ChatGPT で食事管理はどこまで当てになるか｜写真から栄養を推定させる前に知っておくこと

食事の写真を撮って ChatGPT に「カロリーとたんぱく質はどれくらい？」と聞く。手軽なので、食事管理に使っている人も多いと思います。

では、その数字はどこまで当てになるのか。2025〜2026 年に発表された検証研究 8 本をもとに整理しました。

先に結論を書きます。

何の料理かを見分けるのは得意です。ある研究では、AI が挙げた食品の 93.0% は正しく、見落としは写っていた食品の約 15% でした
いちばんずれやすいのは「量」です。盛りが大きいほど、少なく見積もる傾向が複数の研究で報告されています
たんぱく質と脂質は、カロリーや炭水化物より当たりにくいという結果があります。塩分はさらに難しい項目です
写真に材料と量を文字で添えると、精度が上がった研究があります。ただし効果の大きさは AI によって違います
精度の差をいちばん大きく左右するのは、使う AI（モデル）そのものです。40 モデルを比べた研究では、差のほとんどがモデルの違いで説明されました

つまり、「おおよその目安」や「食事どうしの比べ方」には使えても、正確な数字が必要な場面には向きません。

本記事は 2026 年 10 月時点の研究に基づきます。AI のモデルは更新が早く、紹介する研究の多くは、記事公開時点の最新モデルより前の世代で行われています。本記事は一般的な情報で、医療や栄養指導の助言ではありません。持病のある方・妊娠中や授乳中の方・食事の制限を受けている方は、医師や管理栄養士の指示を優先してください。

研究で分かったこと——2025〜2026 年の検証 8 本
なぜずれるのか——量、見えない油、混ぜた料理
使うなら——写真に「文字」を足す
AI の推定に頼らないほうがいい人・場面
筋トレをしている人の使い方
まとめ
参考文献

研究で分かったこと——2025〜2026 年の検証 8 本

研究	使った AI	調べた材料	主な結果
O’Hara ら（2025 年）	ChatGPT-4	食事調査のデータから作った食事写真 114 枚	AI が挙げた食品の 93.0% が正解（見落としは約 15%）。量は小盛りならおおむね合ったが、中盛り・大盛りは少なく見積もった。16 栄養素のうち 10 で一致が悪く、11 栄養素を少なく見積もった
Fridolfsson ら（2025 年）	ChatGPT-4o、Claude 3.5 Sonnet、Gemini 1.5 Pro	条件をそろえて撮った写真 52 枚（3 段階の盛り）	誤差はモデルによって大きく違い、小さかった 2 モデル（ChatGPT と Claude）でも、重さとエネルギーの誤差は平均 36% 前後。全モデルで、盛りが大きいほど少なく見積もった
Rodríguez-Jiménez ら（2025 年）	ChatGPT-5	料理 195 品	写真だけ → 説明を追加 → 材料と量を追加、の順に精度が上がった。写真を外して文字だけにすると精度は下がった
Isobe ら（2026 年）	ChatGPT-4o、Gemini 1.5 Pro、Claude 3.5 Sonnet の 3 モデルと、食事管理アプリ 7 本の計 10	日本の病院食 15 食	エネルギーと炭水化物は、上位のモデルで実用的な精度。たんぱく質と脂質は全モデルで精度が低く、脂質は多く見積もる傾向（上位 3 つでも 20% 以上多い）
Nakagawa ら（2026 年 6 月）	Claude の 3 モデル	日本の食事写真 691 枚など	性能の高いモデルでは、指示の出し方の工夫で精度が上がった。食塩相当量は一貫して精度が低かった
Vedovelli ら（2026 年 6 月）	8 社の 40 モデル	料理の写真（研究用データベースと独自の料理）	精度の差のほとんどはモデルの違いで説明された。言い回しの工夫には、統計的な補正後に有意な効果がなかった。材料の説明を足すと全体ではわずかに改善したが、効果はモデルによってまちまち。栄養士の推定はすべての AI より正確で、差はたんぱく質で特に大きかった
Nakagawa ら（2026 年 9 月）	3 社の 6 モデル	日本の食堂の料理と、米国の食事写真	「日本の管理栄養士として」と指示すると、全モデルで推定エネルギーが下がった。精度が上がるかどうかは、データによって違った
Lawabni ら（2026 年）	ChatGPT、Claude、Gemini、Llama の 4 モデル	米国でよく食べられる食品を文字で入力	エネルギーと三大栄養素は研究用の食品データベースとよく一致した。調味料や、いろいろな食材を混ぜた料理でばらつきが大きく、一部のビタミン・ミネラルは一致が悪かった

