Czy sztuczna inteligencja zastąpi dietetyka? Co mówią badania

AI w dietetyce jest dobrym kalkulatorem i słabym klinicystą. Chatbot ułoży jadłospis w kilkanaście sekund, rozpozna produkty na zdjęciu talerza z precyzją 93% i wypełni skalę przesiewową szybciej niż człowiek. Kiedy jednak trzeba zestawić dietę z listą leków albo rozstrzygnąć, co robić, gdy pacjent ma trzy choroby naraz, wyniki się sypią: w badaniu na 120 pacjentach szpitalnych ChatGPT przeoczył około trzech czwartych interakcji lekowych wychwyconych przez farmaceutów. Liczy się to, co da się sprawdzić — z liczbami, bez straszenia technologią i bez zachwytów nad nią.

Czy sztuczna inteligencja zastąpi dietetyka?

Nie, i piszą to wprost zespoły, które AI testowały. Cztery niezależne grupy badawcze, cztery różne metody, ten sam wniosek: nadzór człowieka jest warunkiem, nie ozdobą.

Autorzy oceny rad ChatGPT dla siedmiu chorób niezakaźnych zakończyli pracę zdaniem, że narzędzie „nie może zastąpić porady pracownika ochrony zdrowia mającego wiedzę o żywieniu“. Zespół, który zestawił trzy chatboty układające diety redukcyjne, napisał, że mają one „wzmacniać, a nie zastępować“ kompetencje dietetyków. Badacze oceniający generatory jadłospisów dla osób z chorobami przewlekłymi stwierdzili, że potrzebny jest „dodatkowy nadzór i prowadzenie przez specjalistów żywienia“. Grupa, która wygenerowała 108 jadłospisów, podsumowała, że AI daje „ogólną inspirację żywieniową“.

To powtarzalny wzór, nie asekuracja recenzentów: im bliżej arytmetyki, tym lepiej AI wypada; im bliżej decyzji klinicznej, tym gorzej.

Co AI w dietetyce robi naprawdę dobrze?

Zadania policzalne i powtarzalne. Im bardziej pytanie przypomina formularz, tym lepiej wypada algorytm.

W badaniu z 2026 roku porównano osiem modeli językowych wypełniających skalę przesiewową ryzyka odżywieniowego NRS-2002 na podstawie prawdziwej dokumentacji szpitalnej. Pięć z ośmiu przekroczyło 90% poprawnych ocen w klasyfikacji binarnej ryzyka, najlepszy osiągnął 99,16%, najsłabszy 69,26%. Ciekawszy od średniej jest rozkład błędów: punktacja albuminy wyszła w 100% u wszystkich modeli, wiek w 95–100%, a ciężkość choroby — jedyna podskala wymagająca wnioskowania — rozjechała się na 78,72–94,93%.

Praktycznie: przeliczyć przepis na inną liczbę porcji, zrobić listę zakupów, podpowiedzieć wariant obiadu bez pomidora — tak. Powiedzieć, co znaczą Twoje wyniki — nie.

Czy jadłospis wygenerowany przez chatbota jest kompletny odżywczo?

Kalorycznie zwykle się broni, mikroskładnikowo — nie. Braki są przewidywalne i powtarzalne, bo model dopina to, co łatwo policzyć.

W badaniu z 2024 roku wygenerowano 108 jadłospisów dwoma promptami, w wariantach z mięsem, wegetariańskim i wegańskim, i porównano je z normami odniesienia. Plany zawierały mniej energii i węglowodanów, niż zakładano, a białko przekraczało zalecenia. Witaminy D i fluoru zabrakło we wszystkich planach — bez wyjątku. W wersjach wegańskich brakowało witaminy B12, przy czym ChatGPT zasugerował suplement w 5 z 18 przypadków, a Bard w żadnym.

Drugie badanie, na trzech chatbotach układających diety redukcyjne w zakresie 1400–1800 kcal, pokazało inną lukę. Ogólna jakość diety wypadła dobrze, ale najniższe podskale dotyczyły akurat równowagi makroskładników i kwasów tłuszczowych. Gemini rozminął się z zadaną kalorycznością o ponad 20% w ponad połowie planów — przy 1500 kcal to rozjazd rzędu 300 kcal w jedną albo drugą stronę.

