Hoe je je calorieën telt zonder er je leven aan te besteden. De 4 methodes vergeleken, hun echte precisie, en die welke je over 6 maanden nog volhoudt.
AI-fotoscan, barcode, database, snelle invoer: wat elke methode echt waard is, waarom 80 % van de mensen na 3 maanden opgeeft, en hoe je kiest volgens je profiel.
Vier methodes om je calorieën te tellen: de AI-fotoscan (je fotografeert je bord, de AI identificeert elk voedingsmiddel en de hoeveelheid), de barcodescan (verpakte producten, fabrikantgegevens), de database (zoeken + wegen, de nauwkeurigste modus) en desnelle invoer (een globale schatting in 10 seconden). De juiste methode is die welke je 6 maanden volhoudt, niet de nauwkeurigste op papier. En je inname tellen heeft alleen zin als je verbruik, de TDEETotal Daily Energy Expenditure: je totale calorieverbruik over 24 u. TDEE = BMR + NEAT + EAT + TEF., juist wordt berekend.
Waarom 80 % van de mensen na 3 maanden stopt met tellen
Calorieën tellen werkt. Daar gaat het niet om. Het gaat erom dat bijna niemand het volhoudt: studies over afslankprogramma’s tonen een massale uitval vanaf de eerste weken, lang voor het eerste zichtbare resultaat op de weegschaal.
De wrijving, concreet: «kipfilet» zoeken in een lijst, het juiste item kiezen tussen 40 duplicaten, 150 g op het oog schatten, opnieuw beginnen voor de bonen, dan voor de olijfolie. Drie keer per dag. 90 keer per maand. Die boekhouding doodt de tracking, niet het idee van tracken.
Praktische conclusie: de keuze van je invoermethode is geen ergonomisch detail. Het is DÉ variabele die beslist of je gegevens over 3 maanden nog bestaan. Dit zijn de 4 methodes, gerangschikt van de snelste tot de veeleisendste.
De AI-fotoscan: 5 seconden per maaltijd
Je fotografeert je bord. De AI van Lean doet een dubbele identificatie : eerst herkent ze elk aanwezig voedingsmiddel (gegrilde kip, sperziebonen), daarna schat ze de hoeveelheid van elk. Het resultaat is geen globaal cijfer uit een hoge hoed: het is een uitsplitsing voedingsmiddel per voedingsmiddel, met calorieën en macro’s per regel.
In beeld, stap voor stap, bij een echte maaltijd:



Bij gangbare gerechten is de typische fout ongeveer ±10 % per maaltijd. Dat is minder nauwkeurig dan een weegschaal, en ruimschoots voldoende om vetverlies te sturen (we komen erop terug met de wet van de grote aantallen verderop). Vooral: het is de enige methode die maaltijden zonder etiket dekt: thuis, restaurant, kantine.
Waar Lean verder gaat: jij houdt de controle
Een AI-scan is alleen nuttig als je kunt corrigeren wat hij voorstelt. Lean geeft je drie hefbomen, per voedingsmiddel:
De hoeveelheden wijzigen
Een slider per voedingsmiddel: hier het brood dat de AI op 101,4 g schatte, gecorrigeerd naar 70 g. Calorieën en totaal van het gerecht worden meteen herberekend.


De macro’s wijzigen
Ken je je recept beter dan het gemiddelde? Hier de chips: de AI stelt 4,1 g vet voor, jij corrigeert naar 14 g. Donut en totaal volgen.


Eén voedingsmiddel opnieuw scannen
Heeft de AI kalkoen voor kaas aangezien? Je typt de juiste naam, de regel wordt vanzelf opnieuw geanalyseerd, zonder het hele gerecht over te doen.


De test tegenover Cal AI: uitsplitsing tegen globale schatting
Dezelfde foto, twee apps. Het verschil springt in het oog:



