Jak počítat kalorie, aniž by ti to sežralo život. Srovnání 4 metod, jejich skutečné přesnosti a té, kterou budeš používat ještě za 6 měsíců.
Sken fotky pomocí AI, čárový kód, databáze, rychlé zadání: co která metoda skutečně stojí za to, proč 80 % lidí skončí do 3 měsíců a jak si vybrat podle svého profilu.
Existují čtyři způsoby, jak počítat kalorie: AI sken z fotky (vyfotíš si talíř, AI rozpozná každou potravinu i její množství), sken čárového kódu (balené výrobky, data od výrobce), databáze (vyhledání + vážení, nejpřesnější režim) a rychlé přidání (celkový odhad za 10 sekund). Správná metoda je ta, které se udržíš 6 měsíců, ne ta nejpřesnější na papíře. A počítat příjem má smysl jen tehdy, když je správně vypočítaný i tvůj výdej, tedy TDEETotal Daily Energy Expenditure: tvůj celkový kalorický výdej za 24 h. TDEE = BMR + NEAT + EAT + TEF..
Proč 80 % lidí přestane počítat do 3 měsíců
Počítání kalorií funguje. To není problém. Problém je, že u toho téměř nikdo nevydrží: studie programů na hubnutí ukazují masivní odpadnutí už během prvních týdnů, dávno před prvním viditelným výsledkem na váze.
Ta zátěž v praxi: hledat „kuřecí prsa“ v seznamu, vybrat správnou položku mezi 40 duplicitami, odhadnout 150 g od oka, začít znovu u fazolí a pak u olivového oleje. Třikrát denně. 90krát za měsíc. Právě tahle administrativa zabíjí tracking, ne samotnou myšlenku trackování.
Praktický závěr: volba metody zadávání není detail ergonomie. Je to TA proměnná, která rozhodne, jestli tvoje data budou existovat i za 3 měsíce. Tady jsou 4 metody, seřazené od nejrychlejší po nejnáročnější.
AI sken fotky: 5 sekund na jídlo
Vyfotíš si talíř. AI v Lean provede dvojitou identifikaci: nejdřív rozpozná každou potravinu na talíři (grilované kuře, zelené fazolky), potom odhadne množství každé z nich. Výsledek není jedno celkové číslo vycucané z prstu, ale rozpis položku po položce, s kaloriemi a makry u každého řádku.
Na obrázcích, krok za krokem, na skutečném jídle:



U běžných jídel je typická odchylka zhruba ±10 % na jedno jídlo. Je to méně přesné než váha a pro řízení úbytku tuku to bohatě stačí (k tomu se níže vrátíme u zákona velkých čísel). Hlavně je to jediná metoda, která pokrývá jídla bez štítku: doma, v restauraci, v jídelně.
Kde Lean jde dál: máš to pod kontrolou
AI sken je užitečný jen tehdy, když můžeš opravit to, co navrhne. Lean ti dává tři páky na každou potravinu:
Upravit množství
Jeden posuvník na každou potravinu: tady AI odhadla chléb na 101,4 g, opraveno na 70 g. Kalorie i celkový součet jídla se přepočítají okamžitě.


Upravit makra
Znáš svůj recept lépe než průměr? Tady chipsy: AI navrhne 4,1 g tuků, ty to opravíš na 14 g. Donut i celkový součet se přizpůsobí.


Znovu naskenovat jednu potravinu
AI si spletla krůtu se sýrem? Napíšeš správný název a řádek se znovu zanalyzuje sám, bez přepočítávání celého jídla.


Test proti Cal AI: rozpis versus obálka
Stejná fotka, dvě aplikace. Rozdíl je na první pohled jasný:



Právě v tom je zásadní rozdíl oproti většině skenovacích aplikací v čele s Cal AI: vrátí jen celkový odhad za celé jídlo, tedy součet kalorií a maker bez rozpisu, který by šel upravovat po jednotlivých potravinách. Když je odhad špatně, buď ho vezmeš, nebo zahodíš. S rozpisem po potravinách opravíš chybu dvěma klepnutími.
Kdy je to nejlepší volba: domácí jídla, restaurace, jídelna, zkrátka všechna jídla bez čárového kódu. Výchozí metoda pro 90 % jídel.
Sken čárového kódu: přesnost jako na etiketě
Pro vše, co vyjde z obalu, je čárový kód nepřekonatelný: nutriční hodnoty přicházejí přímo z dat výrobce. Lean se opírá o databáze USDA a OpenFoodFacts, tedy o miliony záznamů. Naskenuješ, upravíš množství, hotovo.
Omezení je zřejmé: tvůj domácí talíř těstovin nemá čárový kód. Proto se tahle metoda přirozeně kombinuje s AI skenem z fotky, nenahrazuje ho.
Kdy je to nejlepší volba: nákupy, snacky, průmyslově zpracované výrobky, shakey. Maximální přesnost u balených produktů, bez námahy.
Databáze + váha: režim přesnosti
Historická metoda: jídlo zvážíš, vyhledáš v databázi, zadáš gramy. S kuchyňskou váhou je to nejpřesnější metoda, která existuje, ta pro soutěžní přípravu i klinické protokoly.


Panel „Zbývá / Dopad“ ti ještě před potvrzením ukáže, co potravina změní na tvých denních rozpočtech: kalorie, bílkoviny, sacharidy, tuky, vláknina. Rozhoduješ se s plným přehledem, ne až zpětně.
Lean snižuje tření na minimum: historie tvých častých potravin, vyhledávání v USDA + OpenFoodFacts, přidání ze seznamu na dva tapy. Ale buďme upřímní ohledně skutečné ceny: 2 až 3 minuty na jedno jídlo a disciplína vážit. Právě tohle tření vede k 80 % opuštění klasické metody.
Kdy je to nejlepší volba: přísná redukce, pokročilá rekompozice, sporty s váhovými kategoriemi. A také tvých 5 až 10 opakujících se potravin z běžného dne, které díky historii zadáš skoro okamžitě.
Rychlé přidání: obálka, která zachrání den
Narozeninový bufet, přetížený den, jídlo vestoje mezi dvěma schůzkami: některá jídla se nikdy nebudou sledovat do detailu. Rychlé přidání ti dovolí zadat globální obálku, odhad kalorií a maker, za 10 sekund. Méně přesné, nekonečně lepší než díra v datech.


Živá kalorická bilance udělá zbytek: na snímku je cíl 2 143 kcal, 1 000 spotřebováno, 1 143 zbývá, přepočítává se průběžně během dne. Přibližný, ale sledovaný den je lepší než dokonalý, ale vzdaný den: výsledek řídí týdenní průměr, ne čistota jednoho izolovaného dne.

