Calories d’un plat en photo : pourquoi Challenge Us ne le fait pas

La scène est connue : on prend son assiette en photo, et une seconde plus tard, un chiffre tombe. « 640 kcal, 32 g de protéines. » C’est rapide, c’est bluffant, et c’est la première chose qu’on nous a demandée quand on a parlé du journal alimentaire.

On a regardé ce que mesurent les études avant de décider. Le journal ne le fera pas, et voici pourquoi.

L’IA voit ce que c’est, pas combien il y en a

Commençons par ce qui marche. Dans une étude de 2025, 114 photos de repas dont la composition exacte était connue ont été soumises à une IA généraliste capable d’analyser des images : elle a reconnu les aliments dans 93 % des cas¹. « Qu’est-ce que c’est ? », la question est à peu près réglée.

Mais une photo n’a pas de poids. Elle ne dit pas si le riz fait 150 ou 250 grammes, combien d’huile a servi à la cuisson, ni ce qui se cache sous la sauce. Dans la même étude, le poids était juste pour les petites portions, mais sous-estimé de 27 % pour les repas moyens et de 34 % pour les grands, et sous-estimé sur trois photos sur quatre¹.

Une autre équipe a testé sept applications à reconnaissance d’image. Elles reconnaissaient bien les ingrédients, mais sur les mêmes plats composés, l’énergie annoncée allait de trois quarts en dessous à près de 40 % au-dessus de la valeur réelle, selon l’application².

Ce qui fait vraiment baisser l’erreur, ce sont les quantités. Sur 195 plats, l’erreur moyenne d’une IA passait de 123 kcal par plat avec l’image seule à 53 kcal quand on lui donnait aussi les ingrédients et leurs grammes³. Autrement dit, l’IA devient bonne au moment où vous faites le travail à sa place.

Tous les chiffres ont déjà une marge

Même sans IA, aucune calorie n’est exacte au gramme près. Une étiquette européenne donne une « valeur moyenne », et la réglementation tolère 20 % d’écart sur les protéines, les glucides et les lipides d’un produit qui en contient entre 10 et 40 g pour 100 g⁴. Mesurées en laboratoire, les étiquettes tombent souvent plus près : sur 24 en-cas, l’écart médian était de 4 %⁵. Une table de composition comme Ciqual donne elle aussi des moyennes : une pomme n’est pas l’autre⁶.

Et puis il y a nous. Comparés à la mesure de référence de la dépense réelle, des carnets tenus quatre jours sous-estimaient l’énergie de 18 à 21 % chez 1 075 adultes⁷. On oublie la poignée de chips, on arrondit la portion.

Ajouter une photo qui devine par-dessus tout ça, c’est empiler une erreur de plus en lui donnant l’air d’un chiffre précis. Et un chiffre faux dit avec aplomb est pire qu’un chiffre flou qu’on sait flou : c’est sur lui qu’on décide de reprendre du dessert ou de sauter un repas.

Et ça coûte cher, à tous les niveaux

En argent. Une photo analysée, c’est un appel payant à un service d’IA, à chaque repas, pour chaque personne. Challenge Us est gratuit, sans pub et sans abonnement. Pour payer ça, il faudrait vous faire payer, ou vous montrer de la pub. Pour un chiffre qu’on sait peu fiable, non.

En énergie. Les grands modèles généralistes, ceux qui savent « tout » faire dont lire une photo, consomment des ordres de grandeur plus d’énergie par requête qu’un outil conçu pour une seule tâche, d’après une comparaison publiée en 2024⁸. Trois repas par jour et par personne, ça finit par peser.

En vie privée. Une photo de repas, c’est aussi votre table, votre cuisine, parfois vos enfants, envoyés sur les serveurs d’un tiers. Chercher « riz basmati » dans une table ne dit rien de plus que « riz basmati ».

D’où viennent nos chiffres, à la place

Le journal alimentaire de Challenge Us part de sources qu’on peut citer, et chaque aliment dit d’où vient son chiffre :

• La table Ciqual de l’Anses, la référence française de composition des aliments : 3 484 aliments, établis à partir d’analyses en laboratoire et de données collectées auprès des fabricants et des filières⁶. Elle est embarquée dans l’app.
• Open Food Facts, une base libre tenue par une association à but non lucratif : plus de 100 000 bénévoles y ont ajouté plus de 4 millions de produits de 150 pays⁹. Vous scannez un code-barres, vous lisez la fiche du produit.
• Des poids de portions officiels, pour ne pas tout peser : « un œuf », « une tranche de pain de mie » viennent de l’enquête alimentaire du ministère de l’Agriculture américain¹⁰ et des repères de Santé publique France¹¹. Quand aucune source ne pèse une portion, on ne l’invente pas.
• Vos propres aliments, quand rien de tout ça ne correspond : vous recopiez l’étiquette une fois, elle reste.

