# Les applis de calories IA sont-elles précises ? Toutes les études publiées, 2023–2026

> Toutes les études que nous avons trouvées sur la précision de l'IA pour estimer les calories à partir de photos de repas, réunies dans un seul tableau : le test du NIH en 2026 sur quatre applis, les études sur ChatGPT, Claude et Gemini, deux revues systématiques, la recherche sur la cuisine du Moyen-Orient et les affirmations des éditeurs. L'erreur typique va de 14 % à 36 %, et elle penche vers le bas.

Canonical: https://www.mycallie.app/fr/blog/ai-calorie-accuracy-research
Published: 2026-10-20 · Updated: 2026-10-20
Author: Md Sadab Wasim · Source: https://www.mycallie.app

## À retenir

- Dans les études publiées de 2023 à 2026, les estimations de calories faites par l'IA à partir d'une photo de repas se trompent généralement de 14 % à 36 %, et elles ont tendance à sous-estimer.
- Dans le plus grand test d'applis, une équipe du NIH a constaté que MyFitnessPal, Lose It!, Cal AI et Appediet sous-estimaient 102 repas pesés de 252 à 345 kcal chacun, soit environ un tiers, avec environ 30 g de lipides en moins. Il s'agit d'un résumé de congrès, pas encore relu par des pairs.
- Les chatbots généralistes n'ont pas fait mieux à partir d'une photo seule : 35,8 % d'erreur pour GPT-4o et Claude 3.5 Sonnet, 64,2 % pour Gemini 1.5 Pro (2025), et 30,5 % pour ChatGPT-5 (2025).
- La correction est le levier le plus fort dans les données. Donner à ChatGPT-5 la liste des ingrédients avec les quantités a fait passer son erreur de 30,5 % à 13,9 % sur 195 plats.
- L'erreur augmente avec les grosses portions, les plats mélangés et les graisses cachées. Une prépublication de 2026 portant sur 802 repas ajoute qu'une faible erreur moyenne peut cacher de gros écarts sur des repas pris un par un.
- La plupart des preuves reposent sur de petits échantillons : 15 à 195 repas par étude, plusieurs résumés de congrès ou mémoires, et des modèles qui changent tous les quelques mois.

Callie est notre appli. Elle n'apparaît ici qu'une fois, dans notre propre test sur 20 repas, à la dernière ligne du tableau. Tous les autres chiffres renvoient à leur source, vérifiée le 20 octobre 2026.

## La réponse en 30 secondes

**Les estimations de calories par photo faites par l'IA se trompent généralement de 14 % à 36 %, et elles penchent vers le bas.** À partir d'une photo seule, les écarts se situent vers le haut de cette fourchette. Des chercheurs du NIH ont constaté que quatre applis populaires sous-estimaient des repas pesés de [252 à 345 kcal, soit environ un tiers](https://www.eurekalert.org/news-releases/1136415) (2026), et les chatbots se trompaient de 30,5 % à 35,8 % dans des études de 2025. La précision s'améliore nettement quand une personne corrige les ingrédients et les portions : donner à ChatGPT-5 la liste des ingrédients a ramené son erreur à 13,9 %.

## Toutes les études en un coup d'œil

Toutes les études que nous avons trouvées sur l'estimation des calories par l'IA à partir de photos de repas, classées par type : tests d'applis et de modèles, revues, études de reconnaissance, puis affirmations d'éditeurs et notre propre test. Les erreurs portent sur les calories, sauf indication contraire.

