Précision des compteurs de calories IA : l’étude des NIH de 2026

Mis à jour le 11 octobre 2026 : ajout des études consacrées à ChatGPT, Claude et Gemini face aux photos de repas, et du résumé publié de l’étude des NIH.

Photographier son assiette et obtenir un nombre de calories en quelques secondes a quelque chose de magique. Le suivi devient aussi bien moins fastidieux, car saisir chaque ingrédient à la main lasse vite. Mais cette facilité n’a d’intérêt que si le chiffre tombe dans le bon ordre de grandeur.

En juillet 2026, des chercheurs des National Institutes of Health (NIH), les instituts nationaux de santé américains, ont présenté ce qu’ils décrivent comme la première comparaison directe et rigoureuse de ce type. En bref : livrées telles quelles, les estimations par photo étaient trop basses, surtout à cause des matières grasses. La version longue est plus utile, car les plus grosses erreurs sont aussi celles que vous pouvez corriger le plus facilement.

Ce que l’étude des NIH a testé

L’étude est l’œuvre de scientifiques du National Institute of Diabetes and Digestive and Kidney Diseases (NIDDK) et a été présentée à NUTRITION 2026, le congrès annuel de l’American Society for Nutrition, selon le communiqué de la société savante. Son résumé, signé par Olivia Charles et ses collègues, est publié dans Current Developments in Nutrition (doi:10.1016/j.cdnut.2026.108738).

Les repas testés provenaient d’une étude plus large du NIH Clinical Center comparant un régime cétogène pauvre en glucides à une alimentation standard. Ils étaient préparés dans une cuisine métabolique, où les ingrédients sont pesés à 0,1 gramme près : les chercheurs savaient donc exactement ce que contenait chaque assiette. Ils ont soumis des photos standardisées de 102 de ces repas aux fonctions photo de quatre applis : MyFitnessPal, Lose It!, Cal AI et Appediet.

Une réserve importante : il s’agit d’un résumé présenté en congrès. Les organisateurs précisent que de tels résultats n’ont pas fait l’objet de l’évaluation complète par les pairs qu’exige une publication dans une revue scientifique et doivent être considérés comme préliminaires.

Ce que les chercheurs ont trouvé

Les quatre applis ont sous-estimé les calories, d’environ 250 à 345 calories par repas en moyenne, soit à peu près un tiers. Le site d’actualité médicale Healio a publié la moyenne de chaque appli :

D’autres résultats retiennent l’attention :

• Les matières grasses, principal point faible. Les quatre applis ont sous-estimé les lipides d’environ 30 grammes par repas.
• Des glucides plus stables. Les estimations de glucides étaient plus homogènes que celles des autres macronutriments, même si Lose It! et Cal AI les sous-estimaient encore d’environ 14 grammes.
• La taille du repas comptait pour certaines applis. MyFitnessPal et Lose It! estimaient plus justement les repas les plus caloriques que les plus légers.
• Les repas riches en graisses semblaient les plus difficiles. Dans un suivi portant sur plus de 200 repas supplémentaires, les premiers résultats suggéraient que les applis peinaient davantage avec les repas cétogènes, probablement parce que leur teneur élevée en matières grasses était systématiquement sous-estimée.

Les applis sont souvent mises à jour : ces résultats décrivent les versions testées pour l’étude, pas forcément les performances actuelles de chaque appli. Calorix ne faisait pas partie de l’étude, et nous ne partons pas du principe qu’une estimation fondée uniquement sur une photo échapperait aux mêmes problèmes, quelle que soit l’appli, y compris la nôtre.

Le conseil d’Aaron Hengist, l’un des chercheurs, était sans détour : les personnes qui utilisent une appli basée sur la photo « sans ajuster les portions ni saisir les quantités d’aliments devraient prendre les résultats avec des pincettes ».

Un problème qui ne concerne pas que l’IA

Il est utile de comparer les applis à l’alternative habituelle : les gens qui estiment eux-mêmes ce qu’ils mangent. Les chercheurs ont noté qu’une sous-estimation d’un tiers est comparable à ce qui a été rapporté pour les apports alimentaires autodéclarés.

