Des millions de personnes ouvrent chaque jour une application de suivi des calories, prennent une photo de leur déjeuner et font confiance au chiffre qui apparaît à l’écran pour guider leurs décisions de gestion du poids. Cela semble scientifique : une photographie, un algorithme, un nombre précis de calories. Mais de nouvelles recherches présentées lors de la conférence NUTRITION 2026 suggèrent que la confiance pourrait être mal placée. Une étude menée par des chercheurs des National Institutes of Health a révélé que quatre applications populaires de suivi des calories basées sur l’IA sous-estimaient systématiquement la teneur en calories des repas standardisés d’environ un tiers, avec des erreurs atteignant 250 à 345 calories par repas en moyenne.
Les résultats, présentés le 26 juillet lors de la réunion annuelle de l’American Society for Nutrition par Aaron Hengist, chercheur postdoctoral invité à l’Institut national du diabète et des maladies digestives et rénales (NIDDK), et Olivia Charles, boursière post-baccalauréat au NIDDK, soulèvent des questions inconfortables sur l’univers en expansion rapide de l’IA en matière de santé destinée aux consommateurs. Ces outils fonctionnent presque entièrement en dehors de la réglementation des dispositifs médicaux, leur fonctionnement interne est un secret exclusif et, comme le montrent les données, leurs erreurs ne sont pas du bruit aléatoire mais des distorsions systématiques qui pourraient discrètement saboter les objectifs de ceux-là mêmes qui comptent sur eux.
L’étude a été menée dans le cadre d’un essai nutritionnel plus vaste du NIH Clinical Center comparant les régimes pauvres en glucides (cétogènes) avec des régimes alimentaires standard. Ce paramètre a donné aux chercheurs un avantage rare : un contrôle total sur ce qui se trouvait dans l’assiette. Les repas ont été préparés dans une cuisine métabolique, une installation de préparation alimentaire de qualité recherche où chaque ingrédient est pesé à 0,1 gramme près. La véritable teneur en calories et en macronutriments de chaque repas était connue avec une précision de laboratoire. Des photographies de 102 de ces repas ont ensuite été soumises à quatre applications majeures : MyFitnessPal, LoseIt !, CalAI et Appediet. Une deuxième phase a ajouté plus de 200 repas supplémentaires à l’ensemble de données.
Les résultats ont été frappants sur les quatre plateformes. En moyenne, les applications ont sous-estimé le contenu calorique des repas de 250 à 345 calories. Étant donné que les repas étudiés allaient de modérés à copieux, cela représente une erreur d’environ 30 pour cent en dessous de la valeur réelle. La teneur en matières grasses a été sous-estimée d’environ 30 grammes par repas, un écart considérable. En revanche, les estimations des glucides étaient nettement plus cohérentes avec les valeurs de la vérité terrain.
Le schéma d’erreur n’était pas uniforme selon l’application ou le type de repas, et cette inégalité raconte sa propre histoire. Les repas riches en graisses, y compris les repas cétogènes au cœur de l’essai parent du NIH, ont produit les écarts les plus importants. Les applications sous-estimaient systématiquement la teneur en matières grasses, et par conséquent le nombre total de calories, de ces repas. Il ne s’agit pas d’un cas anodin. Les régimes cétogènes et autres régimes alimentaires riches en graisses ont gagné en popularité, et bon nombre des personnes qui les suivent sont précisément les utilisateurs qui s’appuient le plus sur les outils de suivi pour rester dans leurs objectifs en macronutriments.
Il existe également des différences significatives entre les applications. MyFitnessPal et LoseIt ! ont montré une meilleure précision pour les repas riches en calories, ce qui suggère que certains algorithmes peuvent fonctionner de manière adéquate dans certaines plages tout en se dégradant considérablement dans d’autres. CalAI et Appediet, quant à eux, sous-estiment le nombre de calories de manière plus cohérente dans tous les domaines, quelle que soit la taille ou la composition du repas.
Rétrospectivement, rien de tout cela ne devrait être surprenant, notent les chercheurs, et pourtant cela l’est. Les applications se présentent aux utilisateurs comme des instruments de mesure, et les instruments de mesure sont censés être précis. Mais contrairement à un pèse-personne ou à un glucomètre, ces outils ne sont pas réglementés comme des dispositifs médicaux par la Food and Drug Administration. Il s’agit de produits logiciels grand public, soumis à aucune norme de précision, et leurs algorithmes sont des boîtes noires dont les données d’entraînement et les modes de défaillance sont inconnus du public et souvent aussi de la communauté scientifique.
