Nous avons envoyé 50 repas à un laboratoire et testé l'IA, les étiquettes et les données USDA pour l'exactitude calorique

Chaque chiffre calorique que vous avez jamais lu est une estimation. L'étiquette nutritionnelle de votre barre protéinée, l'entrée de l'USDA pour "poitrine de poulet grillée", le nombre que votre application de suivi affiche lorsque vous prenez une photo de votre déjeuner — tous sont des approximations du contenu énergétique réel sur votre assiette. La question que personne ne semble poser est : à quel point ces estimations sont-elles éloignées de la réalité, et quelle source se rapproche le plus de la vérité ?

Nous avons décidé de le découvrir. Au cours de trois mois, l'équipe de Nutrola a acheté, préparé ou commandé 50 repas réels, photographié chacun d'eux, enregistré les valeurs des étiquettes et de la base de données USDA, puis expédié des portions identiques à un laboratoire de science alimentaire certifié pour analyse à l'aide de la calorimétrie à bombe — la référence pour mesurer le véritable contenu calorique des aliments.

Cet article présente l'ensemble des résultats. Pas de sélection biaisée, pas d'outliers omis. Chaque repas, chaque chiffre, chaque surprise.

Pourquoi avons-nous fait cela

L'industrie de la nutrition repose sur la confiance. Les consommateurs font confiance à l'exactitude de l'étiquette sur un aliment emballé. Les diététiciens font confiance à ce que les données de référence de l'USDA reflètent des portions réelles. Les développeurs d'applications font confiance à la proximité de leurs bases de données. Mais très peu de personnes ont réellement vérifié ces hypothèses par rapport à une analyse en laboratoire — et les études existantes se concentrent souvent sur des aliments emballés ou des nutriments uniques.

Nous voulions une vue d'ensemble. Nous voulions savoir comment chaque source majeure de calories — étiquettes, bases de données gouvernementales et estimation par photo basée sur l'IA — se comporte sur l'ensemble des aliments que les gens consomment réellement : collations emballées, aliments entiers simples, plats faits maison, repas au restaurant et cuisine internationale. Et nous voulions tester notre propre produit, Nutrola, avec la même rigueur que nous avons appliquée à tout le reste.

L'objectif n'était pas de prouver que Nutrola est parfait. Ce n'est pas le cas. L'objectif était de comprendre où chaque source de calories excelle, où elle échoue, et ce que cela signifie pour les millions de personnes qui comptent sur ces chiffres pour gérer leur santé.

Méthodologie

Sélection des repas

Nous avons sélectionné 50 repas répartis en cinq catégories, avec 10 repas dans chacune :

Catégorie	Exemples
Aliments emballés	Barres protéinées, plats cuisinés surgelés, soupes en conserve, céréales, pots de yaourt
Aliments entiers simples	Banane, poitrine de poulet crue, œufs durs, riz brun, avocat
Plats faits maison	Spaghetti bolognaise, sauté de poulet, soupe de lentilles, salade César, pancakes à la banane
Repas au restaurant	Burger de fast-food, plateau de sushi, curry vert thaï, part de pizza, bol de burrito
Plats internationaux	Poulet au beurre indien, ramen japonais, tamales mexicains, plateau injera éthiopien, bibimbap coréen

Les repas ont été achetés ou préparés à Dublin, en Irlande, et sélectionnés pour représenter des aliments que les utilisateurs suivent couramment. Nous avons délibérément inclus des éléments connus pour être difficiles à évaluer tant par les bases de données que par les systèmes d'IA : plats fortement saucés, aliments frits, repas à plusieurs composants, et aliments où l'estimation visuelle de la quantité d'huile ou de beurre est délicate.

Analyse en laboratoire

Tous les échantillons ont été envoyés à un laboratoire d'analyse alimentaire accrédité ISO 17025. Chaque repas a été analysé à l'aide de calorimétrie à bombe, la méthode de référence pour déterminer le contenu énergétique brut des aliments.

Dans la calorimétrie à bombe, un échantillon de nourriture pesé avec précision est placé dans une chambre scellée, riche en oxygène (la "bombe") et enflammé. La chaleur libérée lors de la combustion complète est mesurée par le manteau d'eau environnant. La valeur résultante, exprimée en kilocalories, représente l'énergie chimique totale dans l'aliment. Un facteur de correction est appliqué pour tenir compte de la portion d'énergie que le corps humain ne peut pas extraire (principalement des fibres), ce qui donne la valeur énergétique métabolisable — le chiffre qui devrait apparaître sur une étiquette nutritionnelle.

