Comment l’IA revolutionne la nutrition personnelle

De la recherche en base de données a la simple photo

En 2020, compter ses calories signifiait ouvrir une application, taper "riz blanc cuit" dans un moteur de recherche, choisir parmi 47 résultats differents, estimer a l’oeil si ta portion faisait 100, 150 ou 200 g, puis recommencer pour chaque ingrédient du plat. Un déjeuner poulet, riz et salade demandait 5 a 8 minutes de saisie manuelle. Multiplie par trois a cinq repas par jour, cela faisait 15 a 40 minutes quotidiennes consacrees uniquement a enregistrer ce qu’on mange. Rien d’etonnant a ce que 80 % des gens abandonnent des la première semaine. En 2026, l’intelligence artificielle a supprime cette friction. Les modeles de vision les plus avances (Claude d’Anthropic, GPT-4o ou Gemini) analysent une photo de ton assiette et renvoient un decoupage nutritionnel complet a partir d’un seul cliche. Sans ecrire, sans chercher, sans estimer.

Comment fonctionne l’analyse d’un repas par IA

La technologie derriere le scan alimentaire combine trois disciplines de l’IA :

• Vision par ordinateur : le modele identifie chaque aliment present sur la photo. Il distingue un filet de poulet d’un filet de dinde, du riz blanc du riz complet, du brocoli vapeur du brocoli saute. Identifier CE QU’IL Y A dans l’assiette est ce qu’il fait le mieux ; ce qui ne se voit pas — l’huile de la poele, le sucre de la sauce — doit être infere
• Estimation du volume : en se servant de la taille de l’assiette comme référence (les assiettes standard mesurent 26 a 28 cm de diametre) et de la perspective de la photo, l’IA estime les quantités de chaque aliment. C’est la que se joue la précision : la quantité est bien plus difficile que l’identification, et c’est pour cela que l’application te laisse corriger le poids de chaque aliment en deux touches plutôt que de faire semblant d’avoir vu juste
• Base de données nutritionnelle : une fois les aliments identifies et les quantités estimees, il faut convertir tout cela en calories et en macros. Chez Renzy, l’estimation du modele est ensuite confrontee a une table de référence curee a la main avec des valeurs USDA/BEDCA pour 100 g, qui corrige les densites impossibles — le classique "blanc de poulet 150 g = 400 kcal". Les codes-barres suivent un autre chemin : on y lit l’étiquette réelle du produit

Le detail qui change tout : le mode de cuisson

La même pomme de terre n’a pas du tout les mêmes calories selon la preparation : cuite a l’eau (87 kcal/100 g), au four (93 kcal/100 g), frite a l’huile (312 kcal/100 g), en chips industrielles (536 kcal/100 g). Un oeuf dur affiche 70 kcal, mais frit a l’huile il monte a 90-100 kcal. L’IA de Renzy detecte visuellement le mode de preparation — brillance de l’huile, texture croustillante d’une friture, surface lisse d’une cuisson a l’eau — et ajuste les calories automatiquement. C’est une chose que les bases de données manuelles ne savent pas faire, puisqu’elles exigent que l’utilisateur précise lui-même la cuisson.

Sept choses que l’IA sait déjà faire pour ton alimentation

• Analyser une photo et renvoyer calories, macros et micronutriments dans le temps qu’il faut pour prendre le cliche
• Scanner un code-barres et récupérer les informations de millions de produits emballes
• Lire un ticket de caisse et ajouter automatiquement les produits a ton garde-manger
• Generer des plans de repas hebdomadaires adaptes a tes macros, a tes allergies et a tes preferences
• Creer des recettes personnalisees a partir des ingrédients presents dans ton frigo
• Analyser une carte de restaurant et suggerer l’option la plus equilibree
• Estimer ta composition corporelle a partir d’une photo en pied

Pourquoi l’IA fait mieux qu’une base de données

Les applications classiques fonctionnent comme des dictionnaires : tu tapes le nom d’un aliment et elles cherchent dans une base. Cela pose trois problèmes de fond. D’abord, la base peut contenir des erreurs, puisque n’importe quel utilisateur peut y ajouter des entrees fausses. Ensuite, il n’existe aucune entree pour "le riz au poulet que ma mere a prepare", parce que chaque plat fait maison est unique. Enfin, la recherche est lente et fastidieuse. L’IA règle les trois : elle analyse ton plat précis et non un plat generique, elle estime des quantités réelles et non theoriques, et elle le fait en quelques secondes plutôt qu’en minutes.

Les limites actuelles de l’IA nutritionnelle

La technologie n’est pas parfaite, et il est important d’être transparent sur ce qu’elle ne sait pas faire :

• Aliments caches : si un aliment se trouve sous un autre, du riz sous une sauce par exemple, l’IA peut sous-estimer les calories. La solution : prendre la photo avant de melanger, ou ajuster manuellement
• Sauces et assaisonnements : les sauces sont difficiles a estimer visuellement, une cuillère pouvant aller de 15 a 120 kcal selon le type. L’IA a tendance a les sous-estimer
• Portions très grandes ou très petites : l’estimation de volume fonctionne mieux sur des portions standard. Une assiette enorme ou une bouchee minuscule ont une marge d’erreur plus large
• Plats regionaux peu courants : l’IA est surtout entrainee sur la gastronomie occidentale. Un plat laotien rare sera moins bien estime qu’une cesar
• Une estimation reste une estimation : si un plat compte vraiment pour toi, pese-le une fois et corrige la valeur dans l’application. C’est ce chiffre corrige qui fait foi

L’avenir : une nutrition hyper-personnalisee

Ce que nous avons aujourd’hui n’est qu’un début. Dans les trois a cinq prochaines annees, la convergence de l’IA, des objets connectes et de la genomique va produire une nutrition entierement personnalisee. Imagine une application qui croise tes données nutritionnelles quotidiennes avec ta réponse glycémique individuelle mesuree par un capteur continu, ton microbiote intestinal analyse a partir d’un echantillon, ton profil genetique qui influence la façon dont tu metabolises certains nutriments, et tes marqueurs sanguins comme le cholestérol, les triglycérides ou les vitamines. Avec tout cela, l’IA pourrait te dire non pas "tu manges 2 000 kcal" mais "ton corps repond 30 % mieux aux glucides complexes le matin et aux bonnes graisses le soir". Renzy construit l’infrastructure de cet avenir : le suivi nutritionnel quotidien est la base de données qui alimentera ces modeles predictifs.