Estudo revela que aplicativos de IA subestimam calorias em fotos de refeições, especialmente em alimentos ricos em gordura. Para empresas, o alerta vai além da nutrição: expõe fragilidades em sistemas de visão computacional e governança de dados, com impactos diretos em setores como saúde, foodtech e seguros.
Introdução contextual
A inteligência artificial tem sido cada vez mais incorporada a aplicações do cotidiano, prometendo conveniência e precisão. No campo da nutrição, apps que estimam calorias a partir de fotos de refeições ganharam popularidade entre consumidores preocupados com a saúde. No entanto, um estudo recente publicado pelo O Estado de S. Paulo revela que essas ferramentas podem subestimar significativamente as calorias, especialmente em alimentos ricos em gordura. Para executivos e gestores, o caso vai além de uma simples imprecisão nutricional: ele levanta questões críticas sobre a confiabilidade de sistemas baseados em IA, a governança de dados e os riscos de dependência tecnológica em processos decisórios.
O que aconteceu
Pesquisadores analisaram quatro plataformas de inteligência artificial que prometem avaliar o conteúdo calórico de refeições por meio de fotografias. O resultado: todas apresentaram falhas nas estimativas, com tendência a subestimar calorias em alimentos ricos em gordura. A margem de erro variou entre as plataformas, mas foi consistente o suficiente para levantar bandeiras vermelhas sobre a precisão dessas ferramentas. O estudo, divulgado em 28 de julho de 2026, não apenas questiona a eficácia dos apps para o consumidor final, mas também expõe vulnerabilidades em modelos de visão computacional treinados em conjuntos de dados limitados ou desbalanceados.
Por que isso importa para empresas
Empresas que utilizam IA para tomada de decisões baseadas em imagens – seja em saúde, alimentação, logística ou segurança – precisam estar atentas a esse tipo de falha. A subestimação sistemática de calorias pode parecer um problema menor, mas reflete um viés algorítmico que pode se manifestar em outros contextos, como diagnóstico por imagem, inspeção de qualidade ou reconhecimento de objetos. Para organizações que dependem de precisão, o impacto pode ser financeiro, legal e reputacional. Além disso, a confiança do consumidor em produtos baseados em IA pode ser abalada, afetando a adoção de tecnologias emergentes.
Impacto para cibersegurança, governança, IA ou continuidade
O caso ilustra a necessidade de governança de IA robusta. Modelos de visão computacional são treinados com dados que podem não representar adequadamente a diversidade de alimentos, preparações e condições de iluminação. Isso gera riscos de viés algorítmico e falta de explicabilidade. Em termos de cibersegurança, a dependência de APIs de terceiros para análise de imagens pode expor dados sensíveis dos usuários, como hábitos alimentares e informações de saúde. A continuidade de negócios também é afetada: se um sistema crítico baseado em visão computacional falha, processos podem ser interrompidos ou gerar decisões erradas. Empresas devem implementar testes de robustez e validação contínua de modelos, além de planos de contingência para quando a IA não atinge a precisão esperada.
Leitura executiva da WSVP
A WSVP entende que a confiabilidade de sistemas de IA é um ativo estratégico. O estudo sobre apps de nutrição é um alerta para que empresas não assumam que modelos de IA são intrinsecamente precisos. Recomendamos uma abordagem de IA responsável, com auditorias regulares, diversificação de fontes de dados e transparência com os usuários sobre as limitações dos algoritmos. A subestimação de calorias pode ser corrigida com melhorias nos dados de treinamento, mas o problema subjacente – a falta de validação rigorosa – é comum em muitas aplicações empresariais. Invista em governança de dados e monitoramento de desempenho para mitigar riscos.
Recomendações práticas
- Audite seus modelos de IA: Realize testes periódicos com conjuntos de dados representativos para identificar vieses e imprecisões.
- Diversifique as fontes de dados: Garanta que os dados de treinamento cubram uma ampla variedade de cenários, evitando sub-representação de categorias críticas.
- Implemente explicabilidade: Utilize técnicas de IA explicável para entender como as decisões são tomadas e comunicar limitações aos stakeholders.
- Estabeleça planos de contingência: Para processos críticos, tenha alternativas manuais ou baseadas em regras que possam ser acionadas em caso de falha do modelo.
- Reforce a segurança dos dados: Proteja os dados de entrada e saída dos sistemas de IA, especialmente quando envolvem informações pessoais sensíveis.
- Comunique-se com transparência: Informe os usuários sobre as margens de erro e limitações dos sistemas, gerenciando expectativas e construindo confiança.
Fontes consultadas
- O Estado de S. Paulo - Aplicativos que avaliam refeição por foto podem subestimar calorias, aponta estudo
- WSVP - Análise de Governança de IA
Este rascunho foi produzido com apoio de inteligência artificial e ainda requer revisão humana antes da publicação.