L’intelligence artificielle peut-elle vraiment analyser votre assiette?
Imaginez la scène.
Vous déposez votre assiette sur la table, vous prenez une photo avec votre téléphone et, quelques secondes plus tard, une application vous annonce :
624 calories;
38 grammes de protéines;
71 grammes de glucides;
21 grammes de lipides;
9 grammes de fibres.
Elle identifie même le poulet, le riz, les légumes et la sauce.
Le résultat paraît si précis qu’il devient difficile de ne pas le croire. Après tout, si l’application est capable de reconnaître votre repas presque instantanément, elle doit probablement savoir ce qu’il contient… non?
Pas tout à fait.
Les nouvelles applications de nutrition utilisant l’intelligence artificielle sont impressionnantes. Elles peuvent reconnaître plusieurs aliments, simplifier la tenue d’un journal alimentaire et fournir rapidement une estimation de la composition d’un repas.
Mais entre reconnaître visuellement du poulet et déterminer précisément sa quantité, sa teneur en gras, sa méthode de cuisson et l’huile utilisée, il existe encore un écart important.
Les études récentes arrivent généralement à la même conclusion : l’intelligence artificielle possède un réel potentiel pour faciliter l’évaluation alimentaire, mais elle n’est pas encore suffisamment précise pour remplacer une analyse rigoureuse, particulièrement lorsqu’une personne a des besoins médicaux ou sportifs précis.
Alors, une photo peut-elle vraiment révéler tout ce que contient votre assiette?
La réponse la plus honnête est la suivante :
Elle peut nous donner des indices intéressants. Elle ne peut pas nous donner toute la vérité.
Comment une application peut-elle analyser un repas à partir d’une photo?
Lorsqu’une application nutritionnelle analyse une image, elle doit accomplir plusieurs tâches différentes.
Elle doit d’abord repérer les aliments présents sur la photo. Elle essaie ensuite de les identifier : est-ce du poulet, du saumon, du tofu, du riz, des pommes de terre ou autre chose?
Elle doit également estimer la quantité de chacun de ces aliments. Cette étape est particulièrement complexe, puisque la photo ne montre pas toujours la hauteur, la profondeur ou la densité réelle des portions.
Finalement, l’application associe les aliments identifiés à une base de données nutritionnelle afin de calculer leur énergie, leurs protéines, leurs glucides, leurs lipides et parfois certains micronutriments.
Une erreur commise à n’importe laquelle de ces étapes influence le résultat final.
Par exemple, l’application pourrait :
identifier correctement un aliment;
mal estimer sa quantité;
sélectionner la mauvaise version dans sa base de données;
puis présenter un total qui semble extrêmement précis.
Une assiette de riz pourrait être estimée à 150 grammes alors qu’elle en contient 250. Un yogourt régulier pourrait être interprété comme un yogourt grec. Une viande maigre pourrait être associée à une coupe plus grasse.
Le chiffre final comporte peut-être une décimale, mais cela ne signifie pas qu’il est exact.
Reconnaître un aliment n’est pas la même chose que connaître sa composition
Sur le plan visuel, plusieurs aliments sont relativement faciles à reconnaître.
Une banane ressemble généralement à une banane. Un œuf ressemble à un œuf. Une portion de brocoli ne se confond pas souvent avec des pâtes.
Les choses deviennent cependant beaucoup plus compliquées avec les recettes composées :
lasagne;
chili;
soupe;
cari;
sauté;
smoothie;
casserole;
sandwich;
pâtisserie;
sauce;
ou plat de restaurant.
Deux lasagnes pratiquement identiques sur une photo peuvent avoir une composition nutritionnelle très différente.
L’une peut contenir du bœuf maigre, beaucoup de légumes et une quantité modérée de fromage. L’autre peut contenir une viande plus grasse, davantage d’huile, une sauce plus riche et deux fois plus de fromage.
L’application ne voit que la surface.
Elle ne peut pas regarder entre les couches avec ses petits yeux de robot.
Que montrent les études sur la reconnaissance des aliments?
Une étude publiée en 2025 a évalué la capacité de ChatGPT-4 à analyser 114 photographies de repas dont la composition réelle était connue.