Kdy je to nejlepší volba: nabité dny, společenská jídla, záchrana proti tomu, abys to vzdal(a). Metoda, která zabrání scénáři „jedno jídlo jsem nezapsal(a), tak je ztracený celý týden“.
Která metoda pro jaký profil
Nejprve srovnání 4 metod podle 4 důležitých kritérií: snadnost na jedno jídlo, dostupnost (funguje to všude, pořád), udržitelnost v dlouhodobém horizontu a přesnost.
AI sken z fotky
Jedna fotka, 5 sekund
Čárový kód
Přesný štítek
Databáze + váha
Režim přesnosti
Rychlé přidání
Záložní obálka
++ výborné + dobré − slabina. „Dlouhodobě“ = pravděpodobnost, že tuto metodu budeš používat ještě za 6 měsíců.
Čtení výsledků: žádná metoda nevyhrává ve všem. AI sken dominuje v dodržování, databáze + váha v přesnosti a rychlé zadání existuje jen k zaplnění mezer. Odtud profily: 4 metody se vzájemně nevylučují, správná strategie je mix, dávkovaný podle tvých aktuálních nároků a rozvrhu. Tři profily pokrývají téměř všechny případy.
Nulové tření, učit se praxí
AI foto sken všude, čárový kód u balených potravin, žádné vážení. Jediný cíl: vydržet 3 měsíce a naučit se odhadovat porce. Přesnost přijde později, návyk nejdřív.
Každé procento se počítá
Váha + databáze u domácích jídel, čárový kód u balených potravin, AI sken v restauraci. Pro krátké fáze, kde se přesnost opravdu vyplatí: konec diety, oficiální vážení.
Spolehlivá data bez přemýšlení
Čárový kód a AI sken každý den, rychlé zadání jako záloha v nemožné dny. Své porce už znáš, chceš jen, aby ta data existovala.
Pravidlo pro rozhodování, platné pro všechny: když váháš, zvol nejlehčí metodu, o které víš, že ji udržíš. Dokonalá data, která přestaneš zadávat po 3 týdnech, mají nulovou hodnotu.
Chyba ±10 % mizí během měsíce
Klasická námitka proti AI skenu: „±10 % chyba je moc“. To je uvažování nad jedním izolovaným jídlem. Jenže nesleduješ jedno jídlo: sleduješ jich asi 90 za měsíc.
Růžová: nadhodnocená jídla. Zelená: podhodnocená jídla. Černá čára: tvůj skutečný příjem. Za měsíc se odchylky vyrovnají.
To je zákon velkých čísel (Kolmogorov): nezávislé náhodné chyby se s rostoucím počtem pozorování vyrušují. Pondělních +12 % vyrovná úterních chybějících 8 %. Co zůstane za měsíc, je průměrné zkreslení modelu, u dobře kalibrovaného skenu blízké nule, ne šum jednoho jídla.
Ruční zadávání má zase problém úplně jiného druhu, systematické zkreslení. Lidé to, co snědí, podhodnocují, vždy stejným směrem, a systematické zkreslení se nikdy samo nevyrovná.
Pointa: otázka nezní „je AI sken dokonalý?“, ale „která metoda produkuje nejpřesnější data za 90 jídel?“. A tady vyhrává automatizace, protože nahrazuje směrové zkreslení šumem, který se sám vyruší.
Počítání nestačí: chybí druhá polovina rovnice
Dokonalý jídelní deník sám o sobě nic neříká. Hubnutí tuku je záporná energetická bilance: příjem pod výdejem. Pokud je tvůj výdej špatně spočítaný, je tvůj deficit účetní fikce a můžeš počítat kalorie na gram přesně, aniž by ses kdy pohnul vpřed.
Problém: téměř všechny aplikace odhadují tvůj výdej pomocí Harris-Benedict (1919) nebo Mifflin-St Jeor (1990), vzorců podle hrubé hmotnosti, které ignorují složení těla. Při stejné hmotnosti tělo s 15 % bodyfat a tělo s 30 % vůbec nespaluje stejně. Lean počítá výdej jinak, ve čtyřech krocích:
BodyScan AI
V aplikaci pořídíš fotku. AI odhadne tvůj bodyfat podle viditelné morfologie, a to každý týden znovu. Právě toto měření ukotvuje celý výpočet na tvé beztukové hmotě, ne na hrubé hmotnosti.
BMR přes patentovaný proprietární model
Patentovaný algoritmus Lean počítá tvůj bazální metabolismus z tvé skutečné beztukové hmoty. Přesnější než Harris-Benedict 1919 nebo Mifflin-St Jeor 1990, které znají jen tvou hmotnost.
NEAT, EAT a TEF měřené, ne paušální
Tvé kroky se počítají do NEAT, tvé tréninky do EAT přes referenční tabulky MET a TEF se počítá z maker, která jsi skutečně snědl, právě díky tvému trackingu.
Metabolická adaptace přepočítána
Při dlouhodobém deficitu BMR klesá. Lean je první aplikace, která tento koeficient modeluje a aplikuje ho na BMR multiplikativně. Konvence: 100 % = optimální, 90 % = adaptace o 10 bodů.
Výsledek: živá kalorická bilance porovnává to, co jíš (počítané 4 metodami z tohoto průvodce), s tím, co skutečně spálíš, přepočítávaným průběžně. Právě kombinace obou polovin, přesného příjmu a přesného výdeje, dělá hubnutí tuku předvídatelným. Jedna bez druhé je účetnictví ve vzduchoprázdnu.
Často kladené otázky o počítání kalorií
Kolik kalorií denně na hubnutí?
Je AI foto sken spolehlivý pro počítání kalorií?
Musím potraviny vážit, abych počítal kalorie?
Musím počítat kalorie každý den?
Proč nehubnu, i když počítám kalorie?
Počítání kalorií z vás dělá obsesivního člověka?
Jaký je rozdíl mezi Lean a MyFitnessPal při počítání kalorií?
Bibliografie
- 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. Referenční nutriční databáze. fdc.nal.usda.gov.
- Open Food Facts. Globální komunitní databáze balených potravinářských výrobků. 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.
