Les applis de calories par IA sont utiles, mais pas précises. Dans les meilleurs tests indépendants publiés, des modèles d’IA généralistes qui estimaient les calories à partir d’une seule photo se trompaient en moyenne d’environ 36 %, et ils avaient tendance à sous-estimer les grosses portions. Ils reconnaissent bien ce qu’il y a dans l’assiette, beaucoup moins bien la quantité : les résultats les plus fiables viennent donc quand vous vérifiez et corrigez l’estimation.

C’est peut-être décevant, mais cela place la saisie par photo à peu près au niveau des carnets alimentaires classiques utilisés depuis des décennies. Voici ce que la recherche a réellement mesuré, d’où viennent les erreurs et comment bien utiliser ces applis.

Les applis de calories IA sont-elles fiables selon les études ?

Il n’existe pas de « score de fiabilité » unique pour les applis de calories par IA. Les études utilisent des aliments, des modèles et des méthodes de référence différents. Le plus juste est d’en comparer plusieurs.

Étude	Ce qui a été testé	Résultat principal pour les calories
Fridolfsson et al., Current Developments in Nutrition, 2025	3 modèles d’IA, 52 photos d’aliments pesés	Erreur moyenne de 35,8 % (deux meilleurs modèles) et 64,2 % (troisième modèle)
O’Hara et al., Nutrients, 2025	ChatGPT-4, 114 photos de 38 repas en 3 tailles de portion	Aliments bien identifiés ; poids sous-estimé sur 76 % des photos
Rodríguez-Jiménez et al., Nutrients, 2025	ChatGPT-5, 195 plats, avec plus ou moins d’informations	Erreur moyenne de 30,5 % avec la photo seule, 13,9 % avec ingrédients et quantités
Joubert et al., Diabetes Therapy, 2021	Une appli à reconnaissance photo vs une appli à saisie manuelle, pour les glucides	L’appli photo sous-estimait les glucides de 7,2 g par repas en moyenne

La comparaison de trois modèles (2025)

Des chercheurs de Göteborg ont photographié 52 repas et aliments standardisés, pesé chaque composant et calculé la vraie composition nutritionnelle avec une base de données. Ils ont ensuite demandé à trois modèles d’IA d’estimer les nutriments à partir des photos.

Pour les calories, l’erreur absolue moyenne en pourcentage (MAPE) était de 35,8 % pour ChatGPT-4o comme pour Claude 3.5 Sonnet, et de 64,2 % pour Gemini 1.5 Pro. Pour les protéines, les lipides et les glucides, les erreurs étaient plus élevées, d’environ 42 % à 110 % selon le modèle et le nutriment. Les trois modèles sous-estimaient d’autant plus que la portion était grande.

Les auteurs concluent que les deux meilleurs modèles étaient à peu près aussi précis que les méthodes classiques de relevé alimentaire déclaratif, sans l’effort qu’elles demandent, mais pas encore assez précis pour un usage exigeant comme la nutrition clinique ou sportive.

ChatGPT et la taille des portions

Une équipe irlandaise a testé ChatGPT-4 sur 114 photos : 38 repas issus d’une enquête nationale de nutrition, chacun en petite, moyenne et grande portion. Le modèle reconnaissait bien les aliments, avec une précision de 93 %. Il était beaucoup plus faible sur les portions. Ses estimations de poids concordaient bien pour les petits repas, mais pas pour les moyens et les grands, et il a sous-estimé le poids sur 87 des 114 photos (76 %). Pour 13 des 16 nutriments étudiés, l’écart avec les vraies valeurs dépassait 10 %.

Plus d’informations, de meilleures estimations

Une étude de 2025 a testé ChatGPT-5 sur 195 plats dans plusieurs scénarios. Avec la photo seule, l’erreur moyenne sur les calories était de 30,5 %, soit environ 123 kcal par plat. En ajoutant ce que la caméra ne voit pas, comme le type et la quantité de matière grasse et d’édulcorant, la teneur en matières grasses des produits laitiers et le type de viande, elle descendait à 24,4 %. Avec les ingrédients et leurs quantités, elle tombait à 13,9 %, environ 53 kcal par plat.

La leçon pratique est simple : plus vous en dites à l’appli, meilleur est le chiffre.

Un regard côté diabète

Pour les personnes qui comptent les glucides, une étude française de 2021 a comparé une appli à reconnaissance photo et une appli où l’on saisit soi-même les glucides. L’appli photo sous-estimait les glucides de 7,2 g par repas en moyenne, et l’erreur dépassait 20 g pour 30 % des repas, contre 14 % avec l’appli manuelle. Les auteurs jugent tout de même les deux applis plus précises que les erreurs habituelles des personnes vivant avec un diabète de type 1 au quotidien, mais l’écart compte quand la dose d’insuline dépend du chiffre.

L’IA face aux autres façons de compter

L’erreur n’est pas propre à l’IA. Une méta-analyse publiée en 2021 dans Advances in Nutrition a regroupé les études de validation d’applis de journal alimentaire à saisie manuelle. En moyenne, ces applis sous-estimaient les apports énergétiques d’environ 202 kcal par jour par rapport aux méthodes de référence. Quand l’appli et la référence utilisaient la même base de données, l’écart tombait à environ 57 kcal par jour : la base de données derrière les chiffres compte beaucoup.

La comparaison honnête n’est donc pas « l’IA contre la perfection », mais « l’IA contre vous qui tapez et estimez vos portions », et les deux ont leurs angles morts. Le côté manuel est détaillé dans notre guide comment compter les calories.

Pourquoi les photos sont difficiles pour l’IA

La taille des portions. Une photo n’a pas d’échelle. C’est la principale source d’erreur, et les grandes portions sont les plus souvent sous-estimées.
Les graisses et sucres cachés. L’huile de cuisson, le beurre sur les légumes, les vinaigrettes et les sauces peuvent ajouter des centaines de calories et sont souvent invisibles.
Les plats mélangés ou en couches. Le riz sous le curry, la garniture d’un wrap, le fromage dans un sandwich.
Les aliments qui se ressemblent. Fromage blanc à 0 % ou entier, lait entier ou écrémé, soda normal ou zéro, pain blanc ou complet.
La qualité de la photo. Une photo sombre, floue ou prise de trop près donne moins d’informations au modèle.
Les conditions de test. L’étude sur trois modèles utilisait des photos standardisées prises sous des angles fixes, et ses auteurs soulignent que les vrais repas sont plus complexes. Au quotidien, la précision peut être moins bonne qu’en laboratoire.

Un exemple chiffré

Imaginons que votre plat de pâtes contienne réellement 700 kcal. Une erreur moyenne d’environ 36 % correspond à environ 250 kcal (700 × 0,36 = 252). Une estimation isolée pourrait donc tomber n’importe où entre environ 450 et 950 kcal.

Sur une journée, les erreurs aléatoires se compensent en partie : un repas est surestimé, un autre sous-estimé. Le problème, ce sont les erreurs systématiques. Si chaque gros dîner est sous-estimé de 200 kcal, rien ne se compense : cela fait environ 1 400 kcal sur une semaine. C’est pourquoi corriger la portion des gros repas compte plus que de s’inquiéter d’une petite collation.

Et PixNutri dans tout ça ?

Les études ci-dessus ont testé des modèles d’IA généralistes, pas PixNutri : elles ne disent donc pas quelle est la précision de PixNutri. Nous n’avons pas encore publié notre propre évaluation et nous n’annonçons aucun pourcentage de précision. Notre page sur la précision (en anglais) explique ce que nous savons et ce que nous testons encore.

PixNutri est conçu autour des limites que décrit la recherche. Chaque estimation par photo affiche les calories, protéines, glucides, lipides, fibres et sucres, et vous pouvez vérifier et modifier chaque valeur. Les boutons de portion (½, ¾, 1½, 2×) corrigent l’erreur la plus fréquente en un geste. Pour les produits emballés, le scanner de code-barres utilise les valeurs nutritionnelles enregistrées dans Open Food Facts, ajustées à la quantité que vous indiquez. Vous pouvez aussi décrire un repas par écrit ou à la voix, ce qui donne à l’appli des informations qu’une photo ne montre pas.

Comment obtenir des résultats plus précis avec n’importe quelle appli IA

Photographiez du dessus, avec une bonne lumière et toute l’assiette dans le cadre.
Vérifiez la portion. Si l’assiette est plus copieuse que la moyenne, partez du principe que l’estimation est trop basse et ajustez-la.
Ajoutez ce que la caméra ne voit pas : huile de cuisson, beurre, sauces, sucre dans les boissons.
Scannez le code-barres des produits emballés plutôt que de les photographier.
Photographiez les plats mélangés avant de les remuer, ou décrivez les ingrédients principaux.
Pesez une fois quelques-uns de vos aliments habituels pour apprendre à reconnaître vos portions. Voir compter les calories sans balance.
Jugez vos progrès sur la tendance de la semaine, pas sur un repas.

Quand une estimation ne suffit pas

Si vous comptez les glucides pour doser l’insuline, si vous avez une maladie rénale, si vous êtes enceinte ou si vous avez des antécédents de troubles du comportement alimentaire, faites-vous accompagner par un médecin ou un diététicien et ne vous fiez pas aux seules estimations par photo. Dans ces situations, les études montrent clairement que les modèles d’IA ne sont pas encore assez précis.

FAQ

Les applis de calories par IA sont-elles précises ?

Dans les tests publiés, les meilleurs modèles d’IA généralistes se trompaient en moyenne d’environ 36 % sur les calories à partir d’une seule photo, en sous-estimant le plus souvent les grandes portions. La précision s’améliore quand vous ajoutez des détails comme les ingrédients et les quantités.

Une appli IA est-elle plus fiable qu’un journal alimentaire classique ?

Pas clairement. Une étude de 2025 a trouvé les meilleurs modèles à peu près aussi précis que les méthodes déclaratives classiques. Les applis à saisie manuelle sous-estiment aussi, d’environ 200 kcal par jour en moyenne selon une méta-analyse de 2021.

Peut-on maigrir avec une appli de calories par IA ?

Oui, si vous utilisez les chiffres comme des estimations, corrigez les erreurs évidentes et suivez votre tendance de poids sur plusieurs semaines. Pour comprendre comment les chiffres se traduisent en poids, lisez notre article sur le déficit calorique.

Pourquoi l’appli sous-estime-t-elle mes gros repas ?

Une photo n’a pas d’échelle, donc l’IA a tendance à supposer une portion d’apparence normale. Les études montrent toutes que les estimations baissent à mesure que la portion grossit. Pour les grandes assiettes, utilisez les boutons de portion ou modifiez les valeurs.

Le scan du code-barres est-il plus précis qu’une photo ?

En général oui, car il utilise les valeurs nutritionnelles enregistrées pour ce produit plutôt qu’une estimation visuelle. Sa précision dépend de la fiche dans la base de données et de la quantité que vous saisissez.

Les applis de calories IA sont-elles fiables ? Les études