Chacun des 50 repas a été analysé en triplicat (trois essais indépendants), et la valeur moyenne a été utilisée comme référence du laboratoire. Le coefficient de variation entre les triplicats était inférieur à 2 % pour tous les échantillons, confirmant une grande précision de mesure.

Sources de comparaison

Pour chaque repas, nous avons enregistré les valeurs caloriques de quatre sources :

1. Laboratoire (calorimétrie à bombe) — la vérité absolue
2. IA de Nutrola — l'estimation calorique générée par le système d'IA de Nutrola à partir d'une seule photographie du repas, prise sous un éclairage normal sur une assiette standard, sans échelle ni objet de référence
3. Étiquette nutritionnelle — la valeur imprimée sur l'emballage (pour les aliments emballés) ou le nombre de calories publié par le restaurant (pour les repas au restaurant). Pour les aliments entiers et les plats faits maison, cette colonne utilise l'étiquette du fabricant lorsque disponible ou est marquée N/A
4. USDA FoodData Central — la valeur obtenue en recherchant chaque ingrédient dans la base de données USDA et en additionnant les composants en fonction des poids mesurés

Pour les plats faits maison, la valeur USDA a été calculée en pesant chaque ingrédient cru sur une balance de cuisine, en recherchant la valeur calorique par gramme dans USDA FoodData Central, et en les additionnant — la méthode que la plupart des traqueurs manuels prudents utiliseraient.

Pour l'estimation de l'IA de Nutrola, chaque repas a été photographié exactement une fois. Nous n'avons pas repris les photos, ajusté les angles ou fourni de contexte supplémentaire au-delà de ce qu'un utilisateur normal fournirait. Le système d'IA a identifié la nourriture, estimé les portions et renvoyé une valeur calorique.

Approche statistique

La précision est rapportée comme erreur absolue moyenne en pourcentage (MAPE) — la moyenne des écarts absolus en pourcentage par rapport à la valeur du laboratoire, calculée comme suit :

MAPE = (1/n) * SOMME(|Estimé - Laboratoire| / Laboratoire * 100)

Nous rapportons également l'erreur moyenne signée (pour montrer une surestimation ou une sous-estimation systématique), l'écart-type des erreurs, et les intervalles de confiance à 95 % lorsque les tailles d'échantillons le permettent.

Résultats

Précision globale : Tous les 50 repas

Source	Erreur Absolue Moyenne (MAPE)	Erreur Moyenne Signée	Écart-Type	IC à 95 % du MAPE
Nutrola IA	7.4 %	-1.2 %	5.9 %	5.7 % - 9.1 %
Référence USDA	8.1 %	-2.8 %	6.7 %	6.2 % - 10.0 %
Étiquettes Nutritionnelles*	12.6 %	+6.3 %	9.4 %	9.1 % - 16.1 %

*Données des étiquettes nutritionnelles disponibles pour 30 des 50 repas (aliments emballés, certains repas au restaurant). MAPE calculé uniquement sur les données disponibles.

La première constatation majeure : les étiquettes nutritionnelles ont montré la plus grande déviation moyenne par rapport aux valeurs du laboratoire, et elles surestiment systématiquement les calories. L'erreur moyenne signée positive de +6.3 % signifie que les étiquettes, en moyenne, indiquaient plus de calories que ce que la nourriture contenait réellement. Cela est cohérent avec des recherches antérieures montrant que les fabricants ont tendance à arrondir vers le haut plutôt que vers le bas pour rester dans les tolérances réglementaires de la FDA et de l'UE.

L'IA de Nutrola et la base de données USDA ont montré des performances comparables en termes de précision globale, avec Nutrola affichant un MAPE légèrement inférieur (7.4 % contre 8.1 %). La différence n'est pas statistiquement significative à cette taille d'échantillon (p = 0.41, test t apparié sur les erreurs absolues). Cependant, le schéma des erreurs différait considérablement entre les deux sources, comme le révèle la répartition par catégorie.