C’est le problème de la boîte noire des outils de santé grand public de l’IA. Lorsqu’un utilisateur photographie une assiette d’œufs, d’avocat et de bacon, l’application ne reconnaît pas la nourriture comme le ferait un nutritionniste humain. Il compare les caractéristiques visuelles à un ensemble de données d’entraînement d’images étiquetées, estime la taille des portions par photogrammétrie ou heuristique, puis croise ces estimations avec une base de données sur les nutriments. Chaque étape de ce pipeline introduit une erreur. La reconnaissance visuelle peut confondre les aliments d’apparence similaire. L’estimation de la taille des portions peut être faussée par l’angle de la photographie ou la profondeur du bol. L’entrée de la base de données nutritionnelles peut correspondre à une version générique de l’aliment qui ne ressemble guère à ce qui se trouve réellement dans l’assiette. Et comme les données de formation de ces systèmes sont exclusives, aucun chercheur extérieur ne peut vérifier où le pipeline tombe en panne.
Ce qui rend les conclusions du NIH particulièrement préoccupantes, c’est la nature systématique de l’erreur. Si une application surestimait les calories aussi souvent qu’elle les sous-estimait, un utilisateur qui suivrait sa consommation sur une semaine pourrait se rapprocher de la vérité grâce à la moyenne. Mais un outil qui sous-estime systématiquement d’environ 30 % n’est pas seulement imprécis. C’est biaisé. Une personne qui s’appuie sur une telle application pour maintenir un objectif de 2 000 calories par jour pourrait consommer 2 600 calories en réalité, chaque jour, sans aucun signal de l’outil indiquant que quelque chose ne va pas. Au cours d’une semaine, cet écart s’élève à plus de 4 000 calories non comptabilisées, suffisamment pour compenser complètement le déficit calorique ciblé par de nombreux régimes de perte de poids.
Les implications vont au-delà de la confusion des utilisateurs individuels. Les données sur la santé des consommateurs provenant d’applications comme celles-ci alimentent de plus en plus les études de recherche, les dossiers de santé électroniques et même les recommandations cliniques. Si les outils générant ces données recèlent des erreurs systématiques de cette ampleur, alors toute analyse construite sur ces données hérite de ces distorsions. Les chercheurs en santé publique qui s’appuient sur des données de rappel alimentaire basées sur des applications pourraient tirer des conclusions sur des habitudes alimentaires considérablement asymétriques à l’échelle de la population, en particulier en ce qui concerne l’apport en graisses et chez les personnes suivant un régime pauvre en glucides.
Les chercheurs prennent soin de noter qu’il s’agissait d’une présentation préliminaire à la conférence et qu’elle n’a pas encore fait l’objet d’un examen par les pairs. L’échantillon de 102 repas de la première phase, bien que soigneusement contrôlé, n’est pas suffisamment grand pour caractériser chaque cas limite sur chaque version d’application et plate-forme. La deuxième phase de plus de 200 repas supplémentaires permettra de clarifier l’ampleur et la cohérence du problème. Mais préliminaire ou non, la découverte selon laquelle quatre applications majeures partagent un modèle d’erreur cohérent, substantiel et directionnellement biaisé est un signal d’alarme que la communauté des chercheurs et le public devraient prendre au sérieux.
Pour l’instant, ce qu’il faut retenir pour les utilisateurs n’est pas nécessairement d’abandonner ces outils, mais de recalibrer ce qu’ils pensent obtenir. Un tracker de calories AI n’est pas un calorimètre. Il s’agit d’une estimation pratique générée par un algorithme exclusif formé sur des données inconnues, fonctionnant sans surveillance réglementaire et manifestement enclin à sous-estimer les nutriments qui comptent le plus pour les personnes qui l’utilisent. La gestion du poids est déjà assez difficile sans placer une confiance aveugle dans une boîte noire qui vous indique de manière fiable que votre repas était plus petit qu’il ne l’était réellement.
L’équipe du NIH prévoit de continuer à analyser l’ensemble de données élargi et d’explorer si les versions plus récentes de ces applications présentent des améliorations. Mais à mesure que le marché des outils de santé IA s’accélère, la charge ne devrait pas incomber uniquement aux chercheurs universitaires de tester des produits de consommation qui contiennent des allégations médicales implicites. La question soulevée par l’étude n’est pas de savoir si ces applications se trompent parfois. Chaque outil de mesure l’est. La question est de savoir si le public mérite de savoir dans quelle mesure il se trompe, dans quelle direction et dans quelles conditions avant de mettre ses données de santé et ses décisions alimentaires dans une boîte noire.
Traduit par Lydie