisió
Afegeix ràpid
La reserva de seguretat
++ excel·lent + bo − punt feble. «Llarg termini» = la probabilitat que encara facis servir el mètode d’aquí a 6 mesos.
Lectura de l’enfrontament: cap mètode guanya en tot. L’escaneig IA domina en adherència, la base + balança en precisió, i l’afegit ràpid només existeix per tapar els forats. D’aquí els perfils: els 4 mètodes no s’exclouen, l’estratègia bona és una barreja, dosificada segons l’exigència del moment i el teu horari. Tres perfils cobreixen gairebé tots els casos.
Zero fricció, aprendre fent
Escaneig amb IA per foto a tot arreu, codi de barres per als envasats, cap pesatge. Objectiu únic: aguantar 3 mesos i educar el teu ull sobre les porcions. La precisió vindrà després, l’hàbit primer.
Cada per cent compta
Balança + base de dades per als àpats casolans, codi de barres per als envasats, escaneig IA al restaurant. Per a les fases curtes en què la precisió realment compensa: final de definició, pesatge oficial.
Dades fiables sense haver-hi de pensar
Codi de barres i escaneig amb IA cada dia, afegit ràpid com a recurs els dies impossibles. Ja coneixes les teves porcions, només vols que les dades hi siguin.
Regla de decisió, vàlida per a tothom: en cas de dubte, tria el mètode més lleuger que estiguis segur que podràs mantenir. Una dada perfecta que deixes d’introduir al cap de 3 setmanes no val res.
L’error de ±10 % que desapareix en un mes
L’objecció clàssica davant l’escaneig amb IA: « ±10 % d’error, és massa ». És raonar sobre un àpat aïllat. Però tu no fas el seguiment d’un àpat: en fas el seguiment d’uns 90 al mes.
Rosa: àpats sobreestimats. Verd: àpats subestimats. Línia negra: el teu consum real. En un mes, les diferències es compensen.
És la llei dels grans nombres (Kolmogorov): els errors aleatoris independents es compensen quan el nombre d’observacions augmenta. Els +12 % de dilluns anul·len els 8 % que falten de dimarts. El que queda en un mes és el biaix mitjà del model, proper a zero en un escaneig ben calibrat, no el soroll d’un àpat.
L’entrada manual, en canvi, pateix un problema d’una altra mena: un biaix sistemàtic. Els humans subdeclaren el que mengen, sempre en el mateix sentit, i un biaix no s’atenua mai.
En resum: la pregunta no és « l’escaneig amb IA és perfecte? » sinó « quina metodologia produeix les dades més precises sobre 90 àpats? ». I aquí, l’automatització guanya, perquè substitueix un biaix direccional per un soroll que s’anul·la.
Comptar no n’hi ha prou: falta l’altra meitat de l’equació
Un registre alimentari perfecte no diu res per si sol. Perdre greix corporal és un balanç energètic negatiu: entrades per sota de les sortides. Si la teva despesa està mal calculada, el teu dèficit és una ficció comptable, i pots comptar les calories al gram sense avançar mai.
El problema: la quasi totalitat de les apps estimen la teva despesa amb Harris-Benedict (1919) o Mifflin-St Jeor (1990), fórmules basades en el pes brut que ignoren la teva composició corporal. Amb el mateix pes, un cos amb 15 % de greix corporal i un cos amb 30 % no crema gens igual. Lean calcula la despesa d’una altra manera, en quatre passos:
BodyScan AI
Fas una foto a l’app. La IA estima el teu greix corporal a partir de la teva morfologia visible, i es torna a fer cada setmana. És aquesta mesura la que ancla tot el càlcul a la teva massa magra, no al teu pes brut.
BMR via model propietari patentat
L’algoritme patentat de Lean calcula el teu metabolisme basal a partir de la teva massa magra real. Més precís que Harris-Benedict 1919 o Mifflin-St Jeor 1990, que només coneixen el teu pes.
NEAT, EAT i TEF mesurats, no estimats de manera fixa
Els teus passos compten dins del NEAT, les teves sessions d’esport dins de l’EAT a través de les taules MET de referència, i el TEF es calcula sobre els macronutrients que realment has menjat, justament gràcies al teu seguiment.
Adaptació metabòlica recalculada
En dèficit prolongat, el BMR baixa. Lean és la primera app que modela aquest coeficient i l’aplica multiplicativament al BMR. Convenció 100 % = òptim, 90 % = adaptació de 10 punts.
Resultat: la balança live compara el que menges (comptat amb els 4 mètodes d’aquesta guia) amb el que gastes de debò, recalculat contínuament. És la combinació de les dues meitats, les entrades correctes i les sortides correctes, la que fa que la pèrdua de greix sigui previsible. L’una sense l’altra, és comptabilitat en el buit.
Descarrega gratuïta
Preguntes freqüents sobre el recompte de calories
Quantes calories al dia per perdre pes?
L’escaneig fotogràfic amb IA és fiable per comptar les teves calories?
Cal pesar els aliments per comptar calories?
Cal comptar les calories cada dia?
Per què no perdo pes tot i que compto les meves calories?
Comptar les calories et fa obsessiu?
Quina diferència hi ha entre Lean i MyFitnessPal per comptar les calories?
Bibliografia
- Burke L.E., Wang J., Sevick M.A. (2011). Self-monitoring in weight loss: a systematic review of the literature. J Am Diet Assoc. PubMed 21185970.
- Alexander E., Tseng E., Durkin N. et al. (2018). Factors associated with early dropout in an employer-based commercial weight-loss program. Obes Sci Pract. PMC6298204.
- Lichtman S.W. et al. (1992). Discrepancy between self-reported and actual caloric intake and exercise in obese subjects. N Engl J Med. PubMed 1454084.
- Martin C.K. et al. (2009). A novel method to remotely measure food intake of free-living individuals in real time: the remote food photography method. Br J Nutr. PubMed 18616837.
- USDA FoodData Central. Base de dades nutricional de referència. fdc.nal.usda.gov.
- Open Food Facts. Base col·laborativa mundial dels productes alimentaris envasats. world.openfoodfacts.org.
- Hall K.D. et al. (2011). Quantification of the effect of energy imbalance on bodyweight. Lancet. PubMed 21872751.
- Mifflin M.D. et al. (1990). A new predictive equation for resting energy expenditure in healthy individuals. Am J Clin Nutr. PubMed 2305711.
- Harris J.A., Benedict F.G. (1919). A Biometric Study of Basal Metabolism in Man. Carnegie Institution of Washington.
- Ainsworth B.E. et al. (2011). Compendium of Physical Activities: a second update of codes and MET values. Med Sci Sports Exerc. PubMed 21681120.