Dans cet article Dans cet article
Photographier son assiette pour savoir ce qu’elle contient est devenu un geste banal. L’opération prend deux secondes, ne demande aucune saisie, et renvoie un chiffre net qui a tout l’air d’une mesure. Des chercheurs américains viennent de comparer ce chiffre à la réalité, et l’écart moyen atteint 345 kcal par repas dans le pire des cas observés.
Ces applications reposent sur une chaîne technique simple à décrire. Un modèle de reconnaissance d’image identifie les aliments présents sur la photo, estime la taille des portions, puis croise le tout avec une base de données nutritionnelle. Le résultat s’affiche sans marge d’erreur, sans intervalle de confiance, avec la même autorité qu’une balance de cuisine. Le procédé illustre une tendance plus large de l’IA grand public : transformer une estimation probabiliste en réponse unique et rassurante.
La question posée par cette étude dépasse largement le contenu d’une assiette : que vaut un chiffre produit par une IA qui ne dit jamais qu’elle hésite ?
Un protocole qui ne laisse pas de place au doute
L’équipe a travaillé dans un cadre rarement disponible pour ce type de test. Les repas provenaient d’une cuisine métabolique du centre clinique des Instituts nationaux de la santé américains, où chaque ingrédient est pesé au dixième de gramme près. La composition réelle de chaque plat était donc connue avant la moindre photo.
Les chercheurs ont ensuite photographié 102 repas dans des conditions standardisées, puis soumis ces images à quatre applications grand public : MyFitnessPal, LoseIt!, CalAI et Appediet. Aucune correction manuelle n’a été apportée, afin de mesurer exactement ce que l’utilisateur obtient quand il se contente de photographier.
Le travail a été présenté le 25 juillet 2026 lors du congrès NUTRITION 2026, à National Harbor dans le Maryland, par Olivia Charles, chercheuse au National Institute of Diabetes and Digestive and Kidney Diseases. Les résultats restent préliminaires : ils n’ont pas encore franchi l’étape de la relecture par les pairs, une réserve que les auteurs affichent eux-mêmes.
Un tiers du repas qui disparaît
Les écarts relevés ne relèvent pas de l’imprécision marginale, ils changent la nature même de l’information rendue. Voici ce que la comparaison a produit sur l’ensemble des quatre applications testées.
- l’estimation calorique était inférieure de 250 à 345 kcal par repas en moyenne ;
- les lipides étaient sous-évalués d’environ 30 g ;
- calories et lipides se retrouvaient tous deux minorés d’à peu près un tiers ;
- les glucides ressortaient avec des estimations nettement plus stables que les autres macronutriments.
Le sens de l’erreur mérite attention. Les applications ne se trompent pas dans les deux directions de façon aléatoire, elles minorent systématiquement le contenu de l’assiette, ce qui produit un biais et non un simple bruit statistique.
MyFitnessPal et LoseIt! s’en sortaient d’ailleurs mieux sur les repas les plus caloriques que sur les plus légers. Le modèle semble donc plus à l’aise avec les portions généreuses et visibles qu’avec les compositions discrètes.
Ce que l’IA voit, et ce qu’elle devine
Une photographie ne renseigne ni sur la matière grasse absorbée pendant la cuisson, ni sur la densité réelle d’un aliment, ni sur ce qui se trouve sous la surface visible. Le modèle comble ces trous par une moyenne apprise sur des millions d’images, et cette moyenne devient le chiffre affiché à l’écran sans la moindre mention de son incertitude.
Les personnes qui utilisent une application photo sans ajuster les portions ni saisir les quantités devraient prendre les résultats avec des pincettes. Ces applications ont tendance à sous-estimer les calories, en particulier celles issues des lipides, et ce qu’elles ont réellement mangé est probablement supérieur à ce que l’application affiche.
Aaron Hengist, chercheur postdoctoral au National Institute of Diabetes and Digestive and Kidney Diseases, dans le communiqué de l’American Society for Nutrition publié le 26 juillet 2026
Le chercheur souligne un autre point rarement dit. Aucune évaluation indépendante sérieuse n’avait été menée sur ces outils jusqu’ici, alors qu’ils comptent parmi les applications les plus téléchargées de leurs catégories respectives depuis plus de dix ans.
Le gras, angle mort du modèle
Une seconde salve de tests a porté sur plus de 200 repas supplémentaires, dans le but d’isoler les facteurs qui dégradent la précision. Les plats issus d’un régime cétogène, riches en lipides et pauvres en glucides, ressortent comme les plus mal évalués de tout l’échantillon.
L’explication tient sans doute à la nature même de l’image. Un gramme de lipides ne se voit pas : il imprègne, il enrobe, il se dissout dans une préparation. Un modèle entraîné sur des apparences rate donc précisément ce qui pèse le plus lourd sur le plan énergétique.
Une confiance qui ne se construit pas dans le produit
Cette étude arrive dans une séquence où les défaillances de l’IA appliquée sortent une à une du laboratoire. Le mois de juillet a vu un litige opposant 26 anciens salariés à leur employeur autour d’un système automatisé mal calibré, et le mécanisme en cause y était rigoureusement le même : une estimation présentée comme un fait.
Le cadre réglementaire avance de son côté, mais sur d’autres terrains. Le durcissement européen prévu le 2 août vise en priorité les modèles à usage général et les systèmes à haut risque, là où une application de suivi alimentaire échappe largement au filet réglementaire.
Le décalage n’a rien d’anodin. Les outils qui touchent le plus grand nombre au quotidien sont rarement ceux que les textes surveillent, et l’alerte lancée début juillet sur le retard des États décrit exactement cette zone grise. Une application téléchargée par des millions de personnes reste juridiquement un simple outil de confort, quelle que soit la confiance que ses utilisateurs lui accordent.
Ce que ces 345 calories disent du reste
Un chiffre affiché sans intervalle de confiance n’est pas une mesure, c’est une opinion habillée en donnée. Les chercheurs suggèrent d’ailleurs de croiser ces outils avec des méthodes classiques plutôt que de les remplacer, ce qui revient à leur rendre leur statut d’estimation. Une application qui afficherait 620 kcal plus ou moins 200 serait moins élégante, et nettement plus honnête.
Le vrai chantier des prochaines années se joue peut-être là, dans la manière dont ces interfaces communiquent leur propre incertitude. Une IA qui saurait dire qu’elle ne sait pas vaudrait plus cher qu’une IA qui répond toujours, et la prochaine génération d’assistants domestiques, médicaux ou financiers se jugera sur ce détail-là bien avant de se juger sur sa puissance.
