J'ai testé 4 applications de suivi de calories par IA pendant 2 semaines

Pendant deux semaines, j'ai enregistré chaque repas dans quatre applications de suivi de calories par IA en même temps. Même repas, mêmes photos, même timing. Nutrola, Cal AI, Foodvisor et SnapCalorie — fonctionnant en parallèle, chaque jour, pendant 14 jours. J'ai pesé chaque plat fait maison sur une balance de cuisine et calculé les calories réelles en utilisant les valeurs de référence de l'USDA FoodData Central comme base de vérité.

L'objectif était simple : découvrir quelle application produit le journal alimentaire le plus fiable sur une période réaliste de deux semaines. Pas une démo soigneusement choisie avec un éclairage parfait et des aliments uniques, mais la vie réelle — cuisine maison, repas au restaurant, collations emballées, pauses café, et les moments occasionnels où "j'ai oublié de photographier ça".

Voici ce qui s'est passé.

Configuration et Règles de Base

Appareils : iPhone 15 Pro (pour le LiDAR de SnapCalorie), avec les quatre applications installées et connectées.

Protocole de pesée : Tous les aliments préparés à la maison pesés sur une balance de cuisine avec une précision de 0,1 g avant d'être servis. La vérité calorique calculée en utilisant les valeurs de l'USDA FoodData Central. Les repas au restaurant estimés en utilisant les valeurs de l'USDA pour des plats comparables (une limitation inhérente — la vérité au restaurant est toujours approximative).

Photographie : Même photo soumise aux quatre applications. Une photo prise de haut par repas, sous l'éclairage disponible (non optimisé pour une application).

Protocole de correction : Pour chaque application, j'ai passé jusqu'à 30 secondes à corriger les erreurs évidentes en utilisant les outils fournis par l'application. Cela simule un utilisateur réel qui remarque une erreur mais ne veut pas passer des minutes à la corriger.

Ce que j'ai suivi : Temps par enregistrement (chronomètre), estimation initiale des calories par l'IA, calories finales enregistrées (après correction), total quotidien par rapport à la vérité, frustrations notables, et toute fonctionnalité ayant fait une différence significative.

Semaine 1 : Jours 1-7

Jour 1 (Lundi) : Journée de Cuisine Maison Normale

Petit-déjeuner : Flocons d'avoine nocturnes (80 g d'avoine, 200 ml de lait entier, 1 banane, 1 cuillère à soupe de miel, 15 g d'amandes). Vérité : 520 cal.

Application	Estimation Initiale	Après Correction	Temps	Remarques
Cal AI	340 cal	340 cal	4 sec	A complètement omis le miel et les amandes. Impossible de les ajouter.
SnapCalorie	365 cal	365 cal	6 sec	Meilleure estimation de portion grâce à la 3D mais a encore raté les ingrédients cachés.
Foodvisor	380 cal	420 cal	15 sec	A identifié l'avoine et la banane. J'ai cherché manuellement le miel.
Nutrola	410 cal	505 cal	18 sec	L'IA a détecté l'avoine et la banane. J'ai ajouté par voix "une cuillère à soupe de miel et 15 grammes d'amandes." La base de données a reconnu les deux.

Déjeuner : Salade grecque emballée du supermarché (code-barres disponible). Vérité : 340 cal (selon l'étiquette).

Application	Estimation Initiale	Après Correction	Temps	Remarques
Cal AI	280 cal	280 cal	5 sec	Pas d'option code-barres. Estimation photo trop basse (a omis la vinaigrette).
SnapCalorie	295 cal	295 cal	7 sec	Problème similaire. Pas de code-barres.
Foodvisor	340 cal	340 cal	4 sec	Le scan du code-barres a parfaitement correspondu.
Nutrola	340 cal	340 cal	3 sec	Scan de code-barres. Correspondance exacte. Enregistrement le plus rapide de la journée.

Dîner : Sauté de poulet fait maison (200 g de cuisse de poulet, 150 g de brocoli, 100 g de poivron, 200 g de riz, 1,5 cuillère à soupe d'huile de sésame, 2 cuillères à soupe de sauce soja). Vérité : 785 cal.

Application	Estimation Initiale	Après Correction	Temps	Remarques
Cal AI	490 cal	490 cal	5 sec	A complètement omis l'huile de cuisson. 295 cal en moins.
SnapCalorie	520 cal	520 cal	8 sec	La 3D a aidé pour le volume de riz mais l'huile restait invisible.
Foodvisor	530 cal	580 cal	20 sec	A identifié le sauté. J'ai ajouté manuellement l'huile mais n'ai trouvé que "huile végétale", pas de sésame.
Nutrola	560 cal	755 cal	22 sec	L'IA a identifié le sauté de poulet et le riz. J'ai ajouté par voix "une cuillère et demie d'huile de sésame." La base de données avait l'entrée exacte. Proche de la vérité.

Total du Jour 1 :

Application	Total Enregistré	Vérité	Erreur	% d'Erreur
Cal AI	1,576 cal	2,105 cal	-529 cal	-25.1%
SnapCalorie	1,648 cal	2,105 cal	-457 cal	-21.7%
Foodvisor	1,808 cal	2,105 cal	-297 cal	-14.1%
Nutrola	2,058 cal	2,105 cal	-47 cal	-2.2%

Le Jour 1 a établi le schéma qui se répéterait tout au long du test. Le manque d'huile de cuisson à lui seul représentait la majorité de l'erreur dans les applications basées uniquement sur les photos.

Jour 3 (Mercredi) : Journée de Déjeuner au Restaurant

Le repas au restaurant a été le test le plus révélateur. J'ai pris du poulet tikka masala avec naan et riz dans un restaurant indien. Je n'ai pas pu peser ce repas, mais j'ai estimé la vérité à environ 950 calories sur la base des valeurs de l'USDA pour des portions comparables.

Application	Estimation	Remarques
Cal AI	620 cal	Significativement sous-estimé. Considéré comme une portion plus petite que celle servie.
SnapCalorie	680 cal	Meilleure estimation de portion mais toujours basse. A omis la crème/beurre dans la sauce.
Foodvisor	740 cal	Plus proche. A identifié "tikka masala" ce qui a permis d'obtenir de meilleures données.
Nutrola	890 cal	L'IA a identifié le tikka masala. L'entrée de base de données pour le tikka masala de style restaurant incluait la teneur typique en crème/beurre. J'ai confirmé la portion comme "grande."

Jour 5 (Vendredi) : Défi Smoothie et Café

Smoothie du matin (banane, lait d'amande, beurre de cacahuète, protéine de lactosérum, épinards — dans une bouteille opaque). Vérité : 450 cal. Latte de l'après-midi (lait d'avoine, grand, 2 pompes de vanille). Vérité : environ 290 cal.

Résultats du Smoothie :

Application	Estimation	Remarques
Cal AI	180 cal	A vu une bouteille sombre. A essentiellement deviné.
SnapCalorie	210 cal	La 3D a mesuré le volume de la bouteille mais n'a pas pu identifier le contenu.
Foodvisor	195 cal	Même limitation. A vu le contenant, pas le contenu.
Nutrola	435 cal	J'ai enregistré par voix la recette. La base de données a reconnu chaque ingrédient. La photo était inutile (je l'ai omise).

Résultats du Latte :

Application	Estimation	Remarques
Cal AI	130 cal	Identifié comme "café" de manière générique.
SnapCalorie	150 cal	A mesuré le volume de la tasse, a deviné "latte."
Foodvisor	160 cal	Identifié comme "latte" mais a utilisé l'hypothèse de lait ordinaire.
Nutrola	275 cal	J'ai enregistré par voix "grand latte d'avoine avec deux pompes de vanille." La base de données avait l'entrée de latte d'avoine de style Starbucks.

Cette journée a mis en évidence l'importance de l'enregistrement vocal. Les trackers basés sur les photos étaient essentiellement aveugles aux boissons et aux contenants opaques.

Résumé de la Semaine 1

Métrique	Cal AI	SnapCalorie	Foodvisor	Nutrola
Calories moyennes enregistrées par jour	1,640 cal	1,720 cal	1,870 cal	2,145 cal
Calories moyennes de vérité par jour	2,180 cal	2,180 cal	2,180 cal	2,180 cal
Erreur moyenne par jour	-540 cal	-460 cal	-310 cal	-35 cal
% d'erreur moyenne par jour	-24.8%	-21.1%	-14.2%	-1.6%
Temps moyen par repas	5.2 sec	7.1 sec	16.4 sec	17.8 sec
Repas où le code-barres était disponible	8	8	8	8
Repas où le code-barres a été utilisé	0	0	8	8
Moments de frustration	12	9	5	2

Observations de la Semaine 1 :

Cal AI était systématiquement le plus rapide mais aussi le moins précis. La rapidité semblait agréable sur le moment mais les totaux quotidiens étaient significativement erronés — une sous-estimation de 540 calories par jour éliminerait complètement un déficit de poids typique.

La numérisation 3D de SnapCalorie a aidé pour les tailles de portion des repas servis, mais n'a pas résolu le problème fondamental des ingrédients invisibles (huiles, composants cachés, boissons).

La numérisation de code-barres de Foodvisor était un avantage significatif par rapport à Cal AI et SnapCalorie pour les aliments emballés. La fonctionnalité diététicienne existait mais je ne l'ai jamais utilisée en temps réel car le délai de retour était impraticable pour la prise de décision quotidienne.

La combinaison d'enregistrement vocal et de numérisation de code-barres de Nutrola a comblé les deux plus grands écarts de précision : les ingrédients invisibles et les aliments emballés. Les 12 secondes supplémentaires par repas par rapport à Cal AI étaient à peine perceptibles dans la pratique.

Semaine 2 : Jours 8-14

Jour 8 (Lundi) : Journée de Préparation de Repas

J'ai préparé en lot cinq jours de déjeuners : poitrine de poulet, patate douce et haricots verts. Même repas, mêmes portions, enregistrés quotidiennement.

C'était le test de cohérence. Le même repas enregistré cinq fois devrait produire le même nombre de calories cinq fois.

Application	Jour 8	Jour 9	Jour 10	Jour 11	Jour 12	Écart
Cal AI	445	410	465	425	455	55 cal d'écart
SnapCalorie	430	440	420	445	435	25 cal d'écart
Foodvisor	480	480	485	480	480	5 cal d'écart
Nutrola	495	495	495	495	495	0 cal d'écart

Vérité (pesée et calcul) : 490 cal.

L'écart de 55 calories de Cal AI sur des repas identiques est le résultat direct de l'architecture uniquement IA — différentes photos ont donné différentes estimations. La numérisation 3D de SnapCalorie a réduit la variance. Le soutien de la base de données de Foodvisor l'a maintenue presque constante. Nutrola était parfaitement cohérent car j'ai enregistré la même entrée de base de données (sauvegardée en tant que modèle de repas après le Jour 8) à chaque fois.

Jour 11 (Jeudi) : Dîner Social

Dîner chez un ami. Plusieurs plats, service communautaire, pas de possibilité de peser la nourriture. C'est le scénario réel le plus difficile pour tout tracker de calories.

Les plats comprenaient des pâtes carbonara, une salade César, du pain à l'ail et un tiramisu. J'ai estimé mes portions visuellement et calculé la vérité à environ 1,200 calories pour le repas.

Application	Estimation	Remarques
Cal AI	680 cal	N'a photographié l'assiette qu'une seule fois. L'IA l'a traité comme un repas de pâtes modéré. A omis le dessert (je l'ai mangé avant de me souvenir de photographier).
SnapCalorie	720 cal	Même photo d'assiette. La 3D a aidé pour le volume de pâtes. A également omis le dessert.
Foodvisor	810 cal	A photographié l'assiette, puis s'est souvenu d'ajouter manuellement le tiramisu depuis la base de données.
Nutrola	1,080 cal	A photographié l'assiette. L'IA a identifié les carbonara et la salade. J'ai ajouté par voix "deux morceaux de pain à l'ail avec du beurre" et "une part de tiramisu, environ 150 grammes." Tout depuis la base de données.

Le dîner social a exposé la fragilité des flux de travail basés sur les photos. Oublier de photographier un plat (dessert) a créé un écart de 200-400 calories que les applications basées uniquement sur les photos n'ont pas pu récupérer. L'enregistrement vocal de Nutrola a permis d'ajouter le plat manqué après coup.

Jour 14 (Dimanche) : Journée de Brunch et de Collations

Une journée avec un grand brunch (œufs bénédictine avec saumon fumé, pommes de terre sautées, salade de fruits, jus d'orange et un cappuccino) et plusieurs petites collations tout au long de l'après-midi.

Les collations étaient particulièrement révélatrices. J'ai pris une poignée de mélange montagnard (estimée à 180 cal), une barre protéinée (code-barres : 210 cal), une pomme (95 cal) et un peu de chocolat noir (150 cal). Ces collations rapides sont faciles à oublier ou à estimer mal.

Application	Estimation du Brunch	Total des Collations	Total du Jour	Vérité	Erreur
Cal AI	580 cal	320 cal	1,890 cal	2,450 cal	-560 cal
SnapCalorie	620 cal	340 cal	1,960 cal	2,450 cal	-490 cal
Foodvisor	710 cal	485 cal	2,185 cal	2,450 cal	-265 cal
Nutrola	820 cal	615 cal	2,380 cal	2,450 cal	-70 cal

La sauce hollandaise du brunch a été le grand différenciateur — Cal AI et SnapCalorie l'ont à peine prise en compte. Le scan du code-barres de la barre protéinée a donné à Foodvisor et Nutrola des données exactes. Le mélange montagnard nécessitait une description vocale ("poignée de mélange montagnard, environ 40 grammes") pour toute précision.

Résumé de la Semaine 2

Métrique	Cal AI	SnapCalorie	Foodvisor	Nutrola
Calories moyennes enregistrées par jour	1,580 cal	1,680 cal	1,910 cal	2,190 cal
Calories moyennes de vérité par jour	2,220 cal	2,220 cal	2,220 cal	2,220 cal
Erreur moyenne par jour	-640 cal	-540 cal	-310 cal	-30 cal
% d'erreur moyenne par jour	-28.8%	-24.3%	-14.0%	-1.4%
Temps moyen par repas	5.0 sec	6.8 sec	15.8 sec	16.2 sec

Les erreurs de la Semaine 2 étaient légèrement pires que celles de la Semaine 1 pour les applications uniquement IA en raison de l'apparition de repas plus complexes (restaurant, dîner social, brunch). La précision de Nutrola s'est en fait améliorée au cours de la Semaine 2 alors que je devenais plus expérimenté avec l'enregistrement vocal et accumulais une bibliothèque de repas sauvegardés.

Résultats Complets sur 14 Jours

Métrique	Cal AI	SnapCalorie	Foodvisor	Nutrola
Total des calories enregistrées (14 jours)	22,540	23,800	26,460	30,345
Total des calories de vérité	30,800	30,800	30,800	30,800
Erreur totale en calories	-8,260	-7,000	-4,340	-455
% d'erreur moyenne par jour	-26.8%	-22.7%	-14.1%	-1.5%
Direction de l'erreur	Toujours sous-estimée	Toujours sous-estimée	Toujours sous-estimée	Aléatoire (certaines surestimées, certaines sous-estimées)
Pire erreur d'un jour	-780 cal	-650 cal	-420 cal	-95 cal
Meilleure erreur d'un jour	-320 cal	-280 cal	-140 cal	+15 cal
Temps moyen par repas	5.1 sec	7.0 sec	16.1 sec	17.0 sec
Temps total de suivi quotidien	~25 sec	~35 sec	~80 sec	~85 sec
Scans de code-barres utilisés	0	0	16	16
Logs vocaux utilisés	0	0	0	38
Repas oubliés à photographier	4	4	4	0 (enregistrés par voix après coup)

Conclusions Clés

1. Le Biais de Sous-estimation est Réel et Cohérent

Les quatre applications ont sous-estimé l'apport calorique total, mais l'ampleur a considérablement varié. La sous-estimation de 8,260 calories de Cal AI sur 14 jours équivaut à 2,4 livres de graisse corporelle — un utilisateur s'appuyant sur Cal AI pour un déficit de poids penserait avoir perdu 2,4 livres de plus que ce qu'il a réellement perdu après seulement deux semaines.

La sous-estimation est systématique, pas aléatoire, car les échecs les plus courants de l'IA (huiles de cuisson invisibles, ingrédients cachés, sous-estimation des sauces) entraînent tous une sous-estimation plutôt qu'une surestimation.

2. L'Enregistrement Vocal est la Fonction la Plus Sous-estimée dans le Suivi des Calories

L'enregistrement vocal a compté pour 38 entrées au cours de 14 jours — principalement des huiles de cuisson, des smoothies, des boissons au café et des repas oubliés en photo. Ces 38 enregistrements vocaux représentaient environ 5,200 calories qui auraient été manquantes ou sévèrement sous-estimées dans une application uniquement basée sur les photos.

3. La Numérisation de Code-Barres est le Gain de Précision le Plus Facile

Seize scans de code-barres sur 14 jours. Chacun a pris 2-3 secondes et a produit des données précises à 99%+. Cal AI et SnapCalorie ont forcé l'estimation par photo pour chacun de ces produits emballés — utilisant une méthode de précision de 85-92% alors qu'une méthode de précision de 99%+ était disponible.

4. Les Différences de Vitesse sont Négligeables en Pratique

La différence entre Cal AI (25 secondes par jour) et Nutrola (85 secondes par jour) est de 60 secondes — une minute d'effort quotidien supplémentaire pour une amélioration de 25 points de pourcentage en précision. En d'autres termes : une minute supplémentaire par jour a éliminé 8,000 calories d'erreur sur deux semaines.

5. La Cohérence Est Importante pour l'Analyse des Tendances

Les entrées ancrées dans la base de données de Nutrola ont produit une tendance calorique lisse et fiable sur 14 jours. Les estimations variables de Cal AI ont créé une tendance bruyante où les fluctuations quotidiennes étaient dominées par la variance d'estimation de l'IA plutôt que par de réels changements dans les habitudes alimentaires. Si vous essayez d'identifier si vos habitudes alimentaires du week-end diffèrent de celles des jours de semaine, vous avez besoin de bases cohérentes en semaine — et les trackers uniquement IA ne peuvent pas les fournir.

Le Verdict

Cal AI est vraiment rapide et impressionnant de simplicité. Pour quelqu'un qui veut zéro friction et n'a pas besoin de chiffres précis, cela fonctionne comme un outil de sensibilisation. Mais une erreur moyenne de 26.8% par jour le rend inadapté à tout objectif nécessitant des données précises. L'expérience rapide et propre est compromise par le fait que les chiffres dans votre journal sont significativement erronés.

SnapCalorie est l'application la plus technologiquement intéressante testée. La numérisation 3D n'est pas un gadget — elle a mesuré de manière significative l'estimation des portions pour les aliments visibles. Mais l'amélioration était modeste (22.7% d'erreur contre 26.8% pour Cal AI) car les plus grandes erreurs proviennent des ingrédients invisibles, pas de la mauvaise estimation des portions. Le prix premium (9-15 €/mois) pour une application uniquement photo est difficile à justifier.

Foodvisor occupe un terrain raisonnable. La numérisation de code-barres et le soutien partiel de la base de données réduisent l'erreur de manière significative par rapport aux applications uniquement IA. Elle fonctionne mieux avec des aliments européens et a une présentation professionnelle. La fonctionnalité diététicienne est une offre unique mais le délai la rend impraticable pour le suivi en temps réel.

Nutrola a produit le journal alimentaire le plus précis de loin — 1.5% d'erreur moyenne contre 14-27% pour les concurrents. La précision ne provient pas d'une IA dramatiquement meilleure mais de la base de données vérifiée qui attrape ce que l'IA manque, l'enregistrement vocal couvrant ce que les photos ne peuvent pas capturer, et la numérisation de code-barres fournissant des données exactes pour les produits emballés. À 2,50 €/mois après un essai gratuit sans publicités, elle coûte moins cher que chaque application qu'elle a surpassée.

La minute supplémentaire par jour est le compromis honnête. Nutrola n'est pas l'application la plus rapide. Elle nécessite quelques secondes de plus par repas et un utilisateur légèrement plus actif (confirmer les entrées de la base de données, enregistrer par voix les ingrédients cachés). Mais le résultat est un journal alimentaire qui reflète ce que vous avez réellement mangé — ce qui est tout l'objectif du suivi des calories.

Après 14 jours de tests parallèles, la conclusion est simple : le tracker de calories par IA le plus fiable n'est pas celui avec l'IA la plus impressionnante. C'est celui qui sait quand l'IA n'est pas suffisante et qui a une base de données vérifiée, un enregistrement vocal et une numérisation de code-barres prêts à combler les lacunes. Cette application, dans ce test, était Nutrola.