Czy AI policzy wartość posiłku ze zdjęcia?

Rozpozna, co leży na talerzu. Ile tego jest — już nie. Błąd siedzi w porcji, nie w nazwie produktu.

W badaniu z 2025 roku wgrano 114 zdjęć posiłków z prośbą o identyfikację produktów, oszacowanie masy i wyliczenie 16 składników. Rozpoznawanie wypadło dobrze: precyzja 93,0%, czułość 84,6%, F1 = 88,6%. Masa — nie. Zgodność była przyzwoita tylko dla małych posiłków (p = 0,221), a dla średnich i dużych już nie (p < 0,001). ChatGPT zaniżył masę na 76,3% zdjęć, przy średniej bezwzględnej różnicy 27,8%.

Tylko 4 z 16 składników zmieściły się w granicy ±10% od wartości rzeczywistych: energia, białko, węglowodany i wielonienasycone kwasy tłuszczowe. Jedenaście z szesnastu zostało zaniżonych. Na 38 zdjęciach porównano ChatGPT z siedmioma dietetykami: zgodność (ICC) wyniosła 0,56 dla energii, 0,67 dla białka i 0,31 dla węglowodanów.

Do zauważenia, że od tygodnia nie było na talerzu warzywa — wystarczy. Do liczenia wymienników węglowodanowych przy insulinoterapii — nie; to zostaje po stronie lekarza i edukatora.

Czy chatbot sprawdzi, czy dieta nie gryzie się z lekami?

Nie na poziomie, na którym można polegać. Ze wszystkich testów, jakim poddano modele językowe, wykrywanie interakcji wypada najgorzej — i akurat ten wynik waży najwięcej.

Badanie opublikowane w „British Journal of Clinical Pharmacology“ objęło 120 pacjentów szpitalnych przyjmujących co najmniej pięć leków — mediana wyniosła 11 leków, 287 różnych substancji, 11 698 par lekowych. Odpowiedzi ChatGPT porównano z oceną farmaceutów. Czułość wyniosła 0,064–0,160 dla pojedynczych promptów i 0,24 łącznie: model przeoczył około trzech czwartych interakcji. Swoistość przekroczyła 0,95, co brzmi dobrze tylko do momentu zestawienia jej z czułością — model prawie nic nie wskazywał, więc rzadko wskazywał źle. Zgodność z farmaceutami: κ 0,077–0,143, czyli praktycznie żadna. AUC około 0,5 — tyle, co rzut monetą.

Nowsza wersja nie zamknęła sprawy. W kohorcie 311 pacjentów oddziału intensywnej terapii ChatGPT-4.1 i ChatGPT-5 wskazały odpowiednio 8 i 10 interakcji wobec 22 wykrytych przez standardowe bazy danych. Autorzy zakończyli stwierdzeniem, że nadzór farmaceuty pozostaje niezbędny.

Zastrzeżenie należy się uczciwie: oba badania dotyczą interakcji lek–lek, nie lek–żywność. Mechanizm jest jednak ten sam — model rozpoznaje nazwy, a nie rozumie zestawienia. Jeśli nie radzi sobie z parą leków wypisanych obok siebie, założenie, że sam z siebie wyłapie grejpfrut przy statynie albo witaminę K w jadłospisie osoby na warfarynie, jest optymizmem bez pokrycia.

Co się dzieje, gdy chorób jest kilka naraz?

Odpowiedzi zaczynają sobie przeczyć. Jedna jednostka chorobowa to dla AI zadanie encyklopedyczne; dwie naraz to zadanie kliniczne.

W badaniu opublikowanym w „Nutrients“ zestawiono rady ChatGPT dla siedmiu chorób z międzynarodowymi wytycznymi. Trafność wahała się od 55,5% przy sarkopenii do 73,3% przy stłuszczeniowej chorobie wątroby. Wprost sprzecznych z wytycznymi rad było tylko dwie — brzmi to spokojnie.

