Gemini AI peut-il suivre vos calories ? Nous l'avons testé face à une application dédiée

Alors que les chatbots IA s'intègrent dans notre quotidien, une question se pose naturellement : peut-on simplement demander à Gemini ou ChatGPT de suivre ses calories au lieu d'utiliser une application de nutrition dédiée ? Nous avons testé cela directement. Pendant deux semaines, nous avons demandé à Google Gemini et OpenAI ChatGPT d'estimer le contenu calorique et en macronutriments de 30 repas différents, allant de simples aliments à un ingrédient à des plats complexes de restaurant. Nous avons comparé leurs estimations à deux références : les entrées vérifiées de la base de données alimentaire de Nutrola et les références alimentaires pesées calculées à l'aide des valeurs de USDA FoodData Central.

Les résultats révèlent des limitations fondamentales à l'utilisation de chatbots IA généralistes pour le suivi nutritionnel, des limitations structurelles plutôt que temporaires, ce qui signifie qu'elles ne seront probablement pas entièrement résolues par de futures mises à jour des modèles.

Puis-je utiliser Gemini pour compter les calories ?

Vous pouvez demander à Gemini d'estimer les calories d'un repas, et il vous fournira une réponse. La question est de savoir si cette réponse est suffisamment précise et cohérente pour soutenir une gestion diététique réelle. D'après nos tests, la réponse est non pour tout cas d'utilisation nécessitant de la fiabilité.

Méthodologie du test : Nous avons préparé ou acheté 30 repas couvrant une gamme de complexité. Chaque repas a été pesé sur une balance de cuisine calibrée, et les valeurs caloriques de référence ont été calculées à l'aide des données nutritionnelles de USDA FoodData Central. Nous avons ensuite décrit chaque repas à Gemini (l'assistant IA de Google) en langage naturel, comme le ferait un utilisateur réel, et avons enregistré son estimation calorique. Nous avons effectué le même test avec ChatGPT (GPT-4o) et avons enregistré chaque repas dans Nutrola en utilisant la reconnaissance photo et la recherche dans la base de données.

Définition de la précision : Nous avons défini une estimation comme "précise" si elle se situait dans une marge de 10 % de la valeur de référence pesée, un seuil standard utilisé dans la recherche sur l'évaluation diététique (Subar et al., The Journal of Nutrition, 2015).

Quelle est la précision des chatbots IA pour le comptage des calories ?

Les résultats étaient cohérents à travers les catégories de repas : les chatbots IA généralistes fournissent des estimations approximatives qui ne sont pas suffisamment fiables pour des régimes contrôlés en calories.

Critère	Gemini	ChatGPT (GPT-4o)	Nutrola	Référence pesée
Repas dans les 10 % de la référence	11/30 (37 %)	13/30 (43 %)	25/30 (83 %)	30/30 (100 %)
Erreur absolue moyenne	127 kcal	108 kcal	38 kcal	0 kcal
Erreur en pourcentage moyenne	22,4 %	18,6 %	6,1 %	0 %
Plus grande surestimation unique	+340 kcal (plat de pâtes)	+285 kcal (sauté)	+95 kcal (plat de restaurant)	N/A
Plus grande sous-estimation unique	-290 kcal (salade avec vinaigrette)	-315 kcal (bol de granola)	-72 kcal (soupe maison)	N/A
Cohérence entre requêtes répétées	Non (varie de 50 à 200 kcal)	Non (varie de 30 à 150 kcal)	Oui (base de données verrouillée)	N/A

Conclusion clé : L'erreur absolue moyenne de 108 à 127 calories par repas se traduit par une erreur cumulative de 324 à 381 calories sur trois repas par jour. Pour quelqu'un visant un déficit de 500 calories pour perdre du poids, ce niveau d'inexactitude peut éliminer 65 à 76 % de son déficit prévu, freinant ainsi son progrès.

Pourquoi les chatbots IA se trompent-ils dans le comptage des calories ?

Les erreurs que nous avons observées n'étaient pas aléatoires. Elles suivaient des schémas prévisibles qui révèlent les limitations structurelles de l'utilisation de modèles de langage large pour l'estimation nutritionnelle.

Problème 1 : Pas de base de données vérifiée. Gemini et ChatGPT ne consultent pas de bases de données nutritionnelles structurées lorsque vous leur demandez des estimations caloriques. Ils génèrent des réponses basées sur des modèles dans leurs données d'entraînement, qui incluent un mélange de données précises de l'USDA, de contenu généré par les utilisateurs, d'estimations de blogs alimentaires et de documents marketing. Un même aliment peut avoir des valeurs caloriques très différentes selon ces sources, et le modèle n'a aucun moyen d'identifier quelle source est correcte.