| Étude et année | Revue ou cadre | Ce qui a été testé | Échantillon | Méthode de référence | Erreur principale | Remarques |
|---|---|---|---|---|---|---|
| Charles, Hengist et al. (NIDDK), 2026 | Résumé NUTRITION 2026, American Society for Nutrition | MyFitnessPal, Lose It!, Cal AI, Appediet | 102 repas, plus de 200 dans un suivi | Cuisine métabolique, ingrédients pesés à 0,1 g près | Sous-estimation de 252 à 345 kcal par repas (environ un tiers) ; lipides environ 30 g en dessous | Pas relu par des pairs. Repas cétogènes moins bien estimés |
| Li, 2026 | Prépublication arXiv | 6 modèles Claude et GPT | 802 repas, 148 jours d'alimentation | Apports pesés dans un essai d'alimentation contrôlée | 3 modèles sur 6 ont gardé leur erreur moyenne dans les 10 % ; aucun n'a atteint la limite de 30 % par repas | Pas relu par des pairs. Tous les modèles ont sous-estimé les protéines |
| Isobe et al., 2026 | Nutrients 18(6):966 | 10 modèles d'IA contre 10 diététiciens | 15 repas d'hôpital | Pesée directe | Meilleurs modèles souvent à moins de 10 % pour l'énergie, r supérieur à 0,8 | Tous les modèles d'IA ont surestimé les lipides de plus de 20 % |
| Rodríguez-Jiménez et al., 2025 | Nutrients 17(22):3613 | ChatGPT-5 | 195 plats | Recettes, SNAPMe, repas maison pesés | 30,5 % avec la photo seule ; 13,9 % avec la liste d'ingrédients | 24,4 % avec une description ; 18,1 % avec les ingrédients seuls |
| Fridolfsson et al., 2025 | Current Developments in Nutrition 9(10):107556 | GPT-4o, Claude 3.5 Sonnet, Gemini 1.5 Pro | 52 photos | Pesée directe et base de données nutritionnelle | 35,8 % (GPT-4o et Claude), 64,2 % (Gemini) | Erreur sur les protéines de 60,7 % à 109,9 %. Sous-estimation croissante avec la portion |
| Belfarsi et Ekeocha, 2025 | Kennesaw State, C-Day, recherche de master | GPT Vision, Claude, Gemini | Jeux de données MenuMatch et CGMacros | Annotations de nutritionniste, journaux MyFitnessPal | 13,83 % (GPT Vision, meilleur des 3) | Pas relu par des pairs. Référence saisie, pas pesée |
| Poster Cureus, 2026 | Poster Cureus | GPT-5.2, Gemini 3 Flash, Claude Sonnet 4.6 | 20 repas | Poids sur balance de cuisine, valeurs USDA | Moyennes raisonnables, erreurs importantes repas par repas | Petit échantillon. Poster, pas un article |
| Cofre et al., 2025 | British Journal of Nutrition 133(9) | Revue systématique de l'évaluation alimentaire par IA | 13 études | Méthodes d'évaluation classiques | 6 études avec une corrélation supérieure à 0,7 pour les calories | 61,5 % des études à risque de biais modéré |
| Shonkoff et al., 2023 | Annals of Medicine 55(2) | Revue des méthodes d'IA automatisées sur images | 52 études, 2010 à 2023 | Tables nutritionnelles (51 %), aliments pesés (27 %) | Erreur moyenne sur les calories de 0,10 % à 38,3 % | Plus faible pour les aliments simples. IA au niveau des humains |
| Hariri, 2025 | American University of Beirut, mémoire de MS | Reconnaissance de plats libanais et régionaux | 174 classes de plats, 7 067 images réelles | Images annotées | 78,66 % de précision de reconnaissance | Reconnaissance, pas calories |
| Aktı, Qaraqe, Ekenel, 2022 | Atelier ICIAP 2021 (arXiv) | Reconnaissance de plats du Moyen-Orient | 23 classes de plats | Images annotées | 94 % de précision de reconnaissance | Reconnaissance, pas calories |
| SnapCalorie, 2023 | Affirmations de l'entreprise (TechCrunch, site web) | Appli SnapCalorie | Jeu d'entraînement de 5 000 repas | Non publiée | Erreur « inférieure à 20 % » ; « 2x plus précis que les nutritionnistes » | Affirmations d'éditeur, aucun test publié |
| Notre propre test, mai 2026 | Callie (non indépendant) | Callie, Cal AI | 20 repas | Balance de cuisine à 0,1 g, USDA FoodData Central | Callie 13 %, Cal AI 17 % | Nous éditons Callie. Voir la [méthode](/compare/callie-vs-cal-ai) |

## Étude par étude

Chaque section donne la méthode d'une étude, son chiffre clé et sa principale limite.

