Une étude récente menée par les National Institutes of Health (NIH) révèle que les applications de suivi calorique basées sur l'intelligence artificielle et la prise de photos sous-estiment significativement la valeur nutritionnelle des repas. Présentées lors du congrès NUTRITION 2026 à National Harbor, Maryland, les conclusions de chercheurs du National Institute of Diabetes and Digestive and Kidney Diseases (NIDDK) remettent en question la fiabilité de ces outils, pourtant très répandus chez les utilisateurs cherchant à gérer leur poids ou leur santé. Pour évaluer ces applications, l'équipe de recherche, dirigée par le postdoctorant Aaron Hengist et la chercheuse Olivia Charles, a testé quatre applications populaires : MyFitnessPal, LoseIt!, CalAI et Appediet. La méthodologie s'est appuyée sur une cuisine métabolique de recherche où cent deux repas ont été préparés avec une précision au dixième de gramme. Cette approche a permis de comparer directement les estimations des algorithmes de reconnaissance d'image avec des données nutritionnelles de référence exactes, une comparaison de haute qualité rarement disponible jusqu'alors. Les résultats montrent que les quatre logiciels ont systématiquement sous-estimé les calories d'environ 250 à 345 unités par repas, ainsi que la teneur en matières grasses d'environ 30 grammes. L'analyse révèle également des biais spécifiques : les applications fournissent des estimations plus précises pour les repas à haute densité calorique que pour les plats plus légers, et elles évaluent les glucides avec une constance supérieure aux autres macronutriments. Par ailleurs, l'examen de plus de deux cents repas supplémentaires a mis en évidence une difficulté particulière face aux régimes cétogènes ou faibles en glucides. L'abondance de graisses dans ces plats semble systématiquement minimisée par les algorithmes. Aaron Hengist met en garde les utilisateurs contre une confiance excessive dans ces outils. Utiliser la fonction photo sans vérifier manuellement les portions ou ajuster les quantités peut conduire à une sous-estimation importante de l'apport énergétique réel, en particulier en lipides. Pour garantir un suivi nutritionnel fiable, les chercheurs recommandent de combiner les fonctionnalités de reconnaissance visuelle avec des méthodes de mesure traditionnelles, comme le pesage des aliments ou l'entrée manuelle des portions. Cette hybridation permettrait de compenser les lacunes actuelles de l'intelligence artificielle dans l'évaluation des macronutriments, tout en conservant la commodité du suivi numérique. Ces résultats soulignent les limites technologiques actuelles de l'IA dans le domaine de la santé numérique. Bien que ces applications offrent une praticité indéniable, leur précision reste insuffisante pour une utilisation médicale ou un suivi diététique rigoureux. Les développeurs devront probablement intégrer des ajustements algorithmiques spécifiques aux repas riches en graisses et aux régimes à faible teneur en glucides pour approcher une fiabilité acceptable. Jusqu'à nouvel ordre, les consommateurs sont invités à considérer ces estimations comme des indicateurs approximatifs plutôt que comme des mesures exactes.