Le modèle a correctement identifié les aliments avec une précision de 93 %, ce qui est franchement impressionnant. Mais ses estimations nutritionnelles étaient beaucoup moins fiables.
Les différences par rapport aux valeurs réelles dépassaient 10 % pour 13 des 16 nutriments évalués. Le modèle sous-estimait 11 nutriments et éprouvait davantage de difficulté à estimer le poids des portions moyennes et grandes.
Autrement dit, l’IA pouvait souvent répondre correctement à la question :
« Qu’est-ce qu’il y a dans cette assiette? »
Elle répondait beaucoup moins bien à la question :
« Combien y en a-t-il exactement et que contient réellement cette portion? »
Cette nuance est essentielle.
Le plus grand défi : estimer la portion
Une photo est une représentation en deux dimensions d’un repas en trois dimensions.
Elle montre la largeur des aliments, mais beaucoup moins bien leur hauteur, leur profondeur et leur volume réel.
Une petite assiette prise de très près peut sembler contenir une énorme portion. Une assiette profonde photographiée de haut peut cacher une grande quantité de pâtes, de riz ou de soupe.
Même lorsqu’une fourchette ou une assiette sert de référence, l’intelligence artificielle doit encore deviner :
la taille exacte de l’assiette;
l’épaisseur de l’aliment;
la quantité cachée sous les autres ingrédients;
la densité du produit;
et la quantité réellement consommée.
Une étude publiée en 2025 a comparé ChatGPT-4o, Claude 3.5 Sonnet et Gemini 1.5 Pro à partir de 52 photographies standardisées.
Pour ChatGPT et Claude, l’erreur absolue moyenne était d’environ 36 % pour l’estimation du poids et de l’énergie. Les trois modèles avaient tendance à sous-estimer davantage les portions lorsqu’elles devenaient plus grandes.
Les chercheurs ont conclu que ces modèles pouvaient être utiles pour une estimation générale, mais qu’ils n’étaient pas encore adaptés à une évaluation nutritionnelle précise en contexte clinique ou sportif.
Une erreur de 30 à 40 % n’est pas toujours grave lorsqu’on cherche simplement à observer la structure générale d’un repas.
Elle devient toutefois importante lorsqu’on essaie de déterminer précisément :
une dose d’insuline;
un apport en glucides pendant une compétition;
une cible énergétique pour un athlète;
une quantité de protéines en contexte clinique;
ou un apport en sodium, potassium ou phosphore lié à une condition médicale.
Ce que la photo ne montre presque jamais
Même une excellente photo ne fournit pas toutes les informations nécessaires à une analyse complète.
Les matières grasses utilisées pour la cuisson
Une cuillère à soupe d’huile contient beaucoup plus d’énergie qu’une légère vaporisation.
Pourtant, une fois l’huile absorbée par les aliments, la différence devient pratiquement invisible.
L’IA ne peut généralement pas savoir si les légumes ont été :
cuits sans huile;
sautés avec une cuillère à thé;
ou généreusement arrosés avant la cuisson.
Les sauces et les vinaigrettes
Une sauce crémeuse peut être cachée sous les aliments. Une vinaigrette peut s’accumuler au fond du bol. Une sauce teriyaki peut sembler semblable à une sauce maison moins sucrée.
La photo ne révèle pas nécessairement sa recette ni sa quantité.
Les ingrédients incorporés
L’intelligence artificielle ne voit pas toujours :
le beurre dans la purée;
le sucre dans une sauce;
la poudre de protéines dans un smoothie;
le fromage à l’intérieur d’une omelette;
les noix dans un muffin;
ou la quantité de viande cachée dans un chili.
La marque utilisée
Deux pains qui se ressemblent peuvent contenir des quantités différentes de fibres, de sodium et de protéines.
Deux boissons végétales identiques visuellement peuvent être enrichies différemment.
Une application doit alors choisir une valeur moyenne ou deviner le produit le plus probable.
La méthode de préparation
Cent grammes de poulet pané et frit n’ont pas la même composition que cent grammes de poulet grillé.
Une pomme de terre cuite au four n’a pas la même composition qu’une portion de frites, même si l’application reconnaît correctement la pomme de terre.