Plusieurs pays, des scientifiques et des bénévoles : aucune source n’est parfaite, mais chacune dit ce qu’elle est. Une fiche d’Open Food Facts peut contenir une faute de frappe, et c’est pour ça qu’on affiche toujours d’où vient la valeur.

Vous choisissez la quantité vous-même, en grammes ou en portions. C’est un geste de plus qu’une photo, on le sait. Mais c’est un chiffre que vous comprenez et que vous pouvez corriger.

Un chiffre indicatif, noté souvent

Même avec les meilleures sources, les calories et les macros d’un repas restent une estimation. Ce n’est pas grave, parce que ce n’est pas la précision qui aide à changer. Une méta-analyse de 138 études trouve que suivre ses progrès aide à atteindre ses objectifs, et que c’est la fréquence du suivi qui porte l’effet¹². Dans un programme de perte de poids de six mois, ce qui distinguait ceux qui perdaient du poids, c’était le nombre de fois où ils revenaient noter¹³.

Pour les bases (pourquoi compter, comment peser, les repères utiles), lisez notre guide pour compter ses calories sans se tromper. Et si un jour une estimation par photo tombe juste pour une personne et un repas, pas seulement en moyenne sur un groupe, on la regardera de nouveau.

Sources

1. O’Hara, C., Kent, G., Flynn, A. C., Gibney, E. R. et Timon, C. M. (2025). An Evaluation of ChatGPT for Nutrient Content Estimation from Meal Photographs. Nutrients, 17(4), 607. 114 photos de repas de composition connue. Texte intégral. ↩ ↩²

2. Li, X., Yin, A., Choi, H. Y., Chan, V., Allman-Farinelli, M. et Chen, J. (2024). Evaluating the Quality and Comparative Validity of Manual Food Logging and Artificial Intelligence-Enabled Food Image Recognition in Apps for Nutrition Care. Nutrients, 16(15), 2573. Dix-huit applications, dont sept à reconnaissance d’image, testées sur une poignée de plats : pas un essai sur des personnes. Texte intégral. ↩

3. Rodríguez-Jiménez, M. et al. (2025). Image-Based Dietary Energy and Macronutrients Estimation with ChatGPT-5: Cross-Source Evaluation Across Escalating Context Scenarios. Nutrients, 17(22), 3613. Une partie des valeurs de référence vient de sites de recettes, que les auteurs disent moins fiables. Texte intégral. ↩

4. Commission européenne, DG Santé et consommateurs (2012). Guidance document for competent authorities for the control of compliance with EU legislation… with regard to the setting of tolerances for nutrient values declared on a label, tableau 1. ↩

5. Jumpertz, R. et al. (2013). Food label accuracy of common snack foods. Obesity, 21(1), 164-169. 24 produits américains, mesurés au calorimètre. Texte intégral. ↩

6. Anses (2025). La table de composition nutritionnelle Ciqual, et la table en ligne. ↩ ↩²

7. Park, Y. et al. (2018). Comparison of self-reported dietary intakes from the Automated Self-Administered 24-h recall, 4-d food records, and food-frequency questionnaires against recovery biomarkers. The American Journal of Clinical Nutrition, 107(1), 80-93. 1 075 adultes de 50 à 74 ans, comparés à l’eau doublement marquée. ↩

8. Luccioni, S., Jernite, Y. et Strubell, E. (2024). Power Hungry Processing: Watts Driving the Cost of AI Deployment? ACM Conference on Fairness, Accountability, and Transparency, 85-99. Mesures sur des jeux de tests, pas sur une app de nutrition. Texte intégral. ↩

9. Open Food Facts, Découvrir Open Food Facts, chiffres affichés par l’association, consultés le 30 septembre 2026. Base publiée sous licence ODbL. ↩

10. USDA, Agricultural Research Service. Food and Nutrient Database for Dietary Studies, fichier « Portions and Weights », édition 2021-2023. ↩

11. Santé publique France, Manger Bouger, repères de portions pour les produits laitiers, la viande, le poisson et le petit-déjeuner. ↩

12. Harkin, B. et al. (2016). Does monitoring goal progress promote goal attainment? A meta-analysis of the experimental evidence. Psychological Bulletin, 142(2), 198-229. 138 études, 19 951 participants. ↩

13. Harvey, J., Krukowski, R., Priest, J. et West, D. (2019). Log Often, Lose More: Electronic Dietary Self-Monitoring for Weight Loss. Obesity, 27(3), 380-384. 142 participants, une observation à l’intérieur d’un essai. Texte intégral. ↩