Spokój kończy się przy pacjencie z kilkoma rozpoznaniami. Dla hipotetycznego przypadku z cukrzycą typu 2, otyłością i przewlekłą chorobą nerek model jednocześnie zalecił oparcie diety na chudym białku, żeby chronić mięśnie, i ograniczenie białka ze względu na nerki. Pominął potas i fosfor. Nie zróżnicował zaleceń według stadium choroby nerek. Autorzy podsumowali, że narzędzie „nie może zastąpić porady pracownika ochrony zdrowia mającego wiedzę o żywieniu“.

Pacjent z kilkoma rozpoznaniami naraz to nie przypadek brzegowy, tylko typowy poniedziałek w gabinecie.

Dlaczego ta sama aplikacja odpowiada raz tak, raz inaczej?

Bo model losuje kolejne słowa. Powtarzalność, która w kalkulatorze jest oczywista, w chatbocie jest ustawieniem.

W badaniu na oddziale intensywnej terapii ChatGPT-5 powtórzył ten sam wynik tylko w 68% przebiegów na tych samych danych. W porównaniu ośmiu modeli wypełniających skalę NRS-2002 zgodność wewnętrzna sięgała od κ = 0,99 (GPT-5, DeepSeek-R1-671B) do κ = 0,69 przy najmniejszym z testowanych modeli.

To nie usterka do naprawienia w kolejnej aktualizacji, tylko sposób działania: model przewiduje kolejne słowa z rozkładu prawdopodobieństwa. Konsekwencja jest prozaiczna — dwie osoby z identycznym opisem mogą dostać dwa różne plany, i ta sama osoba pytająca dwa razy również.

Czy badania o AI w dietetyce są wiarygodne?

Umiarkowanie. Kłopotem tej literatury nie są wyniki, tylko to, że rzadko da się je odtworzyć.

Przegląd systematyczny opublikowany w 2025 roku w „JAMA Network Open“ objął 137 badań nad poradami zdrowotnymi chatbotów, przesianych z 7752 prac. 65,0% z nich (89 na 137) oceniało odpowiedzi wyłącznie opinią samych badaczy, bez wzorca odniesienia. Wersję modelu w pełni opisało 0,7% — jedno badanie na 137. Ponad jedna czwarta (36 na 137) nie podała o modelu nic. Sposobu testowania promptów nie opisało 99,3% prac. Kwestie etyczne poruszyło 32,8% badań, bezpieczeństwo pacjenta 32,1%, luki regulacyjne 16,1%.

Praktyczne tłumaczenie: nagłówek „badanie pokazało, że AI dorównuje dietetykom“ opisuje najczęściej model, którego już nie ma, sterowany promptem, którego nie podano, oceniony wobec opinii autorów.

Czy AI zna polskie normy żywienia?

Zwykle liczy według norm zagranicznych. Punkt odniesienia z innego kraju to nie zaokrąglenie, tylko inne zalecenie.

Badanie 108 jadłospisów oceniało je wobec amerykańskich norm DRI, bo to do nich modele domyślnie się odnoszą. W Polsce obowiązują Normy żywienia dla populacji Polski, których nową edycję NIZP PZH-PIB opublikował 31 grudnia 2024 r. Zmieniły się normy na energię, białko i tłuszcz, zaktualizowano normy na biotynę oraz na jod dla niemowląt, a normy na molibden opracowano po raz pierwszy. Poprzednia edycja pochodziła z 2020 roku.

Model wytrenowany głównie na anglojęzycznym internecie nie ma powodu ich znać. Jeśli używasz chatbota do liczenia, zapytaj wprost, na jakich normach opiera odpowiedź — i sprawdź, czy wskazana publikacja w ogóle istnieje.

Kto odpowiada, jeśli rada z aplikacji zaszkodzi?

Zwykle nikt. Człowiek udzielający porady ma nad sobą przepisy; aplikacja ma regulamin, w którym producent zwykle odpowiedzialność wyłącza.

Ustawa z 17 sierpnia 2023 r. o niektórych zawodach medycznych (Dz.U. 2023 poz. 1972), obowiązująca od 26 marca 2024 r., objęła dietetyków w ograniczonym zakresie: tych, którzy planują diety, prowadzą konsultacje dietetyczne i udzielają porad edukacyjnych w ramach świadczeń gwarantowanych finansowanych ze środków publicznych. W tym zakresie za zawinione naruszenie przepisów grozi odpowiedzialność zawodowa — od upomnienia po pozbawienie prawa wykonywania zawodu na 10 lat.