### Test d'applis du NIH/NIDDK (NUTRITION 2026)

**Quatre applis photo populaires ont sous-estimé des repas pesés de 252 à 345 kcal chacun, soit environ un tiers.** C'est le seul test d'applis commerciales face à une cuisine métabolique, où les ingrédients sont pesés à 0,1 g près.

Des chercheurs du NIDDK ont passé les photos de 102 repas dans MyFitnessPal, Lose It!, Cal AI et Appediet. Les lipides étaient environ 30 g en dessous par repas, et les glucides étaient le macronutriment le plus régulier. [Healio](https://www.healio.com/news/primary-care/20260804/ai-photobased-calorietracking-tools-underestimate-them-by-33) a publié les moyennes par appli : Appediet 252 kcal en dessous, MyFitnessPal 327, Lose It! 333 et Cal AI 345. Dans un suivi sur plus de 200 repas supplémentaires, les repas cétogènes étaient moins bien estimés.

Les photos ont été enregistrées sans correction. Aaron Hengist, chercheur postdoctoral au NIDDK, a déclaré dans le [communiqué de presse](https://www.eurekalert.org/news-releases/1136415) : « Les personnes qui utilisent une appli de suivi par photo sans ajuster les portions ni saisir les quantités d'aliments devraient prendre les résultats avec des pincettes. » Leigh A. Frame, PhD, de la George Washington University, a écrit dans le point de vue publié par Healio que « ces outils sont sans doute mieux vus comme des aides au changement de comportement que comme des instruments de nutrition de précision ».

Il s'agit d'un résumé de congrès, pas encore relu par des pairs. Notre [analyse de l'étude du NIH](/blog/ai-calorie-app-accuracy-study-2026) détaille la méthode.

### Li, 802 repas dans un essai d'alimentation (prépublication 2026)

**Sur 802 repas pesés, trois modèles sur six étaient précis en moyenne, mais aucun n'était fiable repas par repas.** C'est le plus grand échantillon ici, une prépublication mise en ligne le 19 octobre 2026.

La [prépublication](https://arxiv.org/abs/2610.26538) a testé des modèles Claude et GPT face aux apports pesés d'un essai d'alimentation contrôlée. Sur 148 jours d'alimentation, trois modèles ont gardé l'intervalle de confiance à 90 % de leur erreur moyenne dans une marge de 10 %. Aucun modèle n'a atteint la limite fixée à l'avance de 30 % pour les repas pris un par un. Tous les modèles ont sous-estimé les protéines, surtout dans les repas riches en protéines.

La conclusion de l'auteur vaut pour toutes les études de ce tableau : une faible erreur moyenne ne prouve pas que les estimations repas par repas sont justes.

### Isobe et al., repas d'hôpital face aux diététiciens (2026)

**Pour l'énergie, les meilleurs modèles d'IA ont fait jeu égal avec des diététiciens sur 15 repas d'hôpital pesés.** Les lipides font exception : tous les modèles d'IA les ont surestimés.

Cette [étude publiée dans Nutrients](https://doi.org/10.3390/nu18060966) a photographié 15 repas d'hôpital standardisés sous un éclairage fixe. Dix diététiciens et 10 modèles d'IA, dont GPT-4o et Gemini 1.5 Pro, ont estimé chacun d'eux. Pour l'énergie et les glucides, les meilleurs modèles ont atteint des corrélations supérieures à 0,8 et sont souvent restés à moins de 10 % des valeurs pesées.

Les protéines et les lipides étaient moins bien estimés : tous les modèles d'IA ont surestimé les lipides, avec un biais moyen supérieur à 20 %. C'est l'inverse du résultat du NIH : le sens de l'erreur sur les graisses dépend des aliments. Les auteurs plaident pour une vérification « human-in-the-loop » et pour des outils qui tiennent compte des détails de cuisson.

### Rodríguez-Jiménez et al., ChatGPT-5 avec plus de contexte (2025)

**ChatGPT-5 se trompait de 30,5 % avec une photo seule et de 13,9 % quand il avait aussi la liste des ingrédients.** Cette baisse est la preuve la plus claire que corriger l'estimation de l'IA est payant.

