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 des dizaines de résultats, estimer à l’œil si ta portion faisait 100, 150 ou 200 g, puis recommencer pour chaque ingrédient du plat. Dans un programme en ligne de six mois où l’on notait ainsi ses repas sur un site (Harvey et al., 2019), cela prenait en moyenne 23 minutes par jour le premier mois et 15 le sixième, et au sixième mois, plus d’un participant sur trois ne notait plus rien. En 2026, l’intelligence artificielle a réduit cette friction. Les modèles de vision les plus avancés (Claude d’Anthropic, GPT-4o ou Gemini) analysent une photo de ton assiette et renvoient une estimation des calories et des macros à partir d’un seul cliché. Sans rien taper ni chercher ; la portion, elle, reste à vérifier.

Comment fonctionne l’analyse d’un repas par IA

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

• Vision par ordinateur : le modèle identifie chaque aliment présent sur la photo. Il cherche à distinguer un filet de poulet d’un filet de dinde, du riz blanc du riz complet, du brocoli vapeur du brocoli sauté, et n’y arrive pas toujours. C’est pour identifier CE QU’IL Y A dans l’assiette qu’il est le plus fiable ; ce qui ne se voit pas — l’huile de la poêle, le sucre de la sauce — doit être déduit
• Estimation du volume : en se servant d’objets de taille connue sur la photo (une assiette plate, une fourchette, un verre, ta main) et de la perspective, l’IA estime les quantités de chaque aliment. C’est là 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 (tu ouvres l’aliment et tu écris les grammes, ou tu ajustes avec − et +) plutôt que de faire semblant d’avoir vu juste
• Base de données nutritionnelle : une fois les aliments identifiés et les quantités estimées, il faut convertir tout cela en calories et en macros. Chez Renzy, l’estimation du modèle est ensuite comparée à une table de référence vérifiée à la main, avec des valeurs USDA/BEDCA pour 100 g, qui corrige les densités impossibles — le classique « blanc de poulet 150 g = 400 kcal ». Les codes-barres suivent un autre chemin : les données de l’étiquette viennent d’Open Food Facts

Le détail qui change tout : le mode de cuisson

La même pomme de terre n’a pas du tout les mêmes calories selon la préparation (valeurs USDA) : cuite à l’eau (86 kcal/100 g), au four (93 kcal/100 g), frite à l’huile (312 kcal/100 g), en chips industrielles (532 kcal/100 g). Un gros œuf dur fait environ 78 kcal, et le même œuf frit, environ 90. Chez Renzy, le modèle doit indiquer le mode de cuisson de chaque aliment (grillé, au four, frit, à l’eau, vapeur, cru) d’après ce qu’il voit — la brillance de l’huile, le croustillant d’une friture, la surface lisse d’une cuisson à l’eau —, et le contrôle qui suit prend la valeur de référence de cette cuisson. 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 une estimation des calories, des macros et de quelques micronutriments (sucre, sel, fibres, fer) en une vingtaine de secondes
• Scanner un code-barres et retrouver l’étiquette parmi plus de 4 millions de produits emballés (la base ouverte Open Food Facts)
• Repérer le mode de cuisson de chaque aliment et prendre les valeurs qui vont avec
• Noter un repas que tu décris en quelques mots, sans photo
• Donner une note à chaque plat et te dire quel changement la ferait monter
• Lire la carte d’un restaurant et te dire quels plats choisir et lesquels éviter
• Retenir tes corrections : quand tu corriges une portion, tes photos suivantes en tiennent compte

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 entrées fausses. Ensuite, il n’existe aucune entrée pour « le riz au poulet que ma mère a préparé », 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 générique, elle estime des quantités réelles et non théoriques, et elle le fait en une vingtaine de 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 cachés : 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 mélanger, ou ajuster manuellement
• Sauces et assaisonnements : les sauces sont difficiles à estimer visuellement, une cuillère à soupe allant d’environ 17 kcal pour le ketchup à près de 120 pour l’huile d’olive (USDA). C’est souvent là que l’estimation se trompe
• Portions très grandes ou très petites : l’estimation de volume fonctionne mieux sur des portions standard. Une assiette énorme ou une bouchée minuscule ont une marge d’erreur plus large
• Plats régionaux peu courants : les images qui servent à entraîner ces modèles couvrent mieux certaines cuisines que d’autres. Un plat laotien rare sera moins bien estimé qu’une salade César
• Une estimation reste une estimation : si un plat compte vraiment pour toi, pèse-le une fois et corrige la valeur dans l’application. C’est ce chiffre corrigé qui fait foi
• Ce que Renzy ne fait pas : lire un ticket de caisse, proposer des recettes avec ce qu’il y a dans ton frigo, composer des menus pour la semaine ou estimer ta composition corporelle sur une photo

L’avenir : une nutrition hyper-personnalisée

Ce que nous avons aujourd’hui n’est qu’un début. Dans les années qui viennent, la convergence de l’IA, des objets connectés et de la génomique pourrait mener à une nutrition bien plus personnalisée. Imagine une application qui croise tes données nutritionnelles quotidiennes avec ta réponse glycémique individuelle mesurée par un capteur continu, ton microbiote intestinal, analysé à partir d’un échantillon, ton profil génétique, qui influence la façon dont tu métabolises 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 gère mieux les glucides complexes le matin ». On n’en est pas là : aujourd’hui, Renzy fait la photo, les calories, les macros et une note par plat, et tes données restent à toi, tu peux les exporter ou les effacer.