Po stronie oprogramowania jest luka i producenci o niej wiedzą. Przegląd opublikowany w „JMIR Medical Informatics“ (34 przeanalizowane prace) opisuje, że mniejsi wytwórcy pozycjonują swoje produkty jako urządzenia „zdrowia i dobrostanu“, żeby uniknąć rygorystycznego nadzoru regulacyjnego. Próg wyznacza deklarowany cel: to, co producent nazwie narzędziem do dobrego samopoczucia, nie wchodzi na ścieżkę wyrobu medycznego. Nazwa w opisie aplikacji jest więc decyzją prawną, nie marketingową.

Czego algorytm nie zobaczy?

Tego, o co nie pyta. Aplikacja licząca kalorie nie odróżni dyscypliny od choroby, bo nie zbiera danych, które je odróżniają.

Osoba, która codziennie schodzi do 1200 kcal, waży każdy gram, przestała jeździć na obiady do rodziców i sprawdza aplikację cztery razy dziennie, w statystykach narzędzia wygląda wzorowo: seria nieprzerwana, cel dowieziony, powiadomienie z gratulacjami. W gabinecie ten sam opis jest sygnałem, żeby zwolnić i zapytać o rzeczy, których nie ma w polu „waga“: ile czasu zajmuje myślenie o jedzeniu, co się dzieje po złamaniu własnej zasady, czy zniknęła miesiączka, ile zostało z życia towarzyskiego.

Rzecz nie w tym, że model nie rozpoznałby opisu zaburzenia odżywiania — nikt mu takiego opisu nie podaje, bo aplikacja o to nie pyta. A co do samych chatbotów w zaburzeniach odżywiania: przegląd z 2025 roku stwierdza, że dowodów jest za mało, by rozstrzygnąć, czy poprawiają wyniki leczenia, obniżają nasilenie objawów albo pomagają we wczesnym wykrywaniu.

Kiedy iść do lekarza, a nie do aplikacji?

Zawsze, gdy w grę wchodzi rozpoznanie, lek albo objaw, który się zmienia. Dietetyk nie leczy, a aplikacja nie bada.

• niezamierzona utrata masy ciała, krew w stolcu, zaburzenia połykania, uporczywy ból brzucha, gorączka
• nieprawidłowe wyniki, których nie umiesz zinterpretować — TSH, ferrytyna, glukoza, lipidogram, kreatynina
• każda zmiana dawki lub odstawienie leku — nigdy na podstawie odpowiedzi chatbota
• ciąża i karmienie, dzieci, choroba nerek lub wątroby, choroba nowotworowa, stan po operacji
• podejrzenie zaburzeń odżywiania u siebie albo u bliskiej osoby
• duszność, obrzęk warg lub języka, pokrzywka po jedzeniu — to sytuacja pilna

Najczęstsze pytania o AI w dietetyce

Czy AI ułoży mi dietę odchudzającą?

Ułoży coś, co wygląda jak dieta odchudzająca. Ogólna jakość wypada nieźle, precyzja kaloryczna — fatalnie.

W porównaniu trzech chatbotów jeden z nich rozminął się z zadaną kalorycznością o ponad 20% w ponad połowie planów. Najsłabsze podskale dotyczyły rozkładu makroskładników i kwasów tłuszczowych — czyli tego, co odróżnia dietę od listy produktów.

Czy dietetyk korzysta z AI?

Coraz częściej — do liczenia, nie do myślenia. Narzędzie skraca arytmetykę; wywiad, wyniki i decyzję zostawia człowiekowi.

Academy of Nutrition and Dietetics oraz American Society for Nutrition powołały wspólny zespół zadaniowy do spraw sztucznej inteligencji i w 2026 roku wydały przewodnik po AI i uczeniu maszynowym dla praktyków dietetyki.

Czy mogę wkleić chatbotowi swoje wyniki badań?

Możesz, tylko najpierw sprawdź, co się z nimi stanie. Wyniki badań to dane o zdrowiu, czyli najwrażliwsza kategoria danych osobowych.

