Voedsel loggen met een foto ging in zo'n twee jaar van gimmick naar standaard. Richt je camera op een bord en je krijgt binnen seconden calorieën en macro's terug. Het is inmiddels dé hoofdfeature van vrijwel elke voedingsapp, inclusief die van ons.
Dus is het de moeite waard om eerlijk te zijn over wat het goed doet, wat het slecht doet, en hoe je het gebruikt zonder jezelf zes weken lang stilletjes voor de gek te houden.
Waar het echt goed in is
Herkenning
Moderne vision-modellen zijn sterk in "wat is dit". Gegrilde kip, witte rijst, broccoli, een gebakken ei — de herkenning van veelvoorkomende voedingsmiddelen is betrouwbaar. Dit is het deel waarvoor je vroeger "kipfilet" in een zoekbalk moest typen om vervolgens te kiezen uit 400 door gebruikers aangemaakte items van wisselende eerlijkheid.
Snelheid, de echte feature
Handmatig loggen kost één tot drie minuten per maaltijd. Dat is 20 tot 60 minuten per week aan pure frictie, en frictie is de reden dat de gemiddelde voedseltracking-app een retentieklif heeft die in dagen wordt gemeten. Loggen met een foto duurt seconden.
Een log met 80% nauwkeurigheid die je een jaar volhoudt, verslaat een log met 95% nauwkeurigheid waar je na drie weken mee stopt. Snelheid is hier geen gemaksfeature; het is het mechanisme waardoor het bijhouden überhaupt werkt.
Consistentie van de fout
Deze wordt onderschat. Een model schat dezelfde maaltijd elke keer ongeveer hetzelfde in. Menselijke zelfschattingen drijven af — op een goede dag ben je eerlijk, op een slechte dag krimpt de portie op mysterieuze wijze in je herinnering. Een model heeft geen slechte dag, en zoals we betogen in macro's bijhouden zonder je eten te wegen, is een stabiele afwijking veel werkbaarder dan willekeurige ruis.
Waar het moeite mee heeft — en dat is echt zo
1. Portiegrootte (het diepteprobleem)
Een foto is 2D. Het model leidt volume af uit een plat beeld, met bordgrootte en context als schaalaanwijzingen. Het is een oprecht moeilijk schattingsprobleem, en het is de grootste afzonderlijke foutbron. Een hoge berg rijst en een platte laag rijst kunnen er van boven hetzelfde uitzien en 200 kcal verschillen.
Oplossing: fotografeer vanuit een consistente hoek (ongeveer 45°, niet recht van boven), zet het hele bord in beeld en laat een bekend object — een vork, je hand — zichtbaar voor de schaal. Dit verbetert de schatting meetbaar.
2. Verborgen vetten (het probleem van onzichtbare calorieën)
Dit is de grote. De drie eetlepels olie waarin je groenten zijn gebakken, zijn onzichtbaar. Ze zijn ook ~360 kcal. Restaurantmaaltijden worden bij fotologging om precies deze reden systematisch onderschat, en daarom is "ik fotografeer alles en ik val niet af" meestal geen metabolisch mysterie.
Oplossing: als je het niet zelf hebt gekookt, ga er dan van uit dat er meer vet in zit dan je kunt zien, en corrigeer naar boven. Beter nog: vertel het de app. Een goede fotologger laat je de schatting met één tik aanpassen in plaats van je de maaltijd opnieuw te laten invoeren.
3. Gemengde en gelaagde gerechten
Een stoofpot, een ovenschotel, een burrito — het model ziet het oppervlak en gokt naar de binnenkant. Samenstellingsfouten stapelen zich hier op bovenop portiefouten.
Oplossing: dit zijn de maaltijden die je beter logt met een opgeslagen standaardmaaltijd. Maak je elke week dezelfde chili, weeg hem dan één keer en sla hem op. Fotografeer het eten dat je niet kunt voorspellen; gebruik opgeslagen items voor het eten dat je wél kunt voorspellen.
De nauwkeurigheidsvraag die mensen eigenlijk zouden moeten stellen
"Klopt het caloriegetal?" is de verkeerde vraag, en erop jagen leidt tot een hoop zinloze stress.
De juiste vraag is: "Is deze schatting consistent genoeg om beslissingen op te baseren?"
Want je handelt nooit op het ruwe getal. Je handelt op de lus:
Log je inname (consistent) → volg de gewichtstrend 2–3 weken → vergelijk de trend met wat je inname voorspelde → stel het doel bij.
Die lus corrigeert zichzelf voor een stabiele afwijking. Als je logging elke dag 12% te laag zit, legt de trend dat bloot en absorbeert de bijstelling het. Wat de lus niet kan absorberen is inconsistentie — doordeweeks zorgvuldig loggen en in het weekend helemaal niet, of de salade fotograferen en het biertje vergeten.
De eerlijke maatstaf voor een AI-voedsellogger is dus niet "is het zo nauwkeurig als een weegschaal". Het is: is het nauwkeurig genoeg, en consistent genoeg, dat een goed uitgevoerde bijstellingslus convergeert? Het antwoord voor de huidige generatie is ja — met de kanttekeningen hierboven.
Wat de schatting waard is, hangt af van wat hem leest
Hier zit het deel dat het grootste deel van de categorie mist. Vrijwel elke app op de markt stopt bij de schatting. Je krijgt een getal, een ring, een grafiek. De interpretatie — wat je er daadwerkelijk mee moet doen — wordt aan jou overgelaten.
Maar de waarde van weten dat je negen dagen lang 400 kcal onder je doel zat, is niet het getal. Het is de conclusie: je herstelcapaciteit is verlaagd, dus het extra volume dat je net aan je squatsessie hebt toegevoegd, is deze week een slecht idee. Die conclusie vereist dat je het voedingslogboek en het trainingslogboek tegelijk leest — en vrijwel geen enkele app doet dat, omdat de voedingsapps je sets niet bijhouden en de workout-apps je keuken nooit hebben gezien.
Dat is precies het gat dat Gymrock dicht: één model, beide signalen, één wekelijkse beslissing met de redenering erbij. De fotoschatting is de input. De aanpassing is het product. We vergelijken dit rechtstreeks met de grote voedings- en trainingsapps op onze vergelijkingspagina's.
Praktische regels
- Fotografeer op ~45°, hele bord in beeld, met iets in beeld voor de schaal.
- Ga ervan uit dat restaurantmaaltijden meer vet bevatten dan je kunt zien. Corrigeer naar boven.
- Sla je terugkerende maaltijden op als standaardmaaltijden; fotografeer de onvoorspelbare.
- Log alles, inclusief de olie en de drankjes. Ongelogd eten is oorzaak nummer één van "vastgelopen" diëten.
- Beoordeel het systeem op of de trend overeenkomt met het plan — niet op of het getal van één maaltijd perfect is.