Les restes
Une photo prise avant le repas indique ce qui a été servi, pas nécessairement ce qui a été mangé.
La personne peut avoir laissé une partie de son riz, retiré la peau du poulet ou repris une deuxième portion après la photo.
Pour évaluer l’apport réellement consommé, il faudrait idéalement disposer d’informations supplémentaires ou d’une photo après le repas.
Plus le repas est complexe, plus l’estimation devient fragile
Un aliment simple est généralement plus facile à analyser qu’un repas composé.
Une pomme entière possède une forme et une taille relativement prévisibles. Un sauté contenant du poulet, des nouilles, des légumes, de l’huile, des noix et une sauce maison comporte beaucoup plus d’inconnues.
Une étude exploratoire publiée en 2026 a évalué ChatGPT-4o sur des repas de complexité variable. Les erreurs devenaient particulièrement importantes pour les repas complexes, notamment pour l’estimation des lipides.
Les estimations s’amélioraient lorsque les utilisateurs ajoutaient des informations contextuelles sur les aliments et leur préparation.
Cette observation rejoint ce que montrent plusieurs autres travaux : l’IA fonctionne mieux lorsqu’elle ne travaille pas complètement seule.
L’intervention humaine améliore beaucoup les résultats
Une étude de validation d’une application japonaise appelée CALO mama a évalué 120 repas préparés dont la composition était connue.
Lorsque l’application utilisait uniquement la reconnaissance automatique de l’image, ses résultats étaient comparables aux valeurs réelles pour seulement 11 des 30 nutriments et 4 des 15 groupes alimentaires étudiés. Elle sous-estimait notamment l’énergie et de nombreux nutriments.
Lorsque les utilisateurs pouvaient corriger manuellement les aliments et les portions, les estimations devenaient comparables pour l’énergie et 29 des 30 nutriments étudiés.
Ce résultat nous donne une leçon importante :
L’IA peut accélérer le travail, mais la personne doit encore vérifier ce qu’elle propose.
Une application qui vous demande de confirmer les aliments, les quantités et les ingrédients peut être plus utile qu’une application qui vous remet un chiffre définitif sans explication.
Toutes les applications ne se valent pas
Il existe une grande différence entre :
un modèle d’intelligence artificielle généraliste;
une application commerciale de suivi des calories;
un outil conçu pour la recherche;
et une plateforme spécialisée utilisée avec une nutritionniste.
Certaines applications sont reliées à des bases de données nutritionnelles détaillées. D’autres produisent une réponse à partir de valeurs générales trouvées dans leurs données d’entraînement.
Certaines permettent de corriger les aliments reconnus. D’autres cachent presque complètement leur méthode de calcul.
Une étude publiée en 2024 a évalué plusieurs applications commerciales combinant la saisie manuelle et la reconnaissance d’images par intelligence artificielle.
Certaines applications reconnaissaient correctement une grande proportion des aliments. Malgré cela, les estimations automatiques de l’énergie demeuraient inexactes. Les auteurs soulignaient également de grandes différences entre les applications sur le plan de la qualité, de la fonctionnalité et du potentiel de changement comportemental.
Le simple fait qu’une application utilise les mots « intelligence artificielle » ne constitue donc pas une validation scientifique.
Parfois, c’est surtout une façon plus futuriste d’écrire « estimation avec une belle animation ».
Les outils basés sur les photos sont-ils inutiles pour autant?
Pas du tout.
Un outil n’a pas besoin d’être parfait pour être utile. Il doit toutefois être utilisé pour la bonne question.
Les méthodes traditionnelles d’évaluation alimentaire comportent elles aussi des limites.
Un journal écrit demande du temps. Un rappel de 24 heures dépend de la mémoire. Les portions sont souvent difficiles à décrire. Les personnes peuvent oublier les boissons, les sauces, les collations ou les petites bouchées prises pendant la préparation des repas.
Les revues systématiques sur les méthodes d’évaluation alimentaire basées sur les images montrent qu’elles peuvent offrir une validité comparable à certaines méthodes traditionnelles, tout en étant souvent plus faciles et agréables à utiliser. Elles ne sont toutefois pas systématiquement supérieures et demeurent vulnérables aux erreurs d’identification, de portion et d’omission.
