meal metrics ai

der ursprung

es begann mit massimo botturas tortellini in crema di parmigiano. ich liebe das kochen, nicht das meal prep, sondern die drei-stunden-an-einem-gericht-art, bei der der prozess so sehr zählt wie der teller, und ich tracke außerdem alles, was ich esse, nicht aus verzicht, sondern aus neugier, denn langlebigkeit hat weniger mit entbehrung zu tun als mit dem verständnis dessen, was man tatsächlich in seinen körper steckt. da stand ich also mit diesem schönen ding, handgefaltete tortellini, eine creme aus gereiftem parmigiano, ein hauch muskat, wollte es einfach nur protokollieren, und lief gegen eine wand. das rezept sagte „eine großzügige handvoll parmigiano“. wie viel ist großzügig, dreißig gramm oder achtzig? „die sahne einkochen, bis sie den löffel überzieht“, also wie viel sahne ist überhaupt noch übrig? die füllung war mortadella, prosciutto und schweinerücken in verhältnissen, die niemand aufgeschrieben hatte. ich verbrachte eine stunde damit, die makros eines gerichts zurückzurechnen, das ich gerade drei stunden lang perfektioniert hatte. ich konnte ein rezept auf michelin-niveau ausführen und konnte den proteingehalt nicht auf zwanzig gramm genau nennen, und das ist kein einmaliges problem. es passiert jedem, der sich weigert, zwischen gut essen und informiert essen zu wählen.

die zahlen gehen nicht auf, im wörtlichen sinn

der frust schickte mich in ein kaninchenloch, und je tiefer ich kam, desto schlimmer wurde es. eine halbe milliarde menschen folgt fitness-inhalten auf instagram, es gibt milliarden rezeptvideos auf youtube, tiktok und instagram, und die usda-lebensmitteldatenbank hält mehr als vierhunderttausend einträge, doch es gibt keine standardisierte art, irgendetwas davon mit irgendetwas anderem zu verbinden. die rezepte selbst versuchen es kaum. „ein schuss olivenöl“ ist irgendwo zwischen fünf und dreißig milliliter, was der unterschied zwischen nichts und 240 kalorien ist; „großzügig würzen“ ist ein achselzucken; „einkochen, bis es dick wird“ verbirgt eine veränderung der konzentration um dreißig bis fünfzig prozent. dann kommt der teil, den die meisten tracker komplett ignorieren, nämlich dass die garmethode die zahlen neu schreibt. eine im korean journal for food science of animal resources veröffentlichte arbeit fand, dass kochen statt braten beim hähnchen das tatsächlich aufgenommene protein um knapp ein viertel senken kann, weil das protein direkt ins wasser übergeht. eine entscheidung am herd, ein zweistelliger ausschlag in den makros.

ernährung ist ein graph-problem, kein datenbank-problem

ich komme aus dem design, also sehe ich eher das system als den bildschirm, und was ich immer wieder sah, ist, dass ernährung eigentlich gar kein datenbank-problem ist. es ist ein graph-problem. ein kalorienzähler denkt „100 g hähnchenbrust sind 31 g protein“ und hält das für erledigt, aber so verhält sich essen nicht. die usda kann mir sagen, dass hundert gramm parmigiano etwa sechsunddreißig gramm protein enthalten; sie kann mir nicht sagen, wie viel parmigiano in der pfanne landet, wenn das rezept „eine großzügige handvoll“ sagt, oder was aus der sahne wird, nachdem sie eingekocht ist, oder wie sich das gewicht der pasta verschiebt, während sie wasser zieht. eine datenbank speichert fakten isoliert. ein graph speichert beziehungen, zwischen einer zutat, ihrer zubereitung, der methode, die sie gart, und der nährung, die am anderen ende herauskommt. es ist der unterschied zwischen „was ist hähnchenbrust“ und „was passiert mit hähnchenbrust, wenn ich sie brate statt koche, und wie ändert sich das, wenn ich sie vorher mariniere“. das problem waren nie die fehlenden daten. es waren die fehlenden verbindungen.