L'[article publié dans Nutrients](https://pmc.ncbi.nlm.nih.gov/articles/PMC12655113/) a soumis 195 plats à ChatGPT-5 de quatre façons. L'erreur sur l'énergie était de 30,5 % (environ 123 kcal par plat) avec la photo seule, 24,4 % avec une courte description, 13,9 % (environ 53 kcal) avec la photo plus les ingrédients et leurs quantités, et 18,1 % avec les ingrédients sans la photo. La photo aidait ; le détail saisi aidait davantage.

C'est le principe d'un écran de vérification. Callie affiche chaque estimation photo et n'enregistre rien tant que tu n'as pas confirmé, ce qui te laisse ajouter l'huile ou corriger une portion d'abord. L'étude n'a pas testé Callie. Elle a testé la correction en général, et c'est la correction qui a fait bouger le chiffre.

### Fridolfsson et al., GPT-4o, Claude et Gemini (2025)

**GPT-4o et Claude 3.5 Sonnet se trompaient tous deux de 35,8 % sur les calories de 52 photos d'aliments, et Gemini 1.5 Pro de 64,2 %.** Les trois sous-estimaient davantage à mesure que les portions grossissaient.

L'[étude publiée dans Current Developments in Nutrition](https://pmc.ncbi.nlm.nih.gov/articles/PMC12513282/) a comparé chaque modèle à des valeurs de référence pesées, pour des aliments seuls et des repas complets en trois tailles de portion. Les erreurs sur les protéines allaient de 60,7 % à 109,9 %.

Les auteurs ont jugé GPT-4o et Claude comparables aux méthodes classiques d'évaluation alimentaire autodéclarée, sans l'effort pour l'utilisateur. Leur verdict restait prudent : ces LLM généralistes « ne sont pas encore adaptés à une évaluation alimentaire précise chez des populations cliniques ou sportives où une quantification exacte est essentielle ». Voir [ChatGPT peut-il compter les calories](/blog/can-chatgpt-count-calories) pour l'usage d'un chatbot en pratique.

### Recherche de master à Kennesaw State (2025)

**GPT Vision avait l'erreur sur les calories la plus faible des trois modèles, 13,83 %.** C'est un projet étudiant présenté lors d'une journée de démonstration, pas relu par des pairs.

El Arbi Belfarsi et Henry Ekeocha ont [comparé GPT Vision, Claude et Gemini](https://digitalcommons.kennesaw.edu/cday/Spring_2025/Masters_Research/10) sur deux jeux de données publics : MenuMatch, annoté par un nutritionniste, et CGMacros, constitué à partir de saisies d'utilisateurs de MyFitnessPal. Gemini avait les erreurs sur les macros les plus équilibrées : protéines 12,55 %, glucides 19,57 % et lipides 17,07 %.

Lis ces 13,83 % avec prudence : la référence était des données saisies, pas des aliments pesés, donc le modèle a été noté face à une autre estimation.

### Poster Cureus, trois modèles récents (2026)

**Sur 20 repas pesés, GPT-5.2, Gemini 3 Flash et Claude Sonnet 4.6 ont donné des estimations moyennes raisonnables, mais des erreurs importantes repas par repas.** C'est un poster, et l'échantillon est petit.

Le [poster](https://www.cureus.com/posters/3217-validity-and-reliability-of-photo-based-ai-estimates-of-meal-calories-and-macronutrients) a pesé les repas sur une balance de cuisine numérique validée et photographié chacun à 45 et 90 degrés avec une pièce de 25 cents américaine pour l'échelle. Le résumé fait état d'estimations moyennes raisonnables et d'une cohérence interne relativement élevée, mais d'erreurs importantes repas par repas. Nous n'avons pas pu confirmer un chiffre d'erreur unique, donc nous n'en citons pas.

### Deux revues systématiques (2023 et 2025)

**Une revue de 2023 portant sur 52 études a trouvé des erreurs moyennes sur les calories de 0,10 % à 38,3 %, avec une IA comparable ou supérieure aux estimateurs humains.** Les erreurs étaient plus faibles pour les aliments simples et seuls.