La photographie peut donc réduire une partie du travail sans éliminer toute l’incertitude.
À quoi l’intelligence artificielle peut-elle réellement servir?
Observer la composition générale d’un repas
L’application peut vous aider à remarquer qu’un repas contient :
une source de protéines;
des glucides;
des légumes ou des fruits;
et des matières grasses.
Elle peut également faire ressortir certains repas très peu soutenants ou peu variés.
Cette observation générale peut être utile sans exiger un calcul parfaitement exact.
Simplifier un journal alimentaire
Prendre quelques photos peut être plus rapide que d’inscrire manuellement chaque ingrédient dans une application.
Ces photos peuvent ensuite servir de rappel pour discuter de l’alimentation avec une nutritionniste.
Repérer des tendances
Sur plusieurs jours, les photos peuvent aider à observer :
la fréquence des repas;
la variété;
la présence de fruits et légumes;
la répartition des protéines;
les repas sautés;
ou les moments où l’alimentation devient plus difficile.
Même si chaque estimation contient une marge d’erreur, certaines tendances générales peuvent rester visibles.
Soutenir une conversation
Une photo permet de poser des questions plus pertinentes :
Aviez-vous encore faim après ce repas?
Combien de temps vous a-t-il soutenu?
Comment était votre énergie ensuite?
Était-il satisfaisant?
Était-ce la portion habituelle?
Quelle sauce ou méthode de cuisson avez-vous utilisée?
Dans ce contexte, l’IA ou la photographie devient un point de départ plutôt qu’un verdict.
Réduire la charge de saisie
Pour les personnes qui ont un besoin clinique réel de documenter leur alimentation, un système semi-automatique peut réduire la lourdeur du suivi.
Le meilleur scénario semble actuellement être celui dans lequel l’IA fait une première proposition, puis l’utilisateur ou le professionnel la corrige.
À quoi ne devrait-elle pas servir seule?
Observer la composition générale d’un repas
L’application peut vous aider à remarquer qu’un repas contient :
une source de protéines;
des glucides;
des légumes ou des fruits;
et des matières grasses.
Elle peut également faire ressortir certains repas très peu soutenants ou peu variés.
Cette observation générale peut être utile sans exiger un calcul parfaitement exact.
Simplifier un journal alimentaire
Prendre quelques photos peut être plus rapide que d’inscrire manuellement chaque ingrédient dans une application.
Ces photos peuvent ensuite servir de rappel pour discuter de l’alimentation avec une nutritionniste.
Repérer des tendances
Sur plusieurs jours, les photos peuvent aider à observer :
la fréquence des repas;
la variété;
la présence de fruits et légumes;
la répartition des protéines;
les repas sautés;
ou les moments où l’alimentation devient plus difficile.
Même si chaque estimation contient une marge d’erreur, certaines tendances générales peuvent rester visibles.
Soutenir une conversation
Une photo permet de poser des questions plus pertinentes :
Aviez-vous encore faim après ce repas?
Combien de temps vous a-t-il soutenu?
Comment était votre énergie ensuite?
Était-il satisfaisant?
Était-ce la portion habituelle?
Quelle sauce ou méthode de cuisson avez-vous utilisée?
Dans ce contexte, l’IA ou la photographie devient un point de départ plutôt qu’un verdict.
Réduire la charge de saisie
Pour les personnes qui ont un besoin clinique réel de documenter leur alimentation, un système semi-automatique peut réduire la lourdeur du suivi.
Le meilleur scénario semble actuellement être celui dans lequel l’IA fait une première proposition, puis l’utilisateur ou le professionnel la corrige.
À quoi ne devrait-elle pas servir seule?
Établir un diagnostic nutritionnel
Une photo ne peut pas déterminer si une personne présente une carence en fer, en vitamine B12 ou en vitamine D.
Elle ne connaît pas les résultats sanguins, l’absorption digestive, les médicaments, les pertes menstruelles, les antécédents médicaux ni les besoins individuels.