研究ごとに使ったモデルもデータも違うので、数字をそのまま比べることはできません。指示の工夫の効果のように、研究によって結果が分かれる点もあります。それでも、次の傾向は共通しています。

なぜずれるのか——量、見えない油、混ぜた料理

1. 量（盛り）

写真からは、器の深さや、ごはんがどれだけ詰まっているかが分かりません。O’Hara らの研究でも Fridolfsson らの研究でも、盛りが大きくなるほど量を少なく見積もる傾向が出ました。Nakagawa らの 2 本の研究（2026 年 6 月・9 月）も、量の見積もりを誤差の主な原因として挙げています。

2. 見えない油と調理法

炒め物や揚げ物に使った油は、写真にはほとんど写りません。Isobe らの研究では、AI は脂質を多く見積もる方向にずれ（上位 3 つの AI でも 20% 以上）、著者らはこれを「見えない栄養素」の問題と呼んでいます。調理法の情報を組み合わせる必要がある、というのが著者らの提言です。

量は少なく、脂質は多く、とずれの向きは研究によって違います。「いつも少なめに出る」と決めつけて補正するのも危険です。

3. 調味料と、混ぜた料理

文字で食品を入力した Lawabni らの研究でも、調味料や、いろいろな食材を混ぜた料理でばらつきが大きくなりました。Nakagawa らの研究（2026 年 6 月）も、カレーライスや揚げ出し豆腐のように、材料の割合が見た目から分からない日本の料理を、推定が難しい例として挙げています。

4. 塩分

Nakagawa らの研究（2026 年 6 月）では、食塩相当量の推定は一貫して精度が低く、誤差率（実際の値に対する誤差の割合）の中央値は 34〜64% でした。塩分を管理する必要がある方は、AI の推定に頼らないほうが安全です。

使うなら——写真に「文字」を足す

研究から言える、精度を上げる使い方は次のとおりです。ただし、工夫の効果は使う AI によって違います。40 モデルを比べた研究では、材料の説明を足すと全体ではわずかに改善したものの、効果はモデルによってまちまちで、ほとんど改善しないモデルもありました。

材料と量を文字で添える：ChatGPT-5 を使った Rodríguez-Jiménez らの研究では、材料と量を加えた条件がいちばん精度が高くなりました。「ごはん 200g」「鶏むね肉（皮なし）150g」のように、分かる範囲で書き添えます
調理法と油を書く：「オリーブオイル大さじ 1 で炒めた」のように書くと、写真に写らない脂質の手がかりになります
パッケージの表示があれば、そちらを使う：市販品に栄養成分表示があるなら、推定させるより表示の数字のほうが確かです
毎回同じ聞き方をする：Nakagawa らの研究（2026 年 9 月）では、「日本の管理栄養士として」という一言だけで推定値が変わりました。聞き方を変えると、日ごとの数字を比べられなくなります
1 日の数字より、傾向を見る：O’Hara らは、数字そのものは不正確でも、栄養素の多い食事・少ない食事の順位づけはおおむねできたとしています。「先週より主菜が増えたか」のような比べ方のほうが向いています

たとえば、次のように聞きます。

次の食事のエネルギー（kcal）と、たんぱく質・脂質・炭水化物（g）を推定してください。材料と量：ごはん 200g、鶏むね肉（皮なし）150g、ブロッコリー 80g。調理法：鶏むね肉はオリーブオイル大さじ 1 で焼いた。推定の前提と、数字に幅がある場合はその範囲も示してください。

プロンプトの書き方の基本は、「ChatGPT に筋トレメニューを作らせる安全なプロンプトの作り方」も参考になります。

AI の推定に頼らないほうがいい人・場面

次に当てはまる方は、AI の推定値で食べる量や薬の量を決めず、医師や管理栄養士の指示を優先してください。

糖尿病で、食事の炭水化物量に合わせてインスリンの量を決めている方
腎臓病などで、たんぱく質や塩分の制限を受けている方
妊娠中・授乳中の方
食事に関わる薬を使っている方
摂食障害の経験がある方や、食事を記録すると不安が強くなる方
成長期の子ども

