Künstliche Intelligenz in der Nährwertberechnung

Zunächst fragten wir ChatGPT, ob es grundsätzlich Nährwerte für eine Nährwertkennzeichnung berechnen kann und baten es, dies am Beispiel einer Müslimischung zu tun.

Die Selbsteinschätzung:
„ChatGPT kann beim Rechnen helfen, ist aber nicht verlässlich genug, um Nährwertkennzeichnungen eigenständig rechtskonform zu erstellen. Es eignet sich als Hilfs- und Kontrollwerkzeug, nicht als alleinige Grundlage.“

ChatGPT denkt…
Es ist sehr spannend, ChatGPT beim „Denken“ zuzusehen. Auffallend ist, dass ChatGPT hauptsächlich auf US-Nährwertdaten zugreift, vor allem auf jene aus der USDA. Manche Lebensmittel werden dementsprechend nicht exakt gefunden (z.B. „Dinkelflocken“). In derartigen Fällen werden ähnliche, aber weitgehend plausible Einträge herangezogen (z.B. „Dinkelkorn“). Orangenöl wird ebenfalls nicht gefunden, jedoch vernachlässigt, weil die Einsatzmenge so klein ist. Auch das ist plausibel.

Der Zeitfaktor
ChatGPT benötigt über fünf Minuten für die Berechnung. Sofern die Zutaten in der Nährwertdatenbank vorhanden sind, dauert die Berechnung in nut.s für Geübte auch nicht länger.

Fett-, Eiweiß-, Energie- und Salzgehalt sind sehr ähnlich in beiden Berechnungen. Spannend ist, dass die Energie beinahe übereinstimmt, obwohl es bei den Kohlenhydraten große Unterschiede, sogar außerhalb des Toleranzbereiches der Kennzeichnung, gibt. Die Angaben, die ChatGPT hier liefert, sind in sich nicht konsistent. Wäre die angegebene Menge an Kohlenhydraten enthalten, müsste das Müsli laut hier geltender Lebensmittelinformationsverordung deutlich mehr Kilokalorien liefern. Derart gekennzeichnete Nährwerte wären hierzulande schlichtweg falsch und würden beanstandet.

In den USA sind Ballaststoffe anders definiert und werden den Kohlenhydraten zugeordnet. Korrigiert man den Kohlenhydratgehalt um die Ballaststoffe, erhält man plausible Nährwerte.

Um derartige Diskrepanzen zu vermeiden, wird ChatGPT aufgefordert, mit Nährwertdaten aus Deutschland und Österreich zu arbeiten. Daraufhin werden hauptsächlich Daten aus dem Bundeslebensmittelschlüssel BLS verwendet, welcher eine anerkannte Nährwertdatenbank darstellt, zum Teil wird aber auch auf weniger wissenschaftliche Quellen wie „naehrwertrechner.de“ zurückgegriffen. Dennoch liegt die Berechnung mit diesen Daten sehr nah an jener von nut.s und im Rahmen der rechtlichen Toleranzgrenzen.

Als Nächstes wollten wir wissen, wie die Datenqualität außerhalb der Big 7 einzuschätzen ist und haben einige Mikronährstoffe sowie die Ballaststoffe stichprobenartig berechnen lassen.

Einige Nährwerte (Folsäureäquvivalente, Magnesium, Iodid, Eisen, Calcium) liegen sehr nah an der nut.s Berechung. Bei anderen Nährwerten gibt es deutliche Unterschiede, von -42% bei Vitamin B6 bis +46% bei Vitamin C. Auch für Selen wurde ein Wert berechnet, obwohl dieser Nährstoff aktuell nicht im BLS und der ÖNWT angeführt ist. Als Quelle wird oft „nährwertrechner.de“ angegeben, was keine rechtlich anerkannte Datenbank darstellt. Die Zuverlässigkeit der Daten ist damit fragwürdig.

Problematisch ist jedenfalls die Abweichung von 25% beim Ballaststoffgehalt. Damit ist der Wert deutlich niedriger als der in nut.s berechnete und liegt damit auch außerhalb des rechtlichen Toleranzbereiches der Nährwertkennzeichnung.

Nach EU-Recht sind bestimmte nährwertbezogene Angaben (z.B. Quelle von Ballaststoffen oder Hoher Gehalt an Eisen) zulässig, wenn das Produkt die entsprechenden Bedingungen (meist ein Mindestgehalt der Nährstoffe pro 100g) erfüllt. Wir fragten ChatGPT, welche Nutritional Claims für die Müslimischung möglich wären. Die Claims in Bezug auf „Hoher Gehalt an…“ stimmen weitgehend mit den Analysen von nut.s überein. In einigen Fällen wäre laut nut.s jedoch auch der Claim „Quelle von…“ möglich. Auch die von ChatGPT errechneten Werte würden diese Claims weitgehend erlauben, ChatGPT weist diese aber nicht als solche aus.
Spannend ist auch, dass bei dieser erneuten Auswertung des Rezeptes ChatGPT nun im Vergleich zur letzten Berechnung deutlich abweichende Proteinwerte angibt und damit kein Claim möglich wäre.

Nachdem es in Haushaltsrezepten oft vorkommt, dass keine eindeutigen Mengenangaben angegeben sind, wollen wir wissen, wie ChatGPT mit unklar definiteren Portionsgrößen umgeht und ließen folgendes Rezept von Spaghetti mit Gemüsesugo berechnen. Hier wählt ChatGPT plausible Portionsgrößen, Gewürze werden allerdings vernachlässigt, was bei der Nährwertberechnung vor allem bei Salz problematisch ist.

Zu guter Letzt wollten wir wissen, wie ChatGPT Zubereitungsverluste berücksichtigt und lassen ein Rindergulasch sowie die Nudeln mit Gemüsesugo entsprechend berechnen.

ChatGPT greift für die Yieldfaktoren auf amerikanische Daten zu, kommt damit aber auf sehr ähnliche Ergebnisse wie wir bei der Berechnung mit nut.s. Nährstoffverluste (Retentionsfaktoren) werden anfangs allerdings gar nicht, sondern erst auf ausdrückliche Anweisung berücksichtigt.