Zajrzyj do regulaminu: czy rozmowy służą do trenowania modelu, kto ma do nich dostęp, jak długo są przechowywane. Darmowe narzędzie z czegoś się utrzymuje. Osobna sprawa: chatbot i tak nie zestawi wyników z Twoim leczeniem i wywiadem, więc korzyść jest mniejsza, niż się wydaje.

Czy nowsza wersja modelu rozwiąże te problemy?

Częściowo — i akurat nie te, na których najbardziej zależy. Postęp jest szybki tam, gdzie się liczy, i wolny tam, gdzie trzeba wnioskować.

W badaniu na oddziale intensywnej terapii najnowsza testowana wersja ChatGPT nadal wskazała 10 interakcji wobec 22 wykrytych przez standardowe bazy, a ten sam wynik powtórzyła tylko w 68% przebiegów na identycznych danych.

Piśmiennictwo

1. Ponzo V, Goitre I, Favaro E, Merlo FD, Mancino MV, Riso S, Bo S. Is ChatGPT an effective tool for providing dietary advice? Nutrients. 2024;16(4):469. PMID: 38398794. PMC
2. Hieronimus B, Hammann S, Podszun MC. Can the AI tools ChatGPT and Bard generate energy, macro- and micro-nutrient sufficient meal plans for different dietary patterns? Nutr Res. 2024;128:105–114. PMID: 39102765. PubMed
3. Kaya Kaçar H, Kaçar ÖF, Avery A. Diet quality and caloric accuracy in AI-generated diet plans: a comparative study across chatbots. Nutrients. 2025;17(2):206. PMID: 39861336. PubMed
4. 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. PMID: 40004936. PMC
5. Radha Krishnan RP, Hung EH, Ashford M, Edillo CE, Gardner C, Hatrick HB, Kim B, Lai AWY, Li X, Zhao YX, Raubenheimer JE. Evaluating the capability of ChatGPT in predicting drug-drug interactions: real-world evidence using hospitalized patient data. Br J Clin Pharmacol. 2024;90(12):3361–3366. PMID: 39359001. PubMed
6. Azmakan H, Hashemian F. ChatGPT-5 for drug-drug interaction detection in the intensive care unit: a real-world cohort study on large language model advances and implications for clinical pharmacists. J Am Pharm Assoc. 2026;103019 (publikacja elektroniczna przed drukiem). PMID: 41506371. PubMed
7. Huo B, Boyle A, Marfo N i wsp. Large language models for chatbot health advice studies: a systematic review. JAMA Netw Open. 2025;8(2):e2457879. PMID: 39903463. PMC
8. Gu SY, Yao D, Yao Y, Cen XX, Yuan JY. Evaluation of large language models in nutrition risk screening: a comparative analysis across 8 LLMs based on real-world EHR datasets. BMC Med Inform Decis Mak. 2026;26(1):45. PMID: 41547822. PMC
9. Papastratis I, Stergioulas A, Konstantinidis D, Daras P, Dimitropoulos K. Can ChatGPT provide appropriate meal plans for NCD patients? Nutrition. 2024;121:112291. PMID: 38359704. PubMed
10. Murofushi K, Thomas D, Dhakal S i wsp. Artificial intelligence and machine learning resource guide: the Academy of Nutrition and Dietetics and the American Society for Nutrition Joint Taskforce for Artificial Intelligence. J Acad Nutr Diet. 2026:156320. PMID: 41925651. PubMed
11. Svempe L. Exploring impediments imposed by the Medical Device Regulation EU 2017/745 on software as a medical device. JMIR Med Inform. 2024;12:e58080. PMID: 39235850. PMC
12. Toklu Baloğlu H. Effect of ChatGPT use on eating disorders and body image. World J Psychiatry. 2025;15(8):107122. PMID: 40837789. PubMed
13. Normy żywienia dla populacji Polski. Narodowy Instytut Zdrowia Publicznego PZH — Państwowy Instytut Badawczy; 2024. NIZP PZH-PIB
14. Ustawa z dnia 17 sierpnia 2023 r. o niektórych zawodach medycznych (Dz.U. 2023 poz. 1972); zakres dotyczący dietetyków i odpowiedzialności zawodowej omówiony w: prawo.pl