[Shonkoff et al.](https://pubmed.ncbi.nlm.nih.gov/38060823/) ont passé au crible 14 059 articles dans *Annals of Medicine* et en ont retenu 52, de 2010 à 2023. La référence venait surtout de tables nutritionnelles (51 %) ou d'aliments pesés (27 %). Les études étaient trop hétérogènes pour être regroupées, mais les auteurs ont conclu que les méthodes d'IA égalent la précision des estimateurs humains et pourraient la dépasser.

Une revue de 2025 publiée dans le [British Journal of Nutrition](https://pmc.ncbi.nlm.nih.gov/articles/PMC12229984/) par Cofre et ses collègues a retenu 13 études. Six rapportaient des corrélations supérieures à 0,7 entre l'IA et les méthodes classiques pour les calories, et 61,5 % présentaient un risque de biais modéré. Les deux revues sont pour l'essentiel antérieures aux chatbots actuels.

### Reconnaissance des plats du Moyen-Orient (2022 et 2025)

**La recherche sur la cuisine du Moyen-Orient est maigre : un mémoire de 2025 a atteint 78,66 % de précision de reconnaissance sur 174 plats libanais et régionaux.** Aucune des deux études ne mesure les calories, mais une appli doit reconnaître un plat avant de pouvoir le compter.

Un [mémoire de l'American University of Beirut](https://scholarworks.aub.edu.lb/items/b4a5f886-4834-48a3-bdf1-31aeedde9ce3/full) de 2025, signé Sumayah Hariri, a constitué un ensemble de 174 classes de plats libanais et régionaux à partir de 7 067 images réelles et atteint 78,66 % de précision. Un [article antérieur](https://www.arxiv.org/abs/2204.09432) d'Aktı, Qaraqe et Ekenel a atteint 94 % sur 23 classes de plats du Moyen-Orient et notait que cette cuisine était « restée inexplorée » en reconnaissance alimentaire.

Les produits montrent le même écart. En 2023, le cofondateur de SnapCalorie a reconnu auprès de TechCrunch que son algorithme pouvait être biaisé en faveur de la cuisine américaine. Si tu cuisines arabe ou sud-asiatique, attends-toi à plus de corrections ; voir [suivre la cuisine indienne](/blog/calorie-tracker-for-indian-food).

### Les affirmations de SnapCalorie (éditeur)

**SnapCalorie affirme que son erreur est inférieure à 20 % et qu'il est deux fois plus précis que les nutritionnistes.** Ce sont deux affirmations de l'entreprise, sans test publié derrière.

Le cofondateur Wade Norris a déclaré à [TechCrunch](https://techcrunch.com/2023/06/26/snapcalorie-computer-vision-health-app-raises-3m/) en juin 2023 : « En moyenne, l'équipe parvient à réduire l'erreur calorique à moins de 20 %. » TechCrunch indiquait que le modèle avait été entraîné sur 5 000 repas photographiés par un dispositif robotisé, chaque ingrédient étant pesé. La [page d'accueil de SnapCalorie](https://www.snapcalorie.com/) dit que l'appli est « 2x plus précise que les nutritionnistes » et renvoie aux travaux Nutrition5k de Google de 2021, sans dire comment ce « 2x » a été mesuré.

Ces chiffres sont peut-être justes, mais tant qu'une équipe extérieure n'a pas testé l'appli, traite-les comme toute affirmation d'éditeur, y compris les nôtres. Voir [Callie vs SnapCalorie](/compare/callie-vs-snapcalorie).

### Notre propre test sur 20 repas (mai 2026)

**Dans notre propre test, Callie avait en moyenne 13 % d'erreur et Cal AI 17 %.** Nous éditons Callie, donc ce test n'est pas indépendant, et il a sa place en bas du tableau.

En mai 2026, nous avons pesé 20 repas sur une balance de cuisine à 0,1 g près, photographié chacun avec une fourchette dans le cadre, enregistré chaque repas une fois dans chaque appli et comparé le résultat aux valeurs de l'USDA FoodData Central. Les plats en couches comme les lasagnes et le biryani étaient les plus difficiles pour les deux applis, à 22 % pour Callie et 26 % pour Cal AI. La [méthode et les résultats](/compare/callie-vs-cal-ai) sont sur notre page de comparaison.