研究でも、たんぱく質・脂質・塩分は推定が難しい項目でした。炭水化物は比較的当たりやすかった研究もありますが、薬の量に直結する場面では、写真からの推定値をそのまま使わず、主治医の指示にしたがってください。制限のある栄養素ほど、AI の数字の誤差が問題になります。

筋トレをしている人の使い方

筋トレをしている人がいちばん気にするのは、たんぱく質だと思います。ところが、写真から推定した研究では、たんぱく質は当たりにくい項目の一つでした。40 モデルと栄養士を比べた研究でも、栄養士との差はたんぱく質で特に大きくなりました。

主なたんぱく源（肉・魚・卵・大豆製品など）は、量を量るか、パッケージの表示を使う
AI の推定は「毎日同じ聞き方で記録して、傾向を見る」用途にとどめる
1 日にどれくらい必要かは、AI の答えより研究をまとめた資料で確認する

たんぱく質の量については、「タンパク質と筋肥大の科学」と「タンパク質はいつ飲む？」で、研究をもとに整理しています。AI に筋トレメニューを作らせる場合の注意点は「AI が作る筋トレメニューは安全か」にまとめています。

FitSync のパーソナルトレーニング

筋力アップ・ボディメイク・体重管理・コンディショニング。目標に合わせた1対1のセッションを、東京主要6拠点（六本木・新宿御苑前・西新宿・渋谷・銀座・麻布十番）と出張でご提供します。

※医療行為・治療・リハビリテーションは行っておりません。持病のある方・妊娠中の方・医師から運動を制限されている方は、事前にかかりつけ医にご相談ください。

パーソナルトレーニングの詳細

まとめ

料理を見分けるのは得意。ずれやすいのは量で、盛りが大きいほど少なく見積もる傾向がある
たんぱく質・脂質は、カロリーや炭水化物より当たりにくい。塩分はさらに難しい
精度を上げるなら、写真に材料・量・調理法を文字で添え、毎回同じ聞き方をする
目安と傾向の記録には使える。正確な数字が必要な場面や、食事の制限がある方は、AI の数字で判断しない

本記事は一般的な情報で、医療や栄養指導の助言ではありません。食事の制限や持病のある方は、医師や管理栄養士にご相談ください。

参考文献

Vedovelli L, Pugnaloni S, Lanera C, et al. Model architecture dominates nutritional estimation accuracy in vision-language systems. Sci Rep. 2026 (online ahead of print). PubMed 42350490
O’Hara C, Kent G, Flynn AC, Gibney ER, Timon CM. An Evaluation of ChatGPT for Nutrient Content Estimation from Meal Photographs. Nutrients. 2025;17(4):607. PubMed 40004936
Fridolfsson J, Sjöberg E, Thiwång M, Pettersson S. Performance Evaluation of 3 Large Language Models for Nutritional Content Estimation from Food Images. Curr Dev Nutr. 2025;9(10):107556. PubMed 41081011
Rodríguez-Jiménez M, Martín-Del-Campo-Becerra GD, Sumalla-Cano S, Crespo-Álvarez J, Elio I. Image-Based Dietary Energy and Macronutrients Estimation with ChatGPT-5: Cross-Source Evaluation Across Escalating Context Scenarios. Nutrients. 2025;17(22):3613. PubMed 41305663
Isobe T, Zhang LW, Murakami H, et al. Accuracy of AI-Based Nutrient Estimation from Standardized Hospital Meal Images: A Comparison with Registered Dietitians. Nutrients. 2026;18(6):966. PubMed 41901141
Nakagawa S, Yamamoto A. Prompt Engineering and Model Selection for LLM-Based Nutritional Estimation from Food Images: A Multi-Dataset Investigation. Nutrients. 2026;18(12):2017. PubMed 42356404
Nakagawa S, Yamamoto A. A Japanese-Dietitian Prompt Systematically Shifts Portion Estimates in LLM-Based Nutrient Estimation from Food Images: A Multi-Dataset, Multi-Model Study. Nutrients. 2026;18(17):2892. PubMed 42739063
Lawabni R, Solano OR, Kampen LL, et al. Evaluation of Energy and Nutrient Estimates from Large Language Models Using Text-Based Queries. J Nutr. 2026;156(9):101712. PubMed 42401322