Dat is het structurele verschil met de meeste scan-apps, Cal AI voorop: ze geven een globale schatting per gerecht, een totaal aan calorieën en macro’s zonder wijzigbare uitsplitsing per voedingsmiddel. Als de schatting fout is, neem je ze of gooi je ze weg. Met een uitsplitsing per voedingsmiddel corrigeer je de fout in twee tikken.
Het juiste gebruik: zelfgemaakte gerechten, restaurant, kantine, alle maaltijden zonder barcode. De standaardmethode voor 90 % van de maaltijden.
De barcodescan: de precisie van het etiket
Voor alles wat uit een verpakking komt, is de barcode onverslaanbaar: de voedingswaarden komen rechtstreeks van de fabrikantgegevens. Lean steunt op de USDA- en OpenFoodFacts-databases, ofwel miljoenen referenties. Je scant, je past de hoeveelheid aan, klaar.
De beperking is duidelijk: je bord zelfgemaakte pasta heeft geen barcode. Daarom combineert deze methode zich natuurlijk met de AI-fotoscan, ze vervangt hem niet.
Het juiste gebruik: boodschappen, snacks, bewerkte producten, shakers. Maximale precisie op industriële producten, nul inspanning.
De database + weegschaal: de precisiemodus
De historische methode: je weegt je voedingsmiddel, je zoekt het in de database, je voert de grammen in. Met een keukenweegschaal is het de nauwkeurigste methode die bestaat, die van wedstrijdvoorbereidingen en klinische protocollen.


Het paneel «Resterend / Impact» toont je, nog voor je bevestigt, wat het voedingsmiddel verandert aan je budgetten van de dag: calorieën, eiwitten, koolhydraten, vetten, vezels. Je beslist met kennis van zaken, niet achteraf.
Lean beperkt de wrijving tot een minimum: geschiedenis van je frequente voedingsmiddelen, zoeken in USDA + OpenFoodFacts, toevoegen in twee tikken vanuit de lijst. Maar laten we eerlijk zijn over de echte kost: 2 tot 3 minuten per maaltijd, en de discipline om te wegen. Het is precies die wrijving die de 80 % uitval van de klassieke methode veroorzaakt.
Het juiste gebruik: strikte cut, gevorderde recompositie, sporten met gewichtsklassen. En je 5 tot 10 terugkerende dagelijkse voedingsmiddelen, die de geschiedenis bijna onmiddellijk maakt.
De snelle invoer: de schatting die de dag redt
Verjaardagsbuffet, overvolle dag, staand eten tussen twee vergaderingen: sommige maaltijden zullen nooit fijn getrackt worden. De snelle invoer laat je een globale schatting invoeren, geschatte calorieën en macro’s, in 10 seconden. Minder nauwkeurig, oneindig beter dan een gat in de gegevens.


De live caloriebalans doet de rest: op de schermafbeelding 2 143 kcal doel, 1 000 geconsumeerd, 1 143 resterend, continu herberekend in de loop van de dag. Een benaderende maar getrackte dag is beter dan een perfecte opgegeven dag: het weekgemiddelde stuurt het resultaat, niet de zuiverheid van één losse dag.