Deux réserves. Vingt repas, c'est un petit échantillon. Et Cal AI a depuis été relié à la base alimentaire de MyFitnessPal, ce qui a pu réduire l'écart ; nous n'avons pas refait le test complet.

## Ce sur quoi les études s'accordent

**Les études s'accordent sur le fait que les estimations de l'IA penchent vers le bas, et que les graisses, les grosses portions et les plats mélangés expliquent l'essentiel de l'écart.** Le schéma se répète dans tout le tableau.

- **Sous-estimation.** Les quatre applis du test du NIH étaient en dessous, tout comme les trois chatbots de l'étude de Fridolfsson. Des erreurs aléatoires s'annuleraient sur une semaine. Celles-ci, non.
- **Graisses et huiles.** Les lipides étaient environ 30 g en dessous par repas dans le test du NIH. L'huile absorbée par les aliments ne laisse aucune trace visible. L'étude de 2026 sur les repas d'hôpital fait exception, avec des lipides surestimés de plus de 20 %.
- **Grosses portions.** Dans l'étude de 2025 sur les chatbots, la sous-estimation augmentait avec la taille de la portion (pentes de biais de -0,23 à -0,50).
- **Plats mélangés.** La revue de 2023 a trouvé des erreurs plus faibles pour les aliments simples et seuls. Les plats en couches étaient la catégorie la plus difficile dans notre propre test.
- **Repas cétogènes.** Le suivi du NIH sur plus de 200 repas a montré que les applis faisaient moins bien sur les repas cétogènes riches en graisses, ce qui colle avec le schéma des lipides.

## Ce que les études ne disent pas encore

**Les preuves sont plus minces que ne le laissent croire les gros titres : petits échantillons, résumés non relus et modèles qui changent tous les quelques mois.** Considère chaque chiffre comme un instantané.

- **Petits échantillons.** La plupart des études ont utilisé 15 à 195 repas. Seule la prépublication de 2026 a dépassé 800.
- **Résumés et prépublications.** Le test du NIH, l'étude sur 802 repas, le projet de Kennesaw et le poster Cureus ne sont pas passés par la relecture par les pairs d'une revue.
- **Cibles mouvantes.** Les articles de 2025 ont testé GPT-4o, Claude 3.5 Sonnet et Gemini 1.5 Pro, tous remplacés depuis. Les applis changent de modèle sans prévenir, donc un chiffre de 2025 ne décrit peut-être plus ton appli aujourd'hui.
- **Les moyennes cachent les écarts.** Comme l'a montré la prépublication sur 802 repas, un modèle peut être juste en moyenne et pourtant se tromper largement sur des repas pris un par un.
- **Usage réel.** Aucune étude ne mesure encore ce que les gens enregistrent après avoir modifié une estimation dans une appli commerciale.

## Comment se rapprocher du vrai chiffre

**La recherche désigne une habitude avant toutes les autres : vérifier et corriger l'estimation avant de l'enregistrer.** Le détail saisi a fait passer l'erreur de ChatGPT-5 de 30,5 % à 13,9 %.

1. **Ajoute toi-même les matières grasses.** Enregistre l'huile de cuisson, le beurre et la vinaigrette comme des aliments à part. Une cuillère à soupe d'huile fait environ 120 kcal, et aucun appareil photo ne la voit. Notre guide sur les [calories cachées dans l'huile, le beurre et les sauces](/blog/hidden-calories-oil-butter-sauces) liste les pires coupables, et [pourquoi les applis de calories IA sous-estiment](/blog/why-ai-calorie-apps-underestimate) détaille chaque cause avec sa solution.
2. **Corrige la portion, garde l'aliment.** La reconnaissance est généralement juste. C'est la quantité qui dérive, surtout dans les grandes assiettes.
3. **Décris les plats mélangés.** Pour un curry ou un gratin, ajoute les principaux ingrédients et leurs quantités, comme dans la condition à 13,9 %.
4. **Pèse seulement les aliments denses.** Une balance sert surtout pour l'huile, le beurre de cacahuète, le fromage, le granola et les pâtes. Voir [faut-il une balance de cuisine avec un tracker IA](/blog/do-you-need-a-food-scale-with-ai-tracker).
5. **Surveille ta courbe de poids.** Si ton journal indique un déficit et que la balance n'a pas bougé en trois semaines, le journal est probablement trop bas.

