Le comptage calorique par IA à partir d'une photo est une estimation utile, pas une mesure. Dans les tests indépendants, les estimations basées sur des photos étaient décalées d'environ un quart à un tiers, et elles tombaient le plus souvent trop bas. Un test du NIH sur quatre applis populaires les a trouvées 250 à 345 calories en dessous par repas.
La précision s'améliore nettement quand vous indiquez à l'appli ce qu'il y a dans le plat et en quelle quantité, et quand vous utilisez un code-barres ou une balance pour les aliments que vous mangez le plus.
Points clés
- Les erreurs penchent vers le bas : la plupart des études ont constaté que l'IA sous-estime les calories, surtout pour les grosses portions et les repas riches en matières grasses.
- Identifier un aliment est plus facile que le peser : l'IA nomme souvent bien le plat, mais se trompe sur la quantité et sur l'huile cachée.
- Le contexte aide : ajouter les ingrédients et les quantités a rendu les estimations plus précises dans une étude de 2025 sur ChatGPT.
- Les humains ne sont pas parfaits non plus : les journaux alimentaires basés sur la mémoire ont raté jusqu'à la moitié des apports réels.
- Vérifiez avec votre balance : une comparaison sur 2 à 4 semaines entre les calories notées et l'évolution de votre poids montre si vos relevés sont trop bas.
Ce que les études ont trouvé
| Étude | Ce qui a été testé | Résultat principal |
|---|---|---|
| NIH (NIDDK), présentée en juillet 2026 | MyFitnessPal, Lose It!, Cal AI et Appediet sur des photos de 102 repas aux valeurs nutritionnelles connues | Calories inférieures de 250 à 345 par repas en moyenne ; graisses environ 30 g en dessous ; les repas cétogènes riches en graisses ont été les plus difficiles. Préliminaire, pas encore évalué par des pairs |
| Fridolfsson et coll., 2025 | ChatGPT-4o, Claude 3.5 Sonnet et Gemini 1.5 Pro sur 52 photos standardisées d'aliments | Erreur moyenne sur les calories de 35,8 % pour ChatGPT et Claude ; Gemini de 64 à 110 % selon les nutriments ; tous sous-estimaient les grosses portions |
| Rodríguez-Jiménez et coll., 2025 | ChatGPT-5 sur 195 plats, avec de plus en plus de contexte | L'erreur a baissé à mesure que les descriptions et les quantités d'ingrédients étaient ajoutées ; sans la photo, c'était pire |
| Nakagawa et Yamamoto, 2026 | Trois modèles Claude sur 691 photos de repas japonais et 1 463 américains, et environ 1 000 images d'aliments emballés japonais | Claude Sonnet 4.6 se trompait de 117 calories en moyenne par photo américaine ; les aliments emballés étaient plus faciles que les repas ; le sel était mal estimé |
| Vedovelli et coll., 2026 | 40 modèles vision-langage face à des nutritionnistes professionnels | Le modèle utilisé comptait le plus ; des angles de photo supplémentaires n'aidaient pas ; les nutritionnistes étaient bien plus précis, surtout pour les protéines |
| Serra et coll., 2026 | Une appli d'IA photo (SNAQ) utilisée au quotidien pendant 7 jours, face à l'eau doublement marquée, 20 femmes atteintes d'obésité | L'appli sous-estimait les apports de 25 % (817 calories par jour) ; un rappel de 24 heures par entretien les sous-estimait de 50 % |
Deux tendances traversent toutes ces études. Les erreurs sont assez grandes pour compter sur un seul repas, et elles pointent surtout dans une seule direction : vers le bas.
Pourquoi les comptages par IA sont trop bas
Un appareil photo voit le dessus de l'assiette. Il ne peut ni peser l'aliment, ni voir la profondeur du bol, ni savoir combien d'huile a été versée dans la poêle. Les calories se cachent justement à ces endroits.
- Taille de la portion : la même photo peut montrer 150 g ou 250 g de pâtes. Dans l'étude de 2025, la sous-estimation augmentait avec la taille des portions.
- Graisses cachées : beurre, huile de cuisson, vinaigrettes et sauces crémeuses sont riches en calories et difficiles à voir. Dans le test du NIH, les graisses étaient le nutriment le plus sous-estimé et les repas riches en graisses les plus difficiles.
- Plats mélangés : ragoûts, currys, gratins et burritos cachent la plupart de leurs ingrédients à l'intérieur.
- Aliments rares ou régionaux : un modèle qui a vu peu d'exemples d'un plat a moins de matière pour l'estimer.
Les aliments emballés font exception, car l'étiquette fait le travail. C'est pourquoi scanner un code-barres vaut mieux qu'une photo pour tout ce qui est emballé. Pour en savoir plus sur la façon dont les applis estiment les quantités, lisez comment l'IA estime la taille des portions.
IA, saisie manuelle et mémoire
L'IA ne rivalise pas avec la perfection. Chaque façon de compter les calories comporte une erreur :
- Mémoire : dans une étude classique sur des personnes qui disaient ne pas pouvoir perdre de poids en dessous de 1 200 calories, elles ont sous-déclaré leur consommation réelle de 47 % et surestimé l'exercice de 51 % (Lichtman et coll., 1992). Dans l'étude SNAQ de 2026, un rappel structuré sur 24 heures a raté 50 %, pire que l'appli avec 25 %.
- Étiquettes alimentaires : la FDA ne considère un produit emballé comme mal étiqueté que lorsque ses calories dépassent de plus de 20 % celles indiquées, donc de petits écarts sont tolérés.
- Chiffres des restaurants : dans des tests de laboratoire portant sur 269 plats de restaurant, les calories annoncées étaient justes en moyenne, mais 19 % des plats dépassaient d'au moins 100 calories ce qui était indiqué (Urban et coll., 2011).
- Peser et noter à la main : reste la méthode maison la plus précise, mais c'est celle qui prend le plus de temps.
Cela rend une estimation par photo moins précise qu'un relevé pesé, basé sur les codes-barres, et dans certaines études plus précise que la mémoire. Pour une comparaison côte à côte des méthodes, voir suivi calorique par IA ou manuel et scan de code-barres ou reconnaissance photo par IA.
Le comptage calorique par IA est-il assez fiable pour perdre du poids ?
Il peut l'être, à condition de corriger le sens de l'erreur. L'erreur aléatoire, où certains repas sont trop hauts et d'autres trop bas, s'annule en grande partie sur une semaine. Une sous-estimation régulière, non.
Supposons que votre objectif laisse un déficit quotidien de 500 calories. Si vos relevés sous-estiment trois repas de 250 calories chacun, vous mangez en réalité 750 calories de plus que ce que vous croyez, et le déficit disparaît. C'est le genre d'écart que le test du NIH a trouvé.
La correction est un contrôle simple :
- Notez tout pendant 2 à 4 semaines et pesez-vous plusieurs fois par semaine, à la même heure de la journée.
- Comparez votre apport moyen noté à la tendance de votre poids. Si vous notez un déficit de 500 calories mais que votre poids ne bouge pas, vos relevés sont probablement trop bas.
- Ajustez : soit notez plus soigneusement (voir ci-dessous), soit abaissez votre objectif calorique de l'écart constaté.
Votre TDEE est le point de départ de cette comparaison.
Comment rendre le suivi calorique par IA plus précis
- Photographiez par-dessus, avec toute l'assiette dans le cadre. Une fourchette ou votre main dans le cadre donnent une idée de l'échelle.
- Ajoutez ce que l'appareil ne voit pas. Tapez ou dites « cuit dans 1 cuillère à soupe d'huile d'olive » ou « avec 2 cuillères à soupe de sauce ranch ». Le contexte a amélioré les estimations dans l'étude sur ChatGPT-5.
- Donnez les quantités quand vous les connaissez. « 200 g de blanc de poulet » bat une estimation à tous les coups.
- Corrigez la portion avant d'enregistrer. Si l'estimation semble petite pour ce que vous avez mangé, c'est probablement le cas.
- Utilisez un code-barres pour les aliments emballés et une balance de cuisine pour les aliments que vous mangez chaque jour, comme les flocons d'avoine, le riz, le beurre de noix et l'huile de cuisson.
- Séparez les plats mélangés quand vous le pouvez, ou notez les ingrédients principaux d'un ragoût plutôt que « ragoût ».
Notre guide pour suivre ses calories avec précision détaille les repas au restaurant et les repas à l'extérieur.
Quand utiliser autre chose qu'une photo
- Aliments emballés : scannez le code-barres.
- Aliments mangés tous les jours : pesez-les une fois, enregistrez-les et réutilisez l'entrée.
- Régimes médicaux : si vous gérez un diabète, une maladie rénale ou une autre pathologie par l'alimentation, une estimation par photo n'est pas assez précise. Travaillez avec votre médecin ou un diététicien diplômé.
Ce que propose Nutrify
Nutrify réunit en un seul endroit le suivi par photo, par code-barres et par voix, pour que vous utilisiez une photo pour un repas rapide, et un code-barres ou une quantité saisie quand vous voulez de la précision. Chaque estimation peut être modifiée avant d'être enregistrée. Nutrify propose un essai gratuit de 7 jours, puis un abonnement payant. Si vous comparez les applis, voir Cal AI vs MyFitnessPal.
Sources
- American Society for Nutrition via ScienceDaily, Your AI calorie-tracking app may be off by 345 calories (26 juillet 2026 ; étude NIDDK présentée à NUTRITION 2026).
- Fridolfsson J, Sjöberg E, Thiwång M, Pettersson S. Performance evaluation of 3 large language models for nutritional content estimation from food images. Curr Dev Nutr, 2025.
- Rodríguez-Jiménez M, et al. Image-based dietary energy and macronutrients estimation with ChatGPT-5. Nutrients, 2025.
- Nakagawa S, Yamamoto A. Prompt engineering and model selection for LLM-based nutritional estimation from food images. Nutrients, 2026.
- Vedovelli L, et al. Model architecture dominates nutritional estimation accuracy in vision-language systems. Sci Rep, 2026.
- Serra M, et al. Limited validity of an AI-powered app for dietary assessment in females with obesity. NPJ Digit Med, 2026.
- Lichtman SW, et al. Discrepancy between self-reported and actual caloric intake and exercise in obese subjects. N Engl J Med, 1992.
- Urban LE, et al. Accuracy of stated energy contents of restaurant foods. JAMA, 2011.
- US Code of Federal Regulations, 21 CFR 101.9(g)(5), conformité de l'étiquetage nutritionnel.