die chemie darunter

der grund, warum diese lücke zählt, ist chemie. protein beginnt um vierzig grad zu denaturieren, was es verdaulicher machen kann, unter langer hitze aber auch quervernetzen und etwas bioverfügbarkeit verlieren lässt. die maillard-reaktion, die einen braten über hundertvierzig grad bräunt, schmeckt wunderbar und verbraucht still einen teil der aminosäuren, die sie berührt. wasserlösliche nährstoffe gehen in die flüssigkeit über, die sie umgibt, was genau der grund ist, warum gekochtes hähnchen leichter an protein herauskommt als gebratenes, mit rund 77 prozent gegen 100 prozent, wenn man die brühe nicht mittrinkt. fettlösliche vitamine laufen andersherum, ein wenig öl in der pfanne macht die vitamine im gemüse also verfügbarer, als es roh zu essen. all das ist der grund, warum „100 g hähnchen sind 31 g protein“ nicht bloß ungenau ist, sondern die falsche form von antwort. die methode ist teil der gleichung.

die architektur

meal metrics verwandelt beliebige rezeptinhalte in drei schritten in strukturierte nährung. zuerst nimmt es die quelle auf, ob blogbeitrag, kochbuch-scan, instagram-bildunterschrift oder kochvideo, parst text direkt, lässt ocr über bilder laufen und transkribiert audio mit whisper. dann kommt der harte mittelschritt, die zutaten-auflösung, wo aus „einer handvoll spinat“ „dreißig gramm roher spinat“ werden muss, mit einem ehrlichen konfidenzwert daran, indem es aus dem kontext schließt, dass ein smoothie roh und gepresst bedeutet, eine pastasauce dagegen gedünstet, und indem es lernt, dass eine cup für einen amerikaner 240 milliliter sind und für alle im metrischen system 250. zuletzt fragt es einen wissensgraphen ab, in neo4j über zehntausende zutaten und ein paar hundert garmethoden gebaut, der nährstoff-retentionskoeffizienten aus begutachteter forschung hält.

diese letzte schicht ist es, wo das ganze seinen namen verdient, denn sie kann eine frage beantworten, die eine nachschlagetabelle nicht kann. fragt man, was passiert, wenn man das hähnchen brät statt es zu kochen, rät der graph nicht, er rechnet aus veröffentlichten koeffizienten:

gebratenes hähnchen hält mehr protein als gekochtes, was direkt gegen die küchenweisheit läuft, kochen sei die „gesunde“ option. trinkt man die brühe nicht mit, verliert man still und leise knapp ein viertel des proteins, das man zu essen glaubte. die extraktion, die den graphen speist, läuft auf claude, mit dem schnellen parsing auf haiku 4.5 und der mehrdeutigen interpretation auf sonnet 4.6, und sie stützt sich auf schema-gebundene structured outputs, sodass das zurückgegebene json gültig ist, weil es so gebaut ist, nicht durch hoffnungsvolles nachprobieren. jeder wert trägt einen konfidenzwert, denn ein system, das rät, sollte wenigstens ehrlich sein, dass es rät.

wo es steht

öffentlich gebaut, halb fertig. das zutaten-parsing trifft die kernfelder, name, menge und einheit, derzeit etwa zu 84 prozent richtig, und die fehlenden sechzehn prozent sind nicht zufällig: sie häufen sich bei mehrdeutigen markenangaben wie „proteinpulver“ ohne spezifikation, bei regionalen begriffen wie aubergine gegen eggplant, bei wirklich neuen zutaten wie cauliflower rice und zoodles und bei unklaren zubereitungszuständen wie „gekochtes hähnchen“, das nie sagt, ob gekocht oder gebraten. das tiefste offene problem ist nicht die speicherung, es ist die bedeutung, der sprung von „knoblauch nach geschmack“ zu einer echten zahl, der von der küche und dem rest des gerichts abhängt und eigentlich eine probabilistische schicht über dem graphen verlangt. der lange schwanz der garmethoden, sous vide und schnellkochen und fermentation, hat schlicht keine systematischen veröffentlichten daten. und das system ist nur auf englisch, was weniger ein übersetzungs- als ein kulturproblem ist, denn der deutsche „quark“ hat kein sauberes englisches gegenstück, und eines zu erzwingen wäre seine eigene art von fehler.