Précision par catégorie de repas

Catégorie (n=10 chacun)	MAPE Nutrola IA	MAPE USDA	MAPE Étiquette	Meilleure Source
Aliments emballés	6.2 %	4.8 %	9.7 %	USDA
Aliments entiers simples	4.1 %	3.2 %	11.4 %*	USDA
Plats faits maison	7.9 %	6.4 %	N/A	USDA
Repas au restaurant	8.6 %	14.2 %	16.8 %	Nutrola IA
Plats internationaux	10.1 %	15.7 %	N/A	Nutrola IA

*Valeurs d'étiquettes pour les aliments entiers basées sur les revendications par portion sur l'emballage (par exemple, un sac de pommes indiquant "95 kcal par pomme moyenne").

C'est ici que l'histoire devient intéressante.

Pour les aliments emballés et les aliments entiers simples, la base de données USDA l'emporte. Cela a du sens. Les données de l'USDA proviennent d'analyses en laboratoire d'aliments standardisés. Lorsque vous mangez un œuf dur ou une banane crue, la valeur USDA est essentiellement un résultat de laboratoire en soi, et elle correspond étroitement à nos résultats de laboratoire indépendants.

Pour les repas au restaurant et les plats internationaux, l'IA de Nutrola surpasse à la fois l'USDA et les comptes caloriques publiés de manière significative. Les repas au restaurant ont montré un MAPE USDA de 14.2 % contre 8.6 % pour Nutrola. La raison est simple : les données USDA décrivent des ingrédients idéalisés, pas ce qu'une cuisine de restaurant met réellement dans l'assiette. Une estimation basée sur l'USDA pour "poulet teriyaki avec riz" ne peut pas tenir compte de la quantité spécifique d'huile utilisée par le chef, de l'épaisseur de la sauce ou de la taille réelle de la portion — mais un système d'IA visuel analysant l'assiette réelle devant vous peut.

Les 10 plus grandes surprises

Ces repas individuels ont produit les plus grands écarts entre au moins une source et la valeur du laboratoire :

Repas	Laboratoire (kcal)	Nutrola IA	Étiquette	USDA	Source d'erreur la plus importante	Erreur
Pad thaï au restaurant	738	692	520*	584	Étiquette	-29.5 %
Lasagne "légère" surgelée	412	388	310	395	Étiquette	-24.8 %
Poulet au beurre avec naan	943	874	N/A	716	USDA	-24.1 %
Mélange de fruits secs emballé (1 portion)	287	264	230	271	Étiquette	-19.9 %
Salade César maison	486	421	N/A	347	USDA	-28.6 %
Double cheeseburger de fast-food	832	898	740	780	Étiquette	-11.1 %
Bibimbap coréen	687	742	N/A	531	USDA	-22.7 %
Soupe de tomates en conserve (1 boîte)	189	202	180	184	Nutrola IA	+6.9 %
Ramen tonkotsu japonais	891	824	N/A	648	USDA	-27.3 %
Spaghetti bolognaise (fait maison)	623	581	N/A	527	USDA	-15.4 %

*Nombre de calories publié par le restaurant.

Plusieurs schémas émergent des valeurs aberrantes :

Les comptes caloriques publiés par les restaurants sont les moins fiables. Le pad thaï indiqué à 520 kcal sur le menu du restaurant contenait en réalité 738 kcal au laboratoire — une sous-estimation de 29.5 %. Ce n'est pas inhabituel. Une étude de 2013 publiée dans le Journal of the American Medical Association a révélé que les repas au restaurant contenaient en moyenne 18 % de calories en plus que ce qui était indiqué, certains dépassant leurs comptes publiés de plus de 30 %.

Les données de l'USDA sous-estiment systématiquement les aliments préparés riches en calories. Le poulet au beurre, le bibimbap, le ramen, le bolognaise et la salade César ont tous montré de grandes erreurs négatives lorsqu'ils ont été estimés via la recherche d'ingrédients USDA. Le fil conducteur commun est la matière grasse utilisée en cuisine. Les entrées USDA pour "huile végétale" ou "beurre" sont précises par gramme, mais la quantité de graisse réellement utilisée en cuisine — en particulier dans les plats de restaurant et internationaux — est extrêmement difficile à estimer sans mesure directe. Une vinaigrette de salade César faite maison peut contenir à elle seule 3 à 4 cuillères à soupe d'huile qui sont presque invisibles une fois mélangées avec la laitue.