Cela concorde avec des décennies de recherche. Dans l’étude OPEN, qui a confronté les déclarations de 484 adultes à des biomarqueurs objectifs, les rappels de 24 heures sous-estimaient l’apport énergétique d’environ 12 à 20 %, et les questionnaires de fréquence alimentaire d’environ un tiers. Une revue systématique de 2019 portant sur 59 études utilisant l’eau doublement marquée a montré que la plupart faisaient état d’une sous-déclaration significative, y compris celles qui évaluaient des méthodes reposant sur la technologie.

La photo ne règle pas le problème à elle seule. Une méta-analyse de 2020 a montré que l’évaluation alimentaire par l’image avait elle aussi tendance à sous-estimer l’apport énergétique, et a conclu qu’elle comporte, comme les méthodes traditionnelles, d’importantes erreurs de mesure. Une revue systématique de 2023 consacrée aux méthodes d’IA entièrement automatisées a relevé des erreurs moyennes sur les calories allant de moins de 1 % à environ 38 % selon les études, avec des erreurs plus faibles pour les images d’aliments seuls et simples.

Un détail encourageant, toutefois. Avec la méthode de photographie alimentaire à distance, où des chercheurs estimaient les apports à partir de photos de chaque repas et de ses restes, les estimations ne s’écartaient que de 5 à 7 % environ des quantités pesées (toujours légèrement en dessous). La photo peut donc bien fonctionner quand une personne la vérifie attentivement, et c’est précisément cette vérification que le test des NIH a laissée de côté.

Le commentaire qui accompagnait l’article de Healio soulignait un dernier point à retenir : une sous-estimation systématique pèse plus lourd qu’une erreur aléatoire. Les erreurs aléatoires se compensent en partie sur une semaine ; un biais toujours dans le même sens, lui, ne cesse de s’accumuler.

Et ChatGPT ou les autres chatbots IA ?

Les modèles d’IA généralistes font le même type d’erreurs. Dans une étude de 2025 portant sur 52 photos d’aliments standardisées, ChatGPT-4o et Claude 3.5 Sonnet se trompaient en moyenne de 35,8 % sur les calories, et Gemini 1.5 Pro de 64,2 %, tous trois sous-estimant davantage à mesure que les portions grossissaient. Dans une autre étude de 2025, ChatGPT-4 a reconnu 93 % des aliments sur 114 photos de repas, mais a sous-estimé le poids des repas moyens et copieux. Et les précisions que vous donnez comptent : quand on lui indiquait la matière grasse de cuisson et les quantités d’ingrédients, l’erreur moyenne de ChatGPT-5 sur les calories de 195 plats passait de 30,5 % à 13,9 % (étude de 2025). Pour aller plus loin, lisez ChatGPT peut-il compter les calories d’une photo ?, et découvrez ce que chaque appli photo promet en matière de précision dans notre comparatif des applis qui comptent les calories à partir d’une photo.

Pourquoi les estimations par photo se trompent

Les graisses cachées

L’huile imprègne le riz et les légumes. Le beurre fond dans les sauces. La vinaigrette enrobe chaque feuille. L’appareil photo ne voit rien de tout cela, et les matières grasses sont très caloriques : FoodData Central, la base de données de l’USDA (le ministère américain de l’Agriculture), indique 13,5 grammes de lipides et 119 calories pour une cuillère à soupe d’huile d’olive. L’écart d’environ 30 grammes de lipides observé dans l’étude des NIH représente un peu plus que les lipides de deux cuillères à soupe d’huile.

L’épaisseur des portions

Une photo est plate. Vue de dessus, une fine couche de pâtes et un bol bien rempli peuvent se ressembler presque trait pour trait. Dans une étude de 2025, des adultes qui devaient associer de vraies portions de riz à des photos avaient tendance à les sous-estimer sur les vues de dessus, car la hauteur du riz dans un bol se voit mal d’en haut. Pour les aliments solides, les photos prises à 45 degrés donnaient les meilleurs résultats.

Les plats composés

Currys, gratins, burritos et sandwichs cachent des ingrédients à l’intérieur ou les uns sous les autres. L’IA doit deviner la recette en plus de la quantité. Logiquement, la revue de 2023 a constaté des erreurs plus faibles pour les images d’aliments seuls et simples.

Lumière et angle de vue

Les spécialistes de l’image notent que les variations d’éclairage et de point de vue modifient l’apparence des aliments, ce qui les rend plus difficiles à identifier. La lumière tamisée d’un restaurant, les ombres marquées et les angles inhabituels ajoutent tous de l’incertitude.

Comment obtenir de meilleures estimations

Pas besoin de tout peser pour faire bien mieux qu’une estimation brute à partir d’une photo. Ces réflexes ciblent les erreurs décrites plus haut :

• Ajoutez une note quand vous scannez. Dites à l’appli ce qu’elle ne peut pas voir : « cuit au beurre », « vinaigrette en plus », « demi-portion ».
• Vérifiez les portions, pas seulement le total. Regardez les grammes de chaque ingrédient et corrigez tout ce qui semble clocher, en commençant par les aliments les plus caloriques.
• Enregistrez les matières grasses à part. Ajoutez l’huile, le beurre, la mayonnaise ou la vinaigrette comme ingrédient séparé pour qu’ils ne disparaissent pas dans le plat.
• Utilisez le code-barres et l’étiquette pour les produits emballés. L’étiquette vous donne les valeurs du fabricant : rien à deviner à partir d’une photo.
• Pesez de temps en temps. Une semaine à peser votre portion habituelle de riz, votre bol de céréales ou votre filet d’huile suffit à réétalonner votre œil. Ce n’est pas un hasard si les chercheurs des NIH ont pris des repas pesés avec précision comme référence.
• Prenez une meilleure photo. Une bonne lumière, toute l’assiette dans le cadre et un angle de 45 degrés, tout cela aide. Notre guide pour estimer les portions sur une photo entre dans le détail.
• Comptez plus de matières grasses quand quelqu’un d’autre cuisine. C’est généralement la plus grande inconnue d’un repas au restaurant. Lisez notre guide pour noter un repas au restaurant.

Comment Calorix a été conçu face à ce problème

Nous avons conçu le scanner IA de Calorix en partant du principe que toute estimation par photo est un premier jet. Au lieu d’un chiffre unique, vous obtenez une fiche du scan qui liste chaque ingrédient avec sa portion, son poids en grammes, ses calories et un indicateur de confiance : vous voyez ainsi où l’estimation est la moins sûre.

À partir de là, vous pouvez :

• modifier les noms, les portions et les grammes, ou ajouter et retirer des ingrédients
• utiliser le curseur de portion (½, 1, 1½ ou 2) si vous avez mangé plus ou moins que ce que montre la photo
• toucher le bouton Corriger avec l’IA et taper ou dicter une correction, comme « sans riz, ajoute 2 œufs », puis vérifier les modifications proposées avant de les accepter
• ajouter une note comme « cuit au beurre » et relancer l’analyse à partir de la photo enregistrée
• remplacer n’importe quelle valeur à la main, la valeur d’origine de l’IA étant conservée pour que vous puissiez y revenir

Les totaux sont toujours recalculés à partir des ingrédients : corriger un élément se répercute donc directement sur vos calories et macros du jour. Pour les produits emballés, le scan du code-barres ou de l’étiquette nutritionnelle vous évite de deviner.

Soyons clairs sur ce que nous n’affirmons pas : nous n’avons pas démontré que Calorix est plus précis que les applis de cette étude. Sa conception rend l’estimation transparente et rapide à corriger, et c’est précisément cette étape de correction que les chercheurs des NIH ont mise en avant.

En résumé

Enregistrer ses repas en photo grâce à l’IA permet d’obtenir rapidement un premier jet raisonnable, mais livrée telle quelle, l’estimation a tendance à être trop basse, surtout pour les plats huileux, au beurre ou composés. Considérez chaque estimation par photo comme un point de départ : vérifiez les portions, ajoutez les matières grasses que vous savez présentes et utilisez le code-barres pour tout ce qui porte une étiquette.

Les petites corrections s’additionnent. Si vous mangez quelques centaines de calories de plus que ce qu’indique votre journal, votre plan ne correspondra pas à la réalité, et il est facile de vous en vouloir au lieu de mettre en cause l’estimation. Un journal réaliste, associé à un objectif réaliste issu de notre calculateur TDEE, vous donne des chiffres sur lesquels vous pouvez vraiment vous appuyer.