die grenzen

ich nenne die harten teile lieber, als sie später auftauchen zu lassen. 84 prozent sind in ordnung, um das abendessen zu tracken, und nicht in ordnung für die medizinische ernährungstherapie, wo eine nieren- oder diabetes-diät klinisch belastbare zahlen braucht, die dieses system nicht vorgibt zu liefern, weshalb es seine unsicherheit benennt, statt sie zu verstecken. es arbeitet mit bevölkerungsdurchschnitten, während die echte aufnahme mit darmmikrobiom, genetik und medikamenten schwankt. und es gibt eine ethische kante, die schwerer wiegt als die technischen: forschung hat kalorienzähl-apps mit gestörtem essverhalten in verbindung gebracht, eine studie fand, dass eine mehrheit der nutzer mit einer essstörung das gefühl hatte, die app habe dazu beigetragen. das prägt das design direkt. keine streaks, keine badges, keine rot-grüne moralische bewertung einer mahlzeit, kein einordnen von essen als gut oder schlecht nach seinen zahlen, und klare ausstiege, wenn das nutzungsmuster bedenklich zu werden beginnt. ein werkzeug, das beeinflusst, was menschen essen, trägt verantwortung, und etwas anderes zu behaupten wäre das eigentliche versagen.

worum es geht

ernährung war nie wirklich ein datenproblem, sie ist ein beziehungsproblem, und wir haben jahrelang die fakten gespeichert und die verbindungen zwischen ihnen weggeworfen. die umfassenden datenbanken existieren, die bioverfügbarkeits-forschung existiert, die milliarden rezeptvideos existieren, und keines weiß vom anderen. meal metrics ist das bindegewebe, ein graph, der essen so liest, wie kochen sich tatsächlich verhält, zutat zu zubereitung zu methode zu ergebnis, statt als flache zahlentabelle. es trifft die kernfelder heute etwa zu 84 prozent und bleibt ehrlich über den rest, und der weg davor ist echte forschung: die mehrdeutigkeit der messung, der lange schwanz der garmethoden, eine ontologie, flexibel genug, tofu je nach fragestellung protein oder gemüse zu nennen, und mehr sprachen. ich habe das gericht geliebt, mit dem alles anfing. ich wollte nur wissen, was drin war, und das war am ende das schwierigere rezept.

quellen

1. USDA Agricultural Research Service. (2024). FoodData Central.
2. Oz, F., Aksu, M.I. & Turan, M. (2017). A Comparison of the Essential Amino Acid Content and the Retention Rate by Chicken Part according to Different Cooking Methods. Korean Journal for Food Science of Animal Resources, 37(5), 739-749.
3. Deng, Y. et al. (2022). Applications of knowledge graphs for food science and industry. Patterns, 3(5), 100484.
4. Haussmann, S. et al. (2019). FoodKG: A Semantics-Driven Knowledge Graph for Food Recommendation. ISWC 2019.
5. FoodOn Consortium. (2024). FoodOn: A farm-to-fork ontology.
6. Anthropic. (2026). Structured Outputs Documentation.
7. Anthropic. (2026). Claude Model Cards.
8. Radford, A. et al. (2023). Robust Speech Recognition via Large-Scale Weak Supervision (Whisper). ICML 2023.
9. Chia, Y.K. et al. (2022). Enhancing Food Ingredient Named-Entity Recognition with a Recurrent Network-Based Ensemble (RNE) Model. Applied Sciences, 12(20), 10310.
10. Palermo, M. et al. (2014). The effect of cooking on the nutritional quality of vegetables and legumes. International Journal of Gastronomy and Food Science, 3, 2-11.
11. Rinaldi, M. et al. (2022). Cooking at home to retain nutritional quality and minimise nutrient losses. Trends in Food Science & Technology, 126, 227-241.
12. Levinson, C.A. et al. (2017). My Fitness Pal calorie tracker usage in the eating disorders. Eating Behaviors, 27, 14-16.
13. Neo4j, Inc. (2024). Neo4j Graph Database Documentation.
14. Bai, Y. et al. (2022). Constitutional AI: Harmlessness from AI Feedback. arXiv:2212.08073.

last updated: Jun 2026