איך לספור קלוריות בלי שזה ישתלט לך על החיים. השוואה בין 4 השיטות, רמת הדיוק האמיתית שלהן, ואיזו מהן עדיין תחזיק מעמד אצלך גם בעוד 6 חודשים.
סריקת תמונה ב-AI, ברקוד, מסד נתונים, הוספה מהירה: מה באמת שווה כל שיטה, למה 80% מהאנשים נוטשים בתוך 3 חודשים, ואיך לבחור לפי הפרופיל שלך.
צוות Lean · 11 דק' קריאה · עודכן ב-11 ביוני 2026
הורדה בחינם
יש ארבע שיטות לספור את הקלוריות שלך: סריקת תמונה ב-AI (אתה מצלם את הצלחת שלך, וה-AI מזהה כל מזון ואת הכמות שלו), סריקת ברקוד (מוצרים ארוזים, נתוני יצרן), מאגר הנתונים (חיפוש + שקילה, השיטה המדויקת ביותר) ו-הוספה מהירה (הערכה כללית ב-10 שניות). השיטה הנכונה היא זו שתתמיד בה 6 חודשים, לא זו שהכי מדויקת על הנייר. ולספור את מה שאתה מכניס באמת מועיל רק אם ההוצאה שלך, TDEETotal Daily Energy Expenditure, סך ההוצאה הקלורית שלך ב-24 שעות. TDEE = BMR + NEAT + EAT + TEF., מחושבת נכון.
למה 80% מהאנשים מפסיקים לספור בתוך 3 חודשים
ספירת קלוריות עובדת. זו לא השאלה. השאלה היא שכמעט אף אחד לא מתמיד: מחקרים על תוכניות לירידה במשקל מראים נשירה המונית כבר בשבועות הראשונים, הרבה לפני התוצאה הנראית הראשונה על המשקל.
החיכוך, בפועל: לחפש "חזה עוף" ברשימה, לבחור את הרשומה הנכונה מבין 40 כפילויות, להעריך 150 ג' בעין, להתחיל מחדש עבור השעועית, ואז עבור שמן הזית. שלוש פעמים ביום. 90 פעמים בחודש. זו עבודת הפקידות שהורגת את המעקב, לא הרעיון של מעקב.
מסקנה מעשית: הבחירה בשיטת ההזנה שלך היא לא פרט של חוויית משתמש. זה המשתנה שקובע אם הנתונים שלך עדיין יהיו קיימים בעוד 3 חודשים. הנה 4 השיטות, מדורגות מהמהירה ביותר ועד התובענית ביותר.
סריקת תמונה ב-AI: 5 שניות לארוחה
אתה מצלם את הצלחת שלך. ה-AI של Lean מבצע זיהוי כפול: קודם הוא מזהה כל מזון שנמצא בצלחת (עוף בגריל, שעועית ירוקה), ואז הוא מעריך את הכמות של כל אחד מהם. התוצאה אינה מספר כללי שנשלף מהאוויר, אלא פירוק מזון אחר מזון, עם קלוריות ומאקרו לכל שורה.
בתמונות, שלב אחר שלב, על ארוחה אמיתית:
במנות יומיומיות, השגיאה הטיפוסית היא בערך ±10% לכל ארוחה. זה פחות מדויק ממשקל, ומספיק בהחלט כדי לנהל ירידה בשומן (נחזור לזה עם חוק המספרים הגדולים בהמשך). ובעיקר, זו השיטה היחידה שמכסה ארוחות בלי תווית: בבית, במסעדה, בקפיטריה.
איפה Lean הולכת רחוק יותר: אתה שומר על השליטה
סריקת AI שימושית רק אם אפשר לתקן את מה שהיא מציעה. Lean נותנת לך שלושה מנופים, לכל מזון:
עריכת הכמויות
מחוון לכל מזון: כאן, הלחם הוערך ב-101,4 g על ידי ה-AI, ותוקן ל-70 g. הקלוריות וסך המנה מחושבים מחדש מיד.
עריכת המאקרו
אתה מכיר את המתכון שלך טוב יותר מהממוצע? כאן, הצ'יפס: ה-AI מציעה 4,1 g שומן, ואתה מתקן ל-14 g. הדונאט והסך הכול מתעדכנים בהתאם.
סריקה מחדש של מזון אחד
ה-AI חשבה שהודו הוא גבינה? אתה מקליד את השם הנכון, והשורה מנותחת מחדש לבדה, בלי לעשות מחדש את כל המנה.
המבחן מול Cal AI: פירוק מול מעטפת
אותה תמונה, בשתי אפליקציות. ההבדל בולט מיד:
זה ההבדל המבני לעומת רוב אפליקציות הסריקה, ובראשן Cal AI: הן מחזירות הערכה כללית לכל מנה, סך קלוריות ומאקרו בלי פירוק שניתן לעריכה מזון אחר מזון. אם ההערכה שגויה, או שמקבלים אותה או שמוותרים עליה. כשיש פירוק לפי מזון, אפשר לתקן את הטעות בשתי לחיצות.
מתי נכון להשתמש בזה: מנות ביתיות, מסעדות, קפטריה, כל ארוחה בלי ברקוד. שיטת ברירת המחדל ל-90% מהארוחות.
סריקת ברקוד: דיוק ברמת התווית
לכל מה שיוצא מאריזה, הברקוד הוא ללא תחרות: הערכים התזונתיים מגיעים ישירות מנתוני היצרן. Lean נשענת על מסדי הנתונים USDA ו-OpenFoodFacts, כלומר מיליוני רשומות. אתה סורק, מתאים את הכמות, וזהו.
המגבלה ברורה: לצלחת הפסטה הביתית שלך אין ברקוד. לכן השיטה הזו משתלבת באופן טבעי עם סריקת ה-AI מהתמונה, היא לא מחליפה אותה.
מתי נכון להשתמש בזה: קניות, חטיפים, מוצרים מעובדים, שייקים. דיוק מקסימלי במוצרים תעשייתיים, אפס מאמץ.
מסד הנתונים + משקל: מצב דיוק
השיטה ההיסטורית: אתה שוקל את המזון, מחפש אותו במסד הנתונים, ומזין את מספר הגרמים. עם משקל מטבח, זו השיטה המדויקת ביותר שיש, זו של הכנות לתחרויות ופרוטוקולים קליניים.
הפאנל «נותר / השפעה» מראה לך, עוד לפני האישור, מה המזון משנה בתקציבים היומיים שלך: קלוריות, חלבונים, פחמימות, שומנים, סיבים. אתה מחליט מתוך ידיעה, לא בדיעבד.
Lean מצמצמת את החיכוך למינימום: היסטוריה של המזונות הנפוצים שלך, חיפוש ב-USDA + OpenFoodFacts, הוספה בשתי הקשות מהרשימה. אבל בואו נהיה כנים לגבי העלות האמיתית: 2 עד 3 דקות לכל ארוחה, והמשמעת לשקול. בדיוק החיכוך הזה יוצר את 80% הנטישה של השיטה הקלאסית.
מתי נכון להשתמש בזה: חיטוב קפדני, הרכב גוף מתקדם, ענפי ספורט עם קטגוריות משקל. וגם 5 עד 10 המזונות הקבועים שלך ביום יום, שההיסטוריה הופכת לכמעט מיידיים.
הוספה מהירה: המעטפת שמצילה את היום
בופה יום הולדת, יום עמוס, ארוחה בעמידה בין שתי פגישות: יש ארוחות שלעולם לא יירשמו בפירוט. ההוספה המהירה מאפשרת לך להזין מעטפת כוללת, קלוריות ומאקרו מוערכים, ב-10 שניות. פחות מדויק, ועדיף לאין שיעור מחור בנתונים.
מאזן הקלוריות בזמן אמת עושה את השאר: בצילום, יעד של 2 143 kcal, 1 000 נצרכו, 1 143 נותרו, מחושבים מחדש ברציפות לאורך היום. יום משוער אבל מתועד עדיף על יום מושלם שננטש: הממוצע השבועי הוא זה שמניע את התוצאה, לא הטוהר של יום בודד.
מתי נכון להשתמש בזה: ימים עמוסים, ארוחות חברתיות, גיבוי נגד נטישה. השיטה שמונעת את ה"פספסתי ארוחה אחת, אז הלך השבוע".
הורדה בחינם
איזו שיטה לאיזה פרופיל
קודם כול, ההתאמה של 4 השיטות על פני 4 הקריטריונים שבאמת חשובים: קלות לכל ארוחה, זמינות (האם זה עובד בכל מקום, כל הזמן), התמדה לאורך זמן ודיוק.
סריקת AI מהתמונה
תמונה אחת, 5 שניות
ברקוד
התווית המדויקת
מסד נתונים + משקל
מצב דיוק
הוספה מהירה
מעטפת הגיבוי
++ מצוין + טוב − נקודת חולשה. "לטווח ארוך" = הסבירות שעדיין תשתמש בשיטה גם בעוד 6 חודשים.
קריאת המצב: אף שיטה לא מנצחת בכל דבר. סריקת ה־IA שולטת בהיצמדות, בסיס הנתונים + המשקל בדיוק, והוספה מהירה קיימת רק כדי לסתום חורים. מכאן הפרופילים: 4 השיטות אינן מוציאות זו את זו, והאסטרטגיה הנכונה היא שילוב, במינון לפי רמת הדרישה שלך באותו רגע ולפי לוח הזמנים שלך. שלושה פרופילים מכסים כמעט את כל המקרים.
אפס חיכוך, לומדים תוך כדי עשייה
סריקת IA בתמונה בכל מקום, ברקוד על אריזות, בלי שקילה. מטרה אחת: להחזיק 3 חודשים ולחנך את העין שלך למנות. הדיוק יבוא אחר כך, ההרגל קודם.
כל אחוז קובע
משקל + בסיס נתונים בארוחות ביתיות, ברקוד על אריזות, סריקת IA במסעדה. לשלבים קצרים שבהם הדיוק באמת משתלם: סוף חיטוב, שקילה רשמית.
נתונים אמינים בלי לחשוב על זה
ברקוד וסריקת IA ביום־יום, הוספה מהירה כגיבוי בימים בלתי אפשריים. אתה כבר מכיר את המנות שלך, אתה רק רוצה שהנתונים יהיו שם.
כלל הכרעה, תקף לכולם: במקרה של ספק, בחר בשיטה הקלה ביותר שאתה בטוח שתתמיד בה. נתון מושלם שאתה מפסיק להזין אחרי 3 שבועות שווה אפס.
שגיאת ±10% שנעלמת בתוך חודש
הטענה הקלאסית נגד סריקת IA: «שגיאה של ±10% זה יותר מדי». זו חשיבה על ארוחה בודדת. אבל אתה לא עוקב אחרי ארוחה אחת: אתה עוקב אחרי כ־90 בחודש.
ורוד: ארוחות שהוערכו ביתר. ירוק: ארוחות שהוערכו בחסר. קו שחור: הצריכה בפועל שלך. בתוך חודש, הפערים מתקזזים.
זהו חוק המספרים הגדולים (Kolmogorov): שגיאות אקראיות בלתי תלויות מתקזזות ככל שמספר התצפיות גדל. ה־+12% של יום שני מבטלים את ה־8% החסרים של יום שלישי. מה שנשאר בתוך חודש הוא ההטיה הממוצעת של המודל, קרובה לאפס בסריקה מכוילת היטב, לא הרעש של ארוחה אחת.
הזנה ידנית, לעומת זאת, סובלת מבעיה מסוג אחר לגמרי: הטיה שיטתית. בני אדם מדווחים בחסר על מה שהם אוכלים, תמיד לאותו כיוון, והטיה אף פעם לא מתאזנת.
השורה התחתונה: השאלה היא לא «האם סריקת IA מושלמת?», אלא «איזו שיטה מפיקה את הנתונים המדויקים ביותר על פני 90 ארוחות?». וכאן האוטומציה מנצחת, כי היא מחליפה הטיה כיוונית ברעש שמתקזז מעצמו.
לספור לא מספיק: חסר החצי השני של המשוואה
יומן מזון מושלם לא אומר כלום בפני עצמו. ירידה בשומן היא מאזן אנרגיה שלילי: כניסות מתחת ליציאות. אם ההוצאה שלך מחושבת לא נכון, הגירעון שלך הוא פיקציה חשבונאית, ואתה יכול לספור את הקלוריות שלך עד הגרם בלי להתקדם בכלל.
הבעיה: כמעט כל האפליקציות מעריכות את ההוצאה שלך עם Harris-Benedict (1919) או Mifflin-St Jeor (1990), נוסחאות לפי משקל גולמי שמתעלמות מהרכב הגוף שלך. באותו משקל, גוף עם 15% bodyfat וגוף עם 30% לא שורפים בכלל אותו דבר. Lean מחשבת את ההוצאה אחרת, בארבעה שלבים:
BodyScan מבוסס בינה מלאכותית
אתה מצלם תמונה באפליקציה. ה־IA מעריכה את ה־bodyfat שלך לפי המורפולוגיה הנראית לעין, ומתעדכנת מחדש כל שבוע. המדידה הזו היא שמעגנת את כל החישוב על מסת הגוף הרזה שלך, לא על המשקל הגולמי שלך.
BMR באמצעות מודל קנייני מוגן בפטנט
האלגוריתם המוגן בפטנט של Lean מחשב את חילוף החומרים הבסיסי שלך על סמך מסת הגוף הרזה האמיתית שלך. מדויק יותר מ־Harris-Benedict 1919 או Mifflin-St Jeor 1990, שמכירים רק את המשקל שלך.
NEAT, EAT ו־TEF נמדדים, לא מחושבים לפי תעריף קבוע
הצעדים שלך נספרים ב־NEAT, אימוני הספורט שלך ב־EAT דרך טבלאות MET של הייחוס, ו־TEF מחושב לפי המקרו־נוטריינטים שאכלת בפועל, בדיוק בזכות המעקב שלך.
הסתגלות מטבולית מחושבת מחדש
בגירעון ממושך, ה־BMR יורד. Lean היא האפליקציה הראשונה שמדגמנת את המקדם הזה ומיישמת אותו באופן מכפילי על ה־BMR. מוסכמה: 100% = אופטימלי, 90% = הסתגלות של 10 נקודות.
התוצאה: מאזן הקלוריות החי משווה בין מה שאתה אוכל (מחושב עם 4 השיטות של המדריך הזה) לבין מה שאתה באמת שורף, מחושב מחדש באופן רציף. השילוב של שני החצאים, כניסות מדויקות ויציאות מדויקות, הוא מה שהופך ירידה בשומן לצפויה. אחד בלי השני הוא הנהלת חשבונות בחלל ריק.
הורדה בחינם
שאלות נפוצות על ספירת קלוריות
כמה קלוריות ביום כדי לרדת במשקל?
האם סריקת תמונה ב־IA אמינה לספירת קלוריות?
האם צריך לשקול את המזון כדי לספור קלוריות?
האם צריך לספור קלוריות כל יום?
למה אני לא יורד במשקל למרות שאני סופר קלוריות?
סופרים קלוריות, זה הופך לאובססיבי?
מה ההבדל בין Lean ל-MyFitnessPal כשסופרים קלוריות?
ביבליוגרפיה
- 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. מאגר נתוני תזונה ייחוסי. fdc.nal.usda.gov.
- Open Food Facts. מאגר שיתופי עולמי של מוצרי מזון ארוזים. 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.