## Quand un tracker sans IA est le meilleur choix

**Si tu pèses déjà tout, un tracker à base de données comme Cronometer a de bonnes chances de battre n'importe quelle estimation photo.** Les études ci-dessus mesurent des estimations, et une saisie pesée n'en est pas une.

La version gratuite de Cronometer enregistre par recherche dans sa base de données et par scan de code-barres, suit une longue liste de nutriments et réserve l'enregistrement par photo IA à son offre payante Gold. Cela convient aux personnes qui suivent un régime médical, aux sportifs qui doivent atteindre un poids et à toute personne qui aime déjà se servir d'une balance. Notre liste des [meilleurs trackers de calories sans IA](/blog/calorie-tracker-without-ai) présente Cronometer, MyNetDiary et deux applis open source.

L'enregistrement par photo IA a plus de sens quand la rapidité décide si tu enregistres ou non. Une estimation corrigée à 14 % près vaut mieux qu'un repas jamais noté.

Cet article est une information générale, pas un avis médical. Si tu as une maladie, prends un traitement influencé par l'alimentation, es enceinte ou as des antécédents de troubles alimentaires, parle à un professionnel de santé qualifié avant de changer ta façon de manger ou de suivre ton alimentation.

## Sources

1. Communiqué NIDDK / American Society for Nutrition via EurekAlert! (25 juillet 2026). « Photo-based calorie-tracking apps may underestimate energy in meals. » https://www.eurekalert.org/news-releases/1136415
2. Healio (4 août 2026). « AI photo-based calorie-tracking tools underestimate them by 33% », avec un point de vue de Leigh A. Frame, PhD. https://www.healio.com/news/primary-care/20260804/ai-photobased-calorietracking-tools-underestimate-them-by-33
3. Nutritional Outlook (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. 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
5. Li X (19 octobre 2026). « Small Average Error, Wide Individual Error: General-Purpose LLMs Estimating Energy Intake from Meal Photos in a Feeding Trial. » Prépublication arXiv 2610.26538. https://arxiv.org/abs/2610.26538
6. Isobe T, Zhang LW, Murakami H, et al. (2026). « Accuracy of AI-Based Nutrient Estimation from Standardized Hospital Meal Images: A Comparison with Registered Dietitians. » *Nutrients* 18(6):966. https://doi.org/10.3390/nu18060966
7. Rodríguez-Jiménez M, Martín-del-Campo-Becerra GD, Sumalla-Cano S, Crespo-Álvarez J, Elio I (19 novembre 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/ et https://www.mdpi.com/2072-6643/17/22/3613
8. 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/
9. Belfarsi EA, Ekeocha H (15 avril 2025). « Assessing the Performance of Intelligent Agents in Visual Food Recognition Relative to Manual Data Entry. » Kennesaw State University C-Day Computing Showcase. https://digitalcommons.kennesaw.edu/cday/Spring_2025/Masters_Research/10
10. Poster Cureus. « Validity and Reliability of Photo-Based AI Estimates of Meal Calories and Macronutrients. » https://www.cureus.com/posters/3217-validity-and-reliability-of-photo-based-ai-estimates-of-meal-calories-and-macronutrients
11. Cofre S, Sanchez C, Quezada-Figueroa G, López-Cortés XA (2025). « Validity and accuracy of artificial intelligence-based dietary intake assessment methods: a systematic review. » *British Journal of Nutrition* 133(9):1241–1253. https://pmc.ncbi.nlm.nih.gov/articles/PMC12229984/
12. Shonkoff E, Cara KC, Pei XA, et al. (2023). « AI-based digital image dietary assessment methods compared to humans and ground truth: a systematic review. » *Annals of Medicine* 55(2):2273497. https://pubmed.ncbi.nlm.nih.gov/38060823/
13. Hariri S (2025). « Estimating Calories and Macronutrients from Lebanese Food Images Using Deep Learning–Based Classification and Single-View Portion Size Estimation. » Mémoire de MS, American University of Beirut. https://scholarworks.aub.edu.lb/items/b4a5f886-4834-48a3-bdf1-31aeedde9ce3/full
14. Aktı Ş, Qaraqe M, Ekenel HK (2022). « A Mobile Food Recognition System for Dietary Assessment. » Atelier ICIAP 2021, arXiv 2204.09432. https://www.arxiv.org/abs/2204.09432
15. TechCrunch (26 juin 2023). « SnapCalorie taps AI to estimate the caloric content of food from photos. » https://techcrunch.com/2023/06/26/snapcalorie-computer-vision-health-app-raises-3m/
16. Page d'accueil de SnapCalorie (consultée le 20 octobre 2026). https://www.snapcalorie.com/
17. Banc d'essai interne de Callie sur 20 repas pesés (mai 2026). Méthode sur https://www.mycallie.app/en/compare/callie-vs-cal-ai

## Questions fréquentes

**Q: Les applis de calories IA sont-elles précises ?**
A: Elles se trompent généralement de 14 % à 36 % sur les calories, d'après les études publiées de 2023 à 2026. À partir d'une photo seule, l'erreur se situe vers le haut de cette fourchette : une équipe du NIH a constaté en 2026 que quatre applis populaires sous-estimaient les repas d'environ un tiers, et les chatbots se trompaient de 30,5 % à 35,8 % dans des études de 2025. Quand une personne corrige les ingrédients et les portions, l'erreur descend vers le bas de la fourchette.

**Q: Les applis de calories IA surestiment-elles ou sous-estiment-elles ?**
A: Elles sous-estiment surtout. Les quatre applis du test du NIH de 2026 étaient en dessous, de 252 à 345 kcal par repas, et une étude de 2025 a montré que trois chatbots sous-estimaient davantage à mesure que les portions grossissaient. La cause habituelle, ce sont les graisses et l'huile que l'appareil photo ne voit pas. Une exception : une étude de 2026 sur 15 repas d'hôpital a trouvé que les modèles d'IA surestimaient les lipides de plus de 20 %.

**Q: Quelle appli de calories IA était la plus précise dans l'étude du NIH ?**
A: Selon le compte rendu du résumé publié par Healio, la sous-estimation moyenne était de 252 kcal pour Appediet, 327 kcal pour MyFitnessPal, 333 kcal pour Lose It! et 345 kcal pour Cal AI. Les quatre se trompaient dans le même sens. La couverture ne dit pas si les écarts entre applis sont statistiquement significatifs, et le travail n'a pas encore été relu par des pairs.

**Q: ChatGPT est-il aussi précis qu'une appli de calories ?**
A: À partir d'une photo seule, il se situe à peu près dans la même fourchette. ChatGPT-5 avait en moyenne 30,5 % d'erreur sur 195 plats dans une étude publiée en 2025 dans Nutrients, proche de la sous-estimation d'environ un tiers mesurée par l'équipe du NIH pour les applis dédiées. ChatGPT s'est nettement amélioré quand on lui donnait les quantités d'ingrédients, mais il ne tient ni journal alimentaire ni total quotidien.

**Q: Corriger l'estimation de l'IA aide-t-il vraiment ?**
A: Oui. Dans l'étude de 2025 sur ChatGPT-5, ajouter une liste d'ingrédients avec les quantités a fait passer l'erreur sur l'énergie de 30,5 % à 13,9 %, soit d'environ 123 à 53 kcal par plat. Les chercheurs du NIH ont aussi averti que les personnes qui n'ajustent pas les portions devraient prendre les résultats « avec des pincettes ».

**Q: Ces études sur les calories et l'IA sont-elles relues par des pairs ?**
A: Certaines. Les études sur ChatGPT, Claude et Gemini publiées dans Current Developments in Nutrition et Nutrients, les deux revues systématiques et l'étude de 2026 sur les repas d'hôpital sont relues par des pairs. Le test d'applis du NIH est un résumé de congrès, l'étude sur 802 repas est une prépublication, et les résultats de Kennesaw State et de Cureus sont une présentation étudiante et un poster.