Het juiste gebruik: drukke dagen, sociale maaltijden, reddingsboei tegen opgeven. De methode die het «ik heb een maaltijd gemist, jammer voor de week» verhindert.
Welke methode voor welk profiel
Eerst het duel van de 4 methodes op de 4 criteria die tellen: het gemak per maaltijd, de beschikbaarheid (werkt het overal, altijd), het volhouden op de lange termijn en de precisie.
AI-fotoscan
De foto, 5 seconden
Barcode
Het exacte etiket
Database + weegschaal
De precisiemodus
Snelle invoer
De reddingsschatting
++ uitstekend + goed − zwak punt. «Lange termijn» = de kans dat je de methode over 6 maanden nog gebruikt.
Lezing van het duel: geen enkele methode wint overal. De AI-scan domineert op therapietrouw, database + weegschaal op precisie, en de snelle invoer bestaat alleen om gaten te vullen. Vandaar de profielen: de 4 methodes sluiten elkaar niet uit, de juiste strategie is een mix, gedoseerd volgens je eis van het moment en je agenda. Drie profielen dekken bijna alle gevallen.
Nul wrijving, leren door te doen
AI-fotoscan overal, barcode voor verpakte producten, geen weging. Enig doel: 3 maanden volhouden en je oog trainen op porties. De precisie komt daarna, de gewoonte eerst.
Elk procent telt
Weegschaal + database voor zelfgemaakte maaltijden, barcode voor verpakte producten, AI-scan in het restaurant. Voor de korte fases waarin precisie echt loont: einde van een cut, officiële weging.
Betrouwbare gegevens zonder erbij na te denken
Barcode en AI-scan dagelijks, snelle invoer als reddingsboei op onmogelijke dagen. Je kent je porties al, je wilt gewoon dat de gegevens bestaan.
Beslissingsregel, geldig voor iedereen: bij twijfel kies je de lichtste methode die je zeker volhoudt. Perfecte gegevens die je na 3 weken niet meer invoert, zijn nul waard.
De fout van ±10 % die over een maand verdwijnt
Het klassieke bezwaar tegen de AI-scan: «±10 % fout is te veel». Dat is redeneren over één losse maaltijd. Maar je trackt geen maaltijd: je trackt er ongeveer 90 per maand.
Roze: overschatte maaltijden. Groen: onderschatte maaltijden. Zwarte lijn: je echte consumptie. Over een maand compenseren de afwijkingen elkaar.
Dat is de wet van de grote aantallen (Kolmogorov): onafhankelijke willekeurige fouten compenseren elkaar naarmate het aantal waarnemingen toeneemt. De +12 % van maandag heffen de 8 % tekort van dinsdag op. Wat over een maand overblijft, is de gemiddelde bias van het model, dicht bij nul bij een goed gekalibreerde scan, niet de ruis van één maaltijd.
Handmatige invoer lijdt daarentegen aan een probleem van een heel andere aard: een systematische bias. Mensen onderrapporteren wat ze eten, altijd in dezelfde richting, en een bias vlakt nooit af.
Moraal: de vraag is niet «is de AI-scan perfect?» maar «welke methode produceert de juistste gegevens over 90 maaltijden?». En daar wint de automatisering, omdat ze een gerichte bias vervangt door ruis die zichzelf opheft.
Tellen volstaat niet: de andere helft van de vergelijking ontbreekt
Een perfect voedingsdagboek zegt op zich niets. Vet verliezen is een negatieve energiebalans: inname onder verbruik. Als je verbruik slecht is berekend, is je tekort een boekhoudkundige fictie, en kun je je calorieën op de gram tellen zonder ooit vooruit te gaan.
Het probleem: bijna alle apps schatten je verbruik met Harris-Benedict (1919) of Mifflin-St Jeor (1990), formules op ruw gewicht die je lichaamssamenstelling negeren. Bij gelijk gewicht verbranden een lichaam met 15 % vet en een lichaam met 30 % helemaal niet hetzelfde. Lean berekent het verbruik anders, in vier stappen:
AI BodyScan
Je neemt een foto in de app. De AI schat je vetpercentage op basis van je zichtbare morfologie, wekelijks herhaald. Die meting verankert de hele berekening op je vetvrije massa, niet op je ruwe gewicht.
BMR via gepatenteerd eigen model
Het gepatenteerde Lean-algoritme berekent je basaal metabolisme op basis van je echte vetvrije massa. Nauwkeuriger dan Harris-Benedict 1919 of Mifflin-St Jeor 1990, die alleen je gewicht kennen.
NEAT, EAT en TEF gemeten, niet forfaitair
Je stappen tellen in de NEAT, je trainingen in de EAT via de MET-referentietabellen, en de TEF wordt berekend op de macro’s die je echt hebt gegeten, juist dankzij je tracking.
Metabole adaptatie herberekend
Bij een langdurig tekort daalt de BMR. Lean is de eerste app die deze coëfficiënt modelleert en multiplicatief op de BMR toepast. Conventie 100 % = optimaal, 90 % = adaptatie van 10 punten.
Resultaat: de live balans vergelijkt wat je eet (geteld met de 4 methodes van deze gids) met wat je echt verbruikt, continu herberekend. Het is de combinatie van de twee helften, juiste inname en juist verbruik, die vetverlies voorspelbaar maakt. De ene zonder de andere is boekhouden in het luchtledige.
Veelgestelde vragen over calorieën tellen
Hoeveel calorieën per dag om af te vallen?
Is de AI-fotoscan betrouwbaar om calorieën te tellen?
Moet je je voedsel wegen om calorieën te tellen?
Moet je elke dag calorieën tellen?
Waarom val ik niet af terwijl ik mijn calorieën tel?
Word je obsessief van calorieën tellen?
Wat is het verschil tussen Lean en MyFitnessPal om calorieën te tellen?
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. Voedingsdatabase van referentie. fdc.nal.usda.gov.
- Open Food Facts. Wereldwijde collaboratieve database van verpakte voedingsproducten. 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.