L'IA de Nutrola avait tendance à sous-estimer les plats riches en matières grasses et à légèrement surestimer les aliments simples. L'erreur signée pour les repas au restaurant était de -3.8 % (légère sous-estimation), tandis que les aliments entiers simples montraient une erreur signée de +1.9 % (légère surestimation). Cela suggère que l'IA est quelque peu conservatrice lors de l'estimation des graisses ajoutées — un défi connu pour tout système d'estimation visuelle, puisque l'huile absorbée pendant la friture n'est pas visible à la surface.

Écart-type et cohérence

L'exactitude brute est importante, mais la cohérence l'est tout autant. Une source qui est à 5 % d'erreur chaque fois est plus utile pour suivre les tendances qu'une qui est à 0 % la moitié du temps et à 30 % l'autre moitié.

Source	Écart-Type des Erreurs	Plage (Erreur Min à Max)	% de Repas dans 10 % de la Valeur du Laboratoire
Nutrola IA	5.9 %	-12.4 % à +8.7 %	74 % (37/50)
Référence USDA	6.7 %	-28.6 % à +4.1 %	62 % (31/50)
Étiquettes Nutritionnelles	9.4 %	-29.5 % à +14.2 %	53 % (16/30)

L'IA de Nutrola a montré le plus faible écart-type et la plage d'erreur la plus étroite de toutes les trois sources. 74 % des estimations de Nutrola se situaient dans 10 % de la valeur du laboratoire, contre 62 % pour l'USDA et 53 % pour les étiquettes nutritionnelles. Cet avantage de cohérence signifie que même lorsque l'IA se trompe, elle tend à se tromper d'une petite quantité prévisible — ce qui est sans doute plus précieux pour quelqu'un qui suit une tendance calorique hebdomadaire que d'avoir une précision parfaite occasionnelle mélangée à de grandes erreurs.

Précision de la répartition des macronutriments

Nous avons également comparé les estimations des macronutriments (protéines, graisses, glucides) par rapport aux valeurs du laboratoire pour un sous-ensemble de 20 repas. Les résultats renforcent les conclusions sur les calories :

Macronutriment	MAPE Nutrola IA	MAPE USDA	MAPE Étiquette
Protéines	8.2 %	6.1 %	10.8 %
Graisses	11.4 %	12.7 %	14.1 %
Glucides	6.8 %	5.9 %	9.3 %

L'estimation des graisses est le point le plus faible de toutes les sources. Cela est attendu : la teneur en graisses est le macronutriment le plus difficile à évaluer visuellement (pour l'IA) et le plus variable dans la préparation (pour les bases de données). Une cuillère à soupe de plus ou de moins d'huile de cuisson ajoute environ 14 grammes de graisses et 120 calories, et ni une caméra ni une entrée de base de données ne peuvent capturer pleinement cette variabilité.

Conclusions clés

1. Les étiquettes nutritionnelles utilisent leur tolérance réglementaire — généreusement

Aux États-Unis, la FDA permet aux étiquettes nutritionnelles de dévier jusqu'à 20 % de la valeur déclarée pour les calories, et l'étiquette est considérée comme conforme tant que la valeur réelle ne dépasse pas l'étiquette de plus de 20 %. L'Union européenne applique un cadre de tolérance similaire. Nos données suggèrent que les fabricants sont bien conscients de cette tolérance et l'utilisent stratégiquement.

Parmi les 20 aliments emballés et repas de restaurant étiquetés dans notre étude, 14 (70 %) sous-estimaient les calories par rapport à la valeur du laboratoire. La sous-estimation moyenne était de 8.9 %. Seuls 4 repas (20 %) surestimaient les calories, et 2 étaient dans les 2 % de la valeur du laboratoire.

Ce biais directionnel n'est pas accidentel. Sous-estimer les calories fait paraître un produit "plus léger" et plus attrayant pour les consommateurs soucieux de leur santé. Un repas surgelé qui prétend contenir 310 kcal mais qui en contient en réalité 412 kcal (comme nous l'avons trouvé avec une "lasagne légère") peut se positionner dans l'allée des aliments diététiques tout en livrant beaucoup plus d'énergie que prévu.

Pour quiconque s'appuyant sur les étiquettