Pourquoi les applis de calories IA sous-estiment de 250 à 345 calories (et comment corriger)

Nous développons Callie. Cet article explique pourquoi toutes les applis de calories par photo ont tendance à sous-estimer, la nôtre comprise, et ce que tu peux faire contre chaque cause. Nos propres résultats de test sont signalés comme tels, et tous les autres chiffres renvoient à leur source.

La réponse en 30 secondes

Les applis de calories IA sous-estiment surtout parce qu'une photo ne montre ni le gras ni la profondeur. Dans un résumé de congrès du NIH de 2026, quatre applis populaires ont sous-estimé 102 repas pesés d'environ 250 à 345 calories chacun, avec environ 30 grammes de gras en moins. La taille des portions, les plats mélangés, les repas keto et les cuisines moins connues ajoutent de l'erreur. La correction consiste à dire à l'IA ce que l'appareil photo a manqué. Dans une étude de 2025 portant sur 195 plats, l'erreur de ChatGPT-5 sur les calories est passée de 30,5 % avec la photo seule à 13,9 % quand il avait aussi la liste des ingrédients.

Pour la liste complète des études, consulte notre synthèse des recherches sur la précision des calories IA. Cette page porte sur les causes et les corrections.

Cause, erreur typique et correction en 10 secondes

Six facteurs tirent les estimations photo vers le bas, et chacun a une correction qui prend environ dix secondes. Les erreurs ci-dessous viennent des études citées dans cet article. Quand un chiffre est notre propre estimation, c'est indiqué.

Estimation : le chiffre de 120 kcal suppose qu'une cuillère à soupe entière a été oubliée. Un sauté maison en utilise souvent une ; un plat de restaurant souvent plus.

Cause 1 : le gras invisible de l'huile, du beurre, du ghee et des sauces

Le gras est la principale raison pour laquelle les applis photo sous-estiment, car l'appareil photo ne voit pas ce qui a pénétré dans l'aliment. Dans l'analyse du NIH présentée à NUTRITION 2026, le gras était sous-estimé d'environ 30 grammes par repas. À 9 calories par gramme, cela fait environ 270 calories, soit l'essentiel de l'écart de 250 à 345 calories.

« Ces applis ont tendance à sous-estimer les calories, surtout celles qui viennent des graisses », a déclaré Aaron Hengist, chercheur postdoctoral au National Institute of Diabetes and Digestive and Kidney Diseases du NIH, dans le communiqué du NIDDK (notre traduction).

Les quantités qui disparaissent sont petites en volume et grandes en calories. USDA FoodData Central indique 884 calories pour 100 g d'huile d'olive, soit 119 calories par cuillère à soupe. Une cuillère à soupe de beurre salé fait 102 calories et une cuillère à soupe de ghee environ 112. Un sauté cuit avec une cuillère à soupe d'huile a le même aspect qu'un sauté cuit à sec.

La correction : enregistre le gras comme un aliment à part. Notre guide des calories cachées donne des quantités par défaut pour chaque mode de cuisson.

Cause 2 : la taille et la profondeur des portions

Une seule photo montre une surface, pas une hauteur : plus la portion est grande et profonde, plus l'estimation reste en dessous. Une étude de 2025 parue dans Current Developments in Nutrition par Fridolfsson et ses collègues a testé ChatGPT-4o, Claude 3.5 Sonnet et Gemini 1.5 Pro sur 52 photos d'aliments. L'article rapporte que les trois modèles montraient une sous-estimation systématique qui augmentait avec la taille de la portion. Pour l'énergie, les pentes de biais allaient de −0,34 à −0,45, et l'erreur en pourcentage était inférieure d'environ 20 % à 30 % pour les petites portions par rapport aux grandes. Pour un grand curry de lentilles, ChatGPT a estimé 255 g pour un poids réel de 480 g.

Une autre étude de 2025 parue dans Nutrients par O'Hara et ses collègues a photographié 38 repas en trois tailles. ChatGPT était proche pour les petites portions, mais estimait les grands repas à 530 g en moyenne alors qu'ils pesaient 798 g, soit environ un tiers en dessous. Il a sous-estimé le poids sur 87 des 114 photos (76 %).

L'étude de Rodríguez-Jiménez a observé la même tendance. Ses plus grosses erreurs concernaient les plats servis dans des bols, ce que les auteurs relient à la capacité limitée du modèle à juger la profondeur et le volume à partir d'une seule image.

Cause 3 : les plats mélangés, en couches et en sauce

Quand les ingrédients sont mélangés ou superposés, l'IA doit deviner ce qu'il y a dessous et la quantité de sauce. Un curry, un ragoût, un biryani ou des lasagnes ne montrent que leur couche du dessus. Le riz sous la sauce, le fromage entre les feuilles de pâte et l'huile dans la sauce restent cachés.

Dans notre propre test de 20 repas pesés à la balance de cuisine (mai 2026), les plats en couches comme les lasagnes et le biryani étaient la catégorie la plus difficile pour les deux applis testées. Callie avait 22 % d'erreur moyenne sur ces plats et Cal AI 26 %, contre 13 % et 17 % sur l'ensemble des repas. La méthode complète est sur notre page Callie vs Cal AI.

Le communiqué du NIH indique que deux des applis, MyFitnessPal et Lose It!, estimaient mieux les repas plus caloriques que les repas légers. Le problème n'est donc pas seulement la taille du repas. Ce qui compte le plus, c'est la part de l'énergie du repas qui se trouve là où l'appareil photo ne voit pas.

La correction la plus simple : photographie les éléments avant de les mélanger, ou enregistre-les séparément : le riz, le curry, et la cuillère à soupe d'huile ou de ghee du tadka.

Cause 4 : les repas keto et riches en gras

Les repas qui tirent l'essentiel de leur énergie du gras sont le cas le plus difficile pour un appareil photo, et le suivi du NIH a trouvé que les applis s'en sortaient moins bien. Dans une analyse complémentaire de plus de 200 repas supplémentaires, l'équipe du NIDDK a rapporté des premiers résultats suggérant que les applis ont plus de mal avec les repas cétogènes pauvres en glucides. HealthDay ajoute que c'est probablement parce que les applis sous-estiment systématiquement leur teneur plus élevée en gras.

Le communiqué indique aussi que les quatre applis estimaient les glucides de façon plus régulière que les autres macronutriments. Cela colle au mécanisme. Le riz, le pain et les pommes de terre ont un volume visible. Le beurre dans une sauce, la crème dans les œufs et le gras à l'intérieur d'une entrecôte, non.

Si tu suis un régime keto, vérifie la ligne du gras sur chaque enregistrement photo plutôt que le total de calories. Si le gras paraît bas pour ce que tu as cuisiné, ajoute toi-même le beurre, l'huile ou le fromage. Aucun chiffre public ne mesure encore l'écart pour le keto. Cette partie du travail du NIH est un résultat de congrès préliminaire, pas un article évalué par les pairs.

Cause 5 : les cuisines que les modèles ont moins vues à l'entraînement

Les modèles d'IA alimentaire sont surtout entraînés sur des banques d'images issues de certains pays, et peuvent donc moins bien réussir les plats qu'ils ont moins vus. Une revue de la littérature de 2025 parue dans Frontiers in Nutrition note que beaucoup de banques d'images alimentaires se concentrent sur des pays ou des cultures précis, ce qui peut rendre les systèmes d'IA moins performants sur les aliments de régions sous-représentées.

Une étude de 2024 parue dans Nutrients par Li et ses collègues l'a testé directement. Des applis photo IA n'ont pas su identifier les composants du pho au bœuf et du thé aux perles, et ont sous-estimé leur énergie jusqu'à 76 %. Pour le bibimbap, qui compte six composants, Foodvisor et Fastic en ont reconnu 3 et 4. Les applis à saisie manuelle dérivaient aussi : par rapport aux relevés alimentaires de référence, elles surestimaient un régime occidental de 1 040 kJ (environ 250 kcal) et sous-estimaient un régime asiatique de 1 520 kJ (environ 363 kcal).

« Les utilisateurs doivent savoir que si la reconnaissance d'images alimentaires par IA peut simplifier l'enregistrement des repas, elle n'est pas toujours exacte, surtout avec des plats complexes ou propres à une culture », a déclaré Juliana Chen, diététicienne à l'Université de Sydney et autrice de l'étude, à Nutrition Insight (notre traduction).

La correction : tape le vrai nom du plat et ses ingrédients principaux. Notre guide de la cuisine indienne montre comment faire.

Cause 6 : pourquoi les démos ont l'air plus précises que l'usage quotidien

Les démos marketing montrent le cas facile : un seul aliment, bien séparé, sous une bonne lumière. Une banane, une part de pizza ou un steak-frites dans l'assiette se photographient bien et sont bien estimés. Un sauté du mardi soir mangé dans un bol sous l'éclairage de la cuisine, non. Les études ci-dessus ont testé des repas complets, souvent mélangés ou faits maison, et c'est une des raisons pour lesquelles leurs chiffres paraissent moins bons que les vidéos des applis.

Les vidéos de démo sont aussi montées pour être fluides, parfois pour des raisons qui n'ont rien à voir avec la précision. Dans un compte rendu de RevenueCat sur le podcast Sub Club (14 octobre 2026), le cofondateur de Cal AI, Jake Castillo, décrit le « moment magique » du scan à l'écran. Le compte rendu explique qu'une fenêtre de série (streak) s'affichait après le premier scan de la journée et cassait ce rythme : l'entreprise veillait donc à ce que ses influenceurs ne montrent pas leur premier scan de la journée. La raison donnée était cette fenêtre, pas la précision. Pour toi, la leçon est la même : une vidéo de créateur montre le meilleur des cas.

Juge chaque appli, la nôtre comprise, sur tes propres repas mélangés et faits maison.

La correction : donne à l'IA ce que la photo ne montre pas

Dire à l'IA ce que contient le repas réduit son erreur d'environ moitié, selon une étude de 2025 sur ChatGPT-5. Rodríguez-Jiménez et ses collègues (Nutrients, 2025, 17(22):3613) ont testé 195 plats issus de trois sources en donnant au modèle plus de contexte à chaque étape.

Feature	Erreur sur les calories (MAPE)	Écart moyen
Photo seule	30,5 %	environ 123 kcal
Photo et courte description (type et quantité de gras, gras laitier, type de viande)	24,4 %	environ 92 kcal
Photo et liste des ingrédients avec quantités	13,9 %	environ 53 kcal
Liste des ingrédients seule, sans photo	18,1 %	environ 67 kcal

Deux points ressortent. Ajouter le gras et les autres détails que l'appareil photo ne voit pas a réduit l'erreur d'environ un cinquième, et une liste complète des ingrédients l'a réduite de plus de moitié. La photo restait utile : la liste seule faisait moins bien que la photo avec la liste. Les auteurs écrivent que la précision s'améliorait de façon constante quand les éléments visuels étaient complétés par des indications non visuelles.

L'équipe du NIH en tire la même leçon. « Les personnes qui utilisent une appli de suivi par photo sans ajuster les portions ni saisir les quantités devraient prendre les résultats avec des pincettes », a déclaré Hengist, selon HealthDay (notre traduction).

Comment Callie est conçue autour de cette correction

Callie n'enregistre jamais un scan photo automatiquement, car l'étape de correction apporte l'essentiel de la précision. Après un scan, un écran de vérification liste chaque aliment avec sa portion, ses calories et ses macros. Tu peux tout modifier, ajouter l'huile ou le beurre, ou retirer un aliment que l'IA a mal identifié, et rien n'arrive dans ton journal avant ta confirmation.

Les estimations de portion de Callie utilisent aussi les métadonnées de profondeur et d'appareil photo que ton téléphone enregistre dans la photo originale, au lieu de juger l'échelle à partir d'une image plate. Cela aide pour la cause 2, mais seulement si les métadonnées sont présentes. Les captures d'écran et les photos transférées par messagerie les perdent en général : prends une nouvelle photo dans l'appli ou choisis l'originale dans ta galerie.

Aucune de ces fonctions ne voit l'huile à l'intérieur des aliments. La profondeur aide pour la quantité dans l'assiette, et l'écran de vérification sert à ajouter ce qui est passé dans la poêle. Dans notre propre test de 20 repas, Callie avait 13 % d'erreur moyenne et Cal AI 17 %. C'est notre test, pas un test indépendant. Notre guide du suivi par photo détaille la méthode.

Cinq corrections qui marchent dans toutes les applis

Ces habitudes réduisent les plus grosses erreurs dans n'importe quel tracker photo, pas seulement le nôtre. Chacune vise une des causes ci-dessus.

1. Enregistre l'huile à part. Ajoute « 1 c. à soupe d'huile d'olive » (119 kcal, USDA) sur sa propre ligne pour un sauté maison. Fais de même pour le beurre, le ghee et la sauce.
2. Pèse une fois les aliments denses en calories. Pèse une ou deux fois ta portion habituelle d'huile, de beurre de cacahuète, de fromage, de granola, de riz et de pâtes. Ensuite, tu sais à quoi ressemblent 30 g de fromage et tu peux corriger l'estimation à l'œil.
3. Photographie avant de mélanger. Prends le riz, le curry et les garnitures en photo avant de les mélanger, ou enregistre-les comme aliments séparés.
4. Ajoute une courte description. « Cuisse de poulet avec la peau, poêlée dans 2 c. à café de beurre » donne à l'IA le type et la quantité de gras, le genre de détail qui a fait passer ChatGPT-5 de 30,5 % à 24,4 % d'erreur.
5. Prends deux photos. Une à environ 45 degrés avec une fourchette ou une main pour l'échelle, et une prise juste au-dessus. La photo inclinée montre la hauteur ; celle du dessus montre tout ce qu'il y a dans l'assiette.

Puis surveille ta courbe de poids. Si trois semaines d'enregistrements indiquent un déficit et que la balance n'a pas bougé, tes enregistrements sont probablement trop bas.

Quand une appli photo ne suffit pas

Pour certains objectifs, une estimation photo reste trop approximative même corrigée, et une balance ou un tracker basé sur une base de données est le meilleur outil. Si tu prépares une compétition, comptes les glucides pour l'insuline ou suis un régime médical, il te faut des chiffres plus précis que ce qu'une appli photo donne aujourd'hui. Notre guide pour savoir s'il faut une balance de cuisine avec un tracker IA explique quand peser vaut le coup.

Si tu manges surtout des produits emballés, le scan de code-barres et une base de données vérifiée sont plus précis qu'une photo. Si tu préfères te passer de l'IA, notre liste de trackers de calories sans IA présente des options axées sur la saisie manuelle comme Cronometer et MyFitnessPal.

Le suivi par photo te convient si tu manges beaucoup de plats maison ou au restaurant, veux enregistrer en quelques secondes et acceptes de corriger l'estimation avant qu'elle soit sauvegardée.

À lire aussi

• Recherches sur la précision des calories IA, toutes les études au même endroit.
• Les applis de calories IA sous-estiment les repas jusqu'à 345 calories, notre analyse du résumé du NIH.
• Cal AI est-elle précise ?, un avis centré sur cette appli.
• Les calories cachées dans l'huile, le beurre et les sauces, avec les valeurs USDA par cuillère à soupe.

Sources

1. Charles O, Hengist A et al. (2026). Étude sur les applis de calories par photo, présentée à NUTRITION 2026, American Society for Nutrition, 25 juillet 2026. Résumé de congrès, non évalué par les pairs. Communiqué NIDDK/ASN via EurekAlert! : https://www.eurekalert.org/news-releases/1136415
2. HealthDay (27 juillet 2026). « How Accurate Are Photo-Based Calorie Apps? 4 Are Put To The Test. » https://www.healthday.com/health-news/nutrition/how-accurate-are-photo-based-calorie-apps-4-are-put-to-the-test
3. Nutritional Outlook (30 juillet 2026). « Study finds popular AI calorie tracking apps underestimate meal energy by about a third. » https://www.nutritionaloutlook.com/view/study-finds-popular-ai-calorie-tracking-apps-underestimate-meal-energy-by-about-a-third
4. Rodríguez-Jiménez M, Martín-del-Campo-Becerra GD, Sumalla-Cano S, Crespo-Álvarez J, Elio I (2025). « Image-Based Dietary Energy and Macronutrients Estimation with ChatGPT-5: Cross-Source Evaluation Across Escalating Context Scenarios. » Nutrients 17(22):3613. https://pmc.ncbi.nlm.nih.gov/articles/PMC12655113/
5. Fridolfsson J, Sjöberg E, Thiwång M, Pettersson S (2025). « Performance Evaluation of 3 Large Language Models for Nutritional Content Estimation from Food Images. » Current Developments in Nutrition 9(10):107556. https://pmc.ncbi.nlm.nih.gov/articles/PMC12513282/
6. O'Hara C, Kent G, Flynn AC, Gibney ER, Timon CM (2025). « An Evaluation of ChatGPT for Nutrient Content Estimation from Meal Photographs. » Nutrients 17(4):607. https://pmc.ncbi.nlm.nih.gov/articles/PMC11858203/
7. Li X, Yin A, Choi HY, Chan V, Allman-Farinelli M, Chen J (2024). « Evaluating the Quality and Comparative Validity of Manual Food Logging and Artificial Intelligence-Enabled Food Image Recognition in Apps for Nutrition Care. » Nutrients 16(15):2573. https://pmc.ncbi.nlm.nih.gov/articles/PMC11314244/
8. Nutrition Insight (5 septembre 2024). « Non-Western diets harder to track using AI-powered health apps, expert warns. » https://www.nutritioninsight.com/news/non-western-diets-harder-to-track-using-ai-powered-health-apps-expert-warns.html
9. Rouhafzay A, Rouhafzay G, Jbilou J (2025). « Image-based food monitoring and dietary management for patients living with diabetes: a scoping review of calorie counting applications. » Frontiers in Nutrition 12. https://www.frontiersin.org/journals/nutrition/articles/10.3389/fnut.2025.1501946/full
10. RevenueCat, David Barnard (14 octobre 2026). « Cal AI paid UFC creators thousands of dollars to post, and got no download spike at all. » Compte rendu du podcast Sub Club. https://www.revenuecat.com/blog/growth/jake-castillo-cal-ai-sub-club-podcast-2026.md
11. USDA FoodData Central, SR Legacy : « Oil, olive, salad or cooking » (FDC 171413), « Butter, salted » (FDC 173410), « Butter oil, anhydrous » (FDC 173412). Consulté le 20 octobre 2026. https://fdc.nal.usda.gov/
12. Test interne de Callie sur 20 repas pesés à la balance de cuisine (mai 2026). Méthode : https://www.mycallie.app/en/compare/callie-vs-cal-ai