Nutrola et d'autres applications de nutrition dédiées utilisent des bases de données alimentaires vérifiées. La base de données de Nutrola contient plus de 1,8 million d'entrées croisées avec USDA FoodData Central, les étiquettes nutritionnelles des fabricants et des analyses de laboratoire indépendantes. Lorsque vous enregistrez "poitrine de poulet, grillée, 150g", la valeur retournée est un point de données vérifié, et non une moyenne statistique de tout ce que l'internet a jamais dit sur le poulet.

Problème 2 : Pas de référence de taille de portion. Lorsque vous dites à un chatbot IA que vous avez eu "un bol de pâtes", il doit deviner ce que signifie "un bol". Est-ce 200 grammes de pâtes cuites ou 400 grammes ? La différence est de 250 calories ou plus. Les chatbots IA se basent sur des hypothèses de portions culturellement moyennes qui peuvent ne pas correspondre à votre portion réelle.

Dans nos tests, la mauvaise estimation de la taille des portions était la plus grande source d'erreur. Gemini a sous-estimé un bol de granola de 210 calories parce qu'il supposait une portion plus petite que celle réellement consommée. ChatGPT a surestimé un sauté de 285 calories parce qu'il supposait des portions de restaurant alors que le repas était fait maison.

Nutrola aborde ce problème par plusieurs mécanismes : la numérisation de codes-barres se relie directement aux tailles de portions indiquées par les fabricants, la reconnaissance photo IA estime le volume de la portion à partir de l'image, et les utilisateurs peuvent ajuster les portions en grammes à l'aide d'une balance de cuisine pour une précision maximale.

Problème 3 : Pas de mémoire entre les sessions. C'est peut-être la limitation la plus fondamentale pour un suivi calorique continu. Les chatbots IA ne conservent pas de journal persistant de ce que vous avez mangé. Chaque conversation commence à zéro. Il n'y a pas de total quotidien, pas de tendance hebdomadaire, pas de répartition des macronutriments en cours.

Un suivi efficace des calories nécessite des données cumulatives. Vous devez connaître non seulement les calories de votre déjeuner, mais aussi votre total quotidien, votre moyenne hebdomadaire, votre répartition en macronutriments et votre tendance de poids au fil du temps. Un chatbot fournit des estimations isolées sans continuité.

Problème 4 : Estimations incohérentes pour des requêtes identiques. Nous avons demandé à Gemini et ChatGPT d'estimer les calories pour la même description de repas trois fois à des jours différents. Les résultats variaient de 50 à 200 calories entre les requêtes. Une "salade César moyenne avec poulet grillé" a donné des estimations de 380, 450 et 520 calories de la part de Gemini au cours de trois conversations distinctes. Cette incohérence est inhérente à la manière dont les modèles de langage génèrent des réponses. Ce sont des générateurs de texte probabilistes, et non des systèmes de recherche dans une base de données.

Problème 5 : Données nutritionnelles hallucinées. Dans 4 des 30 estimations de repas, ChatGPT a fourni des décompositions nutritionnelles spécifiques mais fabriquées. Par exemple, il a déclaré qu'une barre protéinée de marque contenait 22g de protéines et 210 calories, alors que l'étiquette réelle indique 20g de protéines et 190 calories. Les chiffres étaient suffisamment proches pour sembler plausibles mais suffisamment erronés pour avoir de l'importance sur le long terme. Ce phénomène, connu sous le nom d'hallucination dans la recherche IA, est particulièrement dangereux en nutrition car les erreurs semblent autoritaires.

ChatGPT est-il précis pour le comptage des calories ?

ChatGPT a légèrement mieux performé que Gemini dans nos tests, avec 43 % des estimations se situant dans une marge de 10 % de la référence contre 37 % pour Gemini. Cependant, cette différence n'est pas significativement pertinente. Les deux chatbots sont bien en dessous du seuil de précision nécessaire pour une gestion diététique fiable.

La norme académique pour les outils d'évaluation diététique, telle que définie par des chercheurs comme Subar et al. et Thompson et al. au National Cancer Institute, exige qu'un outil démontre moins de 10 % d'erreur moyenne pour être considéré valide pour le suivi diététique individuel. Les deux chatbots dépassent largement ce seuil.

L'avantage de ChatGPT par rapport à Gemini semble provenir de suppositions légèrement meilleures sur la taille des portions pour les aliments américains courants, reflétant probablement la composition de ses données d'entraînement. Pour les aliments internationaux, les plats régionaux et les repas faits maison, la précision a chuté de manière significative pour les deux modèles.

Chatbot IA vs Application de nutrition pour le suivi diététique : Comparaison complète

Au-delà de la précision brute, les différences fonctionnelles entre un chatbot et une application de nutrition dédiée s'étendent sur plusieurs dimensions qui affectent l'utilisabilité dans le monde réel.

Fonctionnalité	Gemini / ChatGPT	Nutrola
Précision calorique (vs référence pesée)	18-22 % d'erreur moyenne	6 % d'erreur moyenne
Base de données alimentaire vérifiée	Non	Oui, plus de 1,8 million d'entrées
Numérisation de codes-barres	Non	Oui
Reconnaissance alimentaire basée sur photo	Limitée (nécessite un téléchargement)	Reconnaissance IA intégrée
Enregistrement vocal	Indirect (voix en texte)	Enregistrement vocal natif des aliments
Journal quotidien persistant	Non	Oui, automatique
Totaux quotidiens/hebdomadaires en cours	Non (doit être additionné manuellement)	Oui, en temps réel
Répartition des macronutriments	Estimée par requête	Suivie par aliment, quotidiennement, hebdomadairement
Suivi des micronutriments	Incohérent	Plus de 100 nutriments
Suivi de la tendance de poids	Non	Oui, avec graphiques
Intégration Apple Watch	Non	Oui
Objectifs caloriques adaptatifs	Non	Oui, ajustés selon vos tendances
Estimations cohérentes	Non (varie par requête)	Oui (base de données verrouillée)
Accès hors ligne	Non	Oui
Coût	Gratuit (avec abonnement pour avancé)	À partir de 2,50 €/mois
Publicités	Varie selon la plateforme	Zéro publicité

Dans quoi les chatbots IA sont-ils bons en nutrition ?

Malgré leurs limitations pour le suivi des calories, les chatbots IA généralistes ont des cas d'utilisation nutritionnelle légitimes qui méritent d'être reconnus.

Éducation nutritionnelle générale. Demander à Gemini ou ChatGPT d'expliquer la différence entre les graisses saturées et insaturées, ou de décrire comment fonctionne la synthèse des protéines, produit généralement des réponses précises et bien organisées. Pour des questions conceptuelles avec un consensus scientifique établi, les chatbots IA fonctionnent bien.

Génération d'idées de repas. Les chatbots excellent à générer des idées de recettes basées sur des contraintes telles que "repas riches en protéines sous 500 calories avec poulet et brocoli." Le nombre de calories spécifique peut ne pas être précis, mais les concepts de repas sont des points de départ utiles.

Comparaison des régimes alimentaires. Demander à un chatbot de comparer les régimes méditerranéen, cétogène et à base de plantes produit des résumés raisonnables des preuves pour chaque approche.

Là où les chatbots échouent, c'est dans la tâche quantitative, persistante et dépendante de la précision du suivi quotidien des calories et des nutriments. C'est un problème de base de données et de journalisation, et non un problème de génération de langage.

Pourquoi les applications de nutrition dédiées surpassent-elles les chatbots IA généralistes ?

La raison principale est architecturale. Une application de suivi nutritionnel est construite autour d'une base de données structurée, d'un profil utilisateur persistant et d'une logique d'accumulation. Un chatbot IA est construit autour de la prédiction du prochain mot à partir d'un modèle de langage. Ce sont des outils fondamentalement différents optimisés pour des tâches fondamentalement différentes.

Persistance. Nutrola maintient un enregistrement complet de chaque aliment que vous enregistrez, de vos totaux quotidiens et hebdomadaires, de vos tendances en macronutriments et de votre historique de poids. Ces données longitudinales sont ce qui rend le suivi des calories efficace. Une estimation calorique ponctuelle, aussi précise soit-elle, est inutile sans le contexte de votre total quotidien et de votre schéma hebdomadaire.

Données vérifiées. Une entrée de base de données pour "Yaourt grec Chobani, nature, 150g" dans Nutrola provient de l'étiquette nutritionnelle du fabricant et est vérifiée selon les normes de l'USDA. Lorsque un chatbot estime le même article, il fait une moyenne d'informations provenant de milliers de sources web de fiabilité variable, produisant un chiffre plausible mais non vérifié.

Intégration des appareils portables. Les données de l'Apple Watch se synchronisent directement avec Nutrola, fournissant des estimations précises des calories d'activité qui sont combinées avec l'enregistrement alimentaire pour calculer le bilan énergétique net. Aucun chatbot ne peut accéder à vos données portables pour ajuster les recommandations caloriques en fonction de votre mouvement quotidien réel.

Rapidité et commodité. Prendre une photo de votre assiette, scanner un code-barres ou parler de votre repas prend moins de 30 secondes. Taper une description détaillée d'un repas à un chatbot, attendre la réponse, puis enregistrer manuellement l'estimation quelque part prend considérablement plus de temps et produit un résultat moins précis.

Les chatbots IA pourraient-ils s'améliorer suffisamment pour remplacer les applications de nutrition ?

C'est une question d'architecture fondamentale, et non seulement de capacité du modèle. Même avec une précision d'estimation calorique parfaite (que les modèles actuels sont loin d'atteindre), les chatbots IA manqueraient toujours de journalisation persistante, de suivi cumulatif, d'intégration des appareils portables et de vérification de base de données structurée nécessaires au suivi nutritionnel.

Les futurs systèmes IA pourraient théoriquement incorporer ces fonctionnalités. Mais à ce stade, ils seraient essentiellement des applications de nutrition avec une interface conversationnelle, et non des chatbots généralistes. Les fonctionnalités qui rendent le suivi des calories efficace, une base de données vérifiée, des journaux utilisateurs persistants, des intégrations d'appareils, des algorithmes adaptatifs, sont des systèmes d'ingénierie, et non des capacités linguistiques.

L'avenir le plus probable n'est pas "les chatbots remplacent les applications de nutrition", mais plutôt "les applications de nutrition intègrent l'IA conversationnelle". Cela se produit déjà. La reconnaissance photo alimentée par IA et l'enregistrement vocal de Nutrola apportent la commodité de l'interaction conversationnelle à la fiabilité structurée d'une base de données nutritionnelle vérifiée. Vous obtenez l'interaction naturelle de parler à une IA avec la précision et la persistance d'un système de suivi conçu pour cela.

Que se passe-t-il lorsque vous demandez à une IA de suivre vos calories ?

Pour illustrer la différence pratique, voici à quoi ressemble une journée typique de suivi des calories avec chaque approche.

En utilisant Gemini ou ChatGPT : Vous demandez au chatbot d'estimer votre petit-déjeuner. Il vous donne un chiffre. Vous l'écrivez quelque part ou essayez de vous en souvenir. Au déjeuner, vous commencez une nouvelle conversation (le chatbot ne se souvient pas du petit-déjeuner) et obtenez une autre estimation. Vous additionnez mentalement les deux chiffres. Au dîner, vous avez un total approximatif qui peut être erroné de 200 à 400 calories, et vous n'avez pas de répartition des macronutriments, pas d'enregistrement persistant, et pas de tendance hebdomadaire.

En utilisant Nutrola : Vous photographiez votre petit-déjeuner. L'IA reconnaît les aliments, les associe aux entrées vérifiées de la base de données et les enregistre automatiquement. Votre total quotidien se met à jour en temps réel. Au déjeuner, vous scannez un code-barres sur l'emballage de votre sandwich, et les données nutritionnelles exactes du fabricant sont ajoutées à votre journal. Au dîner, vous avez un total précis, une répartition des macronutriments, et un historique des repas qui alimente vos tendances hebdomadaires et mensuelles. Votre objectif calorique s'ajuste en fonction de vos données de tendance de poids réelles synchronisées depuis votre Apple Watch.

La différence n'est pas subtile. C'est la différence entre une estimation et un système.

Points clés à retenir

Les chatbots IA généralistes comme Gemini et ChatGPT sont des outils impressionnants pour de nombreuses tâches, mais le suivi des calories n'en fait pas partie. Notre test de 30 repas a révélé des erreurs moyennes de 108 à 127 calories par repas, des résultats incohérents entre les requêtes répétées, aucune capacité de journalisation persistante, et aucune intégration avec des bases de données alimentaires ou des appareils portables. Ces limitations sont structurelles, et non accidentelles. Elles découlent de la différence fondamentale entre un modèle de langage et un système de suivi nutritionnel.

Pour quiconque sérieux dans la gestion de sa nutrition, une application dédiée avec une base de données vérifiée, une journalisation persistante et des objectifs adaptatifs reste essentielle. Nutrola combine la commodité alimentée par l'IA (reconnaissance photo, enregistrement vocal, numérisation de codes-barres) avec la précision et la persistance d'une plateforme nutritionnelle structurée, le tout pour 2,50 euros par mois sans publicité. En matière de suivi des calories, la question n'est pas de savoir si l'IA est impliquée. C'est de savoir si l'IA est soutenue par la bonne architecture pour le travail.