Calculer avec certitude les besoins d’une personne
L’IA peut appliquer une formule générale. Elle ne peut pas toujours déterminer correctement comment l’adapter à :
une maladie;
une blessure;
une grossesse;
un trouble digestif;
un historique de troubles alimentaires;
une variation importante de l’activité;
ou des symptômes inexpliqués.
Déterminer si un repas est « bon » ou « mauvais »
Un repas ne peut pas être évalué correctement sans son contexte.
Un énorme bol de pâtes pourrait être parfaitement adapté à un athlète après une longue sortie. Un repas plus léger pourrait être suffisant lors d’une journée très calme.
Une assiette ne raconte pas toute la journée, encore moins toute la vie.
Donner des quantités exactes pour un traitement
Lorsque la précision influence directement un traitement médical, une application grand public ne devrait pas remplacer les méthodes recommandées par l’équipe soignante.
Une estimation visuelle peut être un soutien, mais pas une garantie.
Décider à votre place combien vous devez manger
L’application peut estimer ce que contient l’assiette.
Elle ne peut pas ressentir :
votre faim;
votre satiété;
votre niveau d’énergie;
votre satisfaction;
votre envie;
vos symptômes digestifs;
ou la récupération de votre dernier entraînement.
Elle analyse des pixels. Vous vivez dans votre corps.
L’IA peut-elle évaluer la « qualité » d’un repas?
Elle peut comparer une assiette à un modèle prédéfini.
Elle peut constater qu’il y a peu de légumes ou qu’elle détecte beaucoup d’aliments riches en énergie.
Mais la qualité nutritionnelle ne se résume pas à la proportion visible de chaque aliment.
L’application ne connaît pas toujours :
les autres repas de la journée;
la faim au moment de manger;
les ressources disponibles;
le budget;
la culture alimentaire;
les allergies;
les besoins sportifs;
ni le rôle émotionnel ou social du repas.
Une pizza consommée entre amis peut sembler moins « équilibrée » qu’un bol de salade photographié sous une lumière parfaite.
Elle peut tout de même être plus satisfaisante, plus nourrissante que ce que la personne aurait mangé autrement et parfaitement compatible avec une alimentation globalement équilibrée.
L’IA peut analyser certains éléments nutritionnels.
Elle ne peut pas mesurer toute la valeur humaine d’un repas.
L’intelligence artificielle et l’alimentation intuitive sont-elles compatibles?
Elles peuvent l’être, selon la façon dont l’outil est utilisé.
Une application peut soutenir la curiosité :
« Je remarque que mes dîners contiennent rarement une source de protéines et que j’ai souvent faim une heure plus tard. »
Elle peut aussi renforcer le contrôle :
« L’application dit que mon repas contient trop de calories, alors je ne devrais plus avoir faim. »
Dans le premier cas, la technologie aide à mieux comprendre son expérience.
Dans le deuxième, elle pousse la personne à faire davantage confiance à un chiffre approximatif qu’à ses propres signaux.
L’alimentation intuitive ne consiste pas à ignorer toutes les connaissances nutritionnelles. Elle invite plutôt à combiner ces connaissances avec les sensations, les préférences, les besoins et le contexte.
Une estimation produite par une application peut donc être une information parmi d’autres.
Elle ne devrait pas devenir la voix la plus forte dans la pièce.
Les applications de suivi peuvent-elles nuire à la relation à la nourriture?
La réponse est nuancée.
Une revue systématique publiée en 2025 a regroupé 38 études sur l’utilisation d’applications de suivi alimentaire ou d’activité physique.
Dans les études observationnelles, les jeunes adultes qui utilisaient ces applications — particulièrement ceux qui les utilisaient fréquemment — rapportaient davantage de symptômes d’alimentation désordonnée, de préoccupations corporelles et d’exercice compulsif.
Les études qualitatives rapportaient également de la pression à atteindre les objectifs et de la culpabilité lorsque les cibles n’étaient pas respectées.
Cependant, les chercheurs ne pouvaient pas conclure que les applications causaient directement ces difficultés. Il est aussi possible que les personnes déjà plus préoccupées par leur poids ou leur alimentation soient davantage attirées par ces outils.
À l’inverse, un essai contrôlé réalisé auprès de 200 étudiantes considérées comme à faible risque de trouble alimentaire n’a pas observé d’augmentation des symptômes après un mois de suivi alimentaire avec une application.
Les auteurs soulignaient toutefois que ces résultats ne s’appliquent pas nécessairement aux personnes plus vulnérables.
L’application n’est donc pas automatiquement nuisible ou bénéfique.
Son effet dépend notamment :
de la raison pour laquelle elle est utilisée;
de la personnalité de l’utilisateur;
de son histoire avec l’alimentation;
des fonctionnalités de l’application;
et de la place que les chiffres commencent à prendre.
Quelques signes que l’application ne vous aide plus
Il pourrait être pertinent de prendre du recul si :
vous ressentez de l’anxiété lorsque vous ne pouvez pas photographier un repas;
vous recommencez plusieurs fois l’analyse jusqu’à obtenir le chiffre souhaité;
vous choisissez vos repas uniquement selon leur score;
vous ignorez votre faim parce que l’application affirme que vous avez assez mangé;
vous mangez malgré votre satiété pour atteindre une cible;
vous ressentez de la culpabilité après une estimation élevée;
vous évitez les restaurants ou les repas chez les autres;
ou vous avez l’impression de ne plus pouvoir manger sans obtenir l’approbation de l’application.
Dans ces situations, le problème n’est pas nécessairement la technologie elle-même.
C’est le fait qu’elle a commencé à occuper une place qui ne vous laisse plus beaucoup de liberté.
Comment utiliser ces outils d’une façon plus saine?
1. Définir clairement leur objectif
Avant de commencer, demandez-vous ce que vous cherchez à apprendre.
Est-ce pour :
observer la structure de vos repas?
documenter vos habitudes avant une consultation?
mieux soutenir vos entraînements?
vérifier si vos repas sont suffisamment nourrissants?
ou simplement satisfaire votre curiosité?
Un objectif clair permet d’éviter de recueillir des données uniquement parce qu’elles sont disponibles.
2. Considérer les chiffres comme des fourchettes
Une estimation de 600 calories pourrait en réalité représenter 450, 700 ou davantage selon les ingrédients cachés et les portions.
Il est donc plus juste de lire :
« Probablement autour de cette quantité »
plutôt que :
« Ce repas contenait exactement 612 calories. »
La précision d’affichage n’est pas la précision scientifique.
3. Donner davantage de contexte
La qualité de l’estimation peut s’améliorer si vous précisez :
les ingrédients;
la méthode de cuisson;
la marque;
la quantité approximative;
le diamètre de l’assiette;
la présence d’huile ou de sauce;
et les aliments laissés après le repas.
Les études récentes montrent justement que l’ajout d’informations contextuelles et les corrections manuelles améliorent la performance des systèmes.
4. Vérifier les erreurs évidentes
Si l’application identifie votre tofu comme du poulet ou votre yogourt grec comme de la crème glacée, corrigez-la.
Ne partez pas du principe qu’elle possède une information secrète sur votre propre repas.
5. Observer les tendances plutôt que chaque gramme
Il est souvent plus utile de constater que vos repas du midi manquent régulièrement d’énergie que de débattre pour savoir s’ils contiennent 472 ou 518 calories.
Les tendances résistent mieux aux petites erreurs que les cibles extrêmement précises.
6. Ajouter des informations que la photo ne peut pas voir
Vous pourriez accompagner la photo de quelques observations :
faim avant le repas;
satiété après;
satisfaction;
niveau d’énergie;
émotions;
symptômes digestifs;
contexte;
et raisons du choix alimentaire.
Ces informations peuvent être beaucoup plus utiles qu’un chiffre isolé pour comprendre vos habitudes.
7. Vous permettre de ne pas tout suivre
Vous n’avez pas besoin d’une base de données parfaite sur votre propre existence.
Un repas oublié, une sortie au restaurant ou une journée sans téléphone ne détruisent pas la valeur des observations précédentes.
La flexibilité fait partie d’une utilisation saine.
L’IA peut-elle remplacer une nutritionniste?
Elle peut automatiser certaines tâches.
Elle peut :
reconnaître des aliments;
effectuer des calculs;
proposer des recettes;
organiser des informations;
et repérer certains modèles simples.
Mais une évaluation nutritionnelle professionnelle demande beaucoup plus qu’une analyse d’image.
Une nutritionniste tient compte :
des antécédents médicaux;
des médicaments;
des analyses sanguines;
des symptômes;
de l’activité physique;
du sommeil;
de la relation à la nourriture;
de la culture;
du budget;
de l’environnement familial;
de la capacité à cuisiner;
et des objectifs réels de la personne.
Elle peut aussi distinguer le moment où davantage de données seront utiles de celui où elles risquent d’augmenter l’anxiété.
Une revue récente sur l’utilisation de l’IA dans l’évaluation alimentaire souligne justement l’importance d’impliquer les nutritionnistes et diététistes dans la conception et l’utilisation de ces systèmes afin qu’ils répondent réellement aux besoins cliniques.
L’intelligence artificielle peut donc soutenir une nutritionniste.
Elle ne possède pas son jugement clinique, sa responsabilité professionnelle ni sa capacité à comprendre toute la personne derrière l’assiette.
Et la confidentialité de vos photos?
Un journal alimentaire peut contenir des informations plus personnelles qu’on le pense.
Les photos peuvent révéler :
vos habitudes;
vos heures de repas;
votre domicile;
votre lieu de travail;
votre emplacement;
les personnes présentes;
certaines conditions de santé;
et vos objectifs liés au poids ou à l’alimentation.
Les politiques de confidentialité, les méthodes de stockage et les pratiques de partage des données varient d’une application à l’autre.
Une revue systématique sur les applications mobiles de santé a montré que les utilisateurs exprimaient régulièrement des préoccupations concernant la confidentialité, la sécurité et l’utilisation de leurs données, tandis que leur compréhension réelle de ces pratiques variait beaucoup.
Avant d’utiliser une application, il peut être pertinent de vérifier :
où les photos sont enregistrées;
si elles servent à entraîner les modèles;
combien de temps elles sont conservées;
si elles sont partagées avec des partenaires;
si vous pouvez supprimer vos données;
et quelles permissions l’application demande.
Le Commissariat à la protection de la vie privée du Canada recommande notamment de lire la politique de confidentialité, de vérifier les permissions demandées et de limiter l’accès aux données qui ne sont pas nécessaires au fonctionnement de l’application.
Une application qui analyse votre salade n’a probablement pas besoin d’accéder à tous vos contacts. Petit drapeau rouge technologique.
En conclusion : l’IA peut observer votre assiette, mais elle ne peut pas entièrement la comprendre
Les applications d’analyse alimentaire par photo ont beaucoup progressé.
Elles peuvent reconnaître plusieurs aliments, simplifier la tenue d’un journal et produire rapidement des estimations utiles.
Mais leurs limites restent importantes.
Elles peuvent difficilement connaître avec précision :
les portions;
les ingrédients cachés;
les matières grasses de cuisson;
les recettes;
les marques;
les aliments réellement consommés;
et les besoins individuels de la personne.
Les études montrent que les erreurs d’estimation de l’énergie et des macronutriments peuvent être importantes, surtout lorsque les portions sont grandes ou que les repas sont complexes.
La meilleure façon d’utiliser ces outils n’est donc probablement pas de leur demander :
« Dis-moi exactement ce que je viens de manger. »
Mais plutôt :
« Aide-moi à observer certaines tendances et à poser de meilleures questions. »
L’intelligence artificielle peut être une assistante intéressante.
Elle ne devrait pas devenir une autorité qui vous annonce si vous avez le droit d’avoir encore faim.
Votre assiette contient des nutriments, mais aussi vos goûts, votre culture, votre horaire, vos ressources, vos émotions et votre vie sociale.
Aucune photo ne peut complètement mesurer tout cela.
Et, honnêtement, c’est peut-être une bonne chose.
Vous aimeriez mieux comprendre vos repas sans devoir tout calculer?
Vous utilisez une application de nutrition, mais vous ne savez pas si ses résultats sont fiables? Vous aimeriez améliorer votre alimentation ou vos performances sans tomber dans la surveillance constante?
En consultation, nous pouvons travailler ensemble pour :
analyser vos habitudes avec nuance;
déterminer les informations réellement utiles;
structurer des repas adaptés à vos besoins;
soutenir votre énergie et vos entraînements;
intégrer les technologies sans perdre le contact avec vos signaux corporels;
et développer une relation plus simple et plus confiante avec l’alimentation.
Cet article fournit de l’information générale et ne remplace pas une évaluation médicale ou nutritionnelle individuelle. Une application utilisant l’intelligence artificielle ne devrait pas être utilisée seule pour ajuster un traitement médical ou répondre à des besoins cliniques nécessitant une grande précision.
Références scientifiques
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. doi:10.3390/nu17040607.
Fridolfsson J, et al. Performance Evaluation of 3 Large Language Models for Nutritional Content Estimation from Food Images. Current Developments in Nutrition. 2025;9:107556. doi:10.1016/j.cdnut.2025.107556.
Image-Based Nutritional Assessment: Evaluating the Performance of ChatGPT-4o on Simple and Complex Meals. Journal of Food Composition and Analysis. 2026;150:108843. doi:10.1016/j.jfca.2025.108843.
Chotwanvirat P, Prachansuwan A, Sridonpai P, Kriengsinyos W. Advancements in Using AI for Dietary Assessment Based on Food Images: Scoping Review. Journal of Medical Internet Research. 2024;26.
Dalakleidi KV, Papadelli M, Kapolos I, Papadimitriou K. Applying Image-Based Food-Recognition Systems on Dietary Assessment: A Systematic Review. Advances in Nutrition. 2022;13(6):2590-2619. doi:10.1093/advances/nmac078.
Ho DKN, Tseng SH, Wu MC, et al. Validity of Image-Based Dietary Assessment Methods: A Systematic Review and Meta-Analysis. Clinical Nutrition. 2020;39(10):2945-2959. doi:10.1016/j.clnu.2020.08.002.
Sasaki Y, Sato K, Kobayashi S, Asakura K. Nutrient and Food Group Prediction as Orchestrated by an Automated Image Recognition System in a Smartphone App: Validation Study. JMIR Formative Research. 2022;6(1). doi:10.2196/31875.
Li X, Yin A, Choi HY, Chan V, Allman-Farinelli M, Chen J. Evaluating the Quality and Comparative Validity of Manual Food Logging and Artificial Intelligence-Enabled Food Image Recognition in Apps for Nutrition Care. Nutrients. 2024;16(15):2573. doi:10.3390/nu16152573.
Moyen A, Rappaport AI, Fleurent-Grégoire C, et al. Relative Validation of an Artificial Intelligence–Enhanced, Image-Assisted Mobile App for Dietary Assessment in Adults: Randomized Crossover Study. Journal of Medical Internet Research. 2022;24(11). doi:10.2196/40449.
Ji Y, Plourde H, Bouzo V, Kilgour RD, Cohen TR. Validity and Usability of a Smartphone Image-Based Dietary Assessment App Compared to 3-Day Food Diaries in Assessing Dietary Intake Among Canadian Adults. JMIR mHealth and uHealth. 2020;8(9). doi:10.2196/16953.
Anderberg I, Kemps E, Prichard I. The Link Between the Use of Diet and Fitness Monitoring Apps, Body Image and Disordered Eating Symptomology: A Systematic Review. Body Image. 2025;52:101836. doi:10.1016/j.bodyim.2024.101836.
Hahn SL, et al. Introducing Dietary Self-Monitoring to Undergraduate Women via a Calorie Counting App Has No Effect on Mental Health or Health Behaviors: Results From a Randomized Controlled Trial. Journal of the Academy of Nutrition and Dietetics. 2021;121. doi:10.1016/j.jand.2021.06.311.
Alhammad N, Alajlani M, Abd-Alrazaq A, Epiphaniou G, Arvanitis T. Patients’ Perspectives on the Data Confidentiality, Privacy, and Security of mHealth Apps: Systematic Review. Journal of Medical Internet Research. 2024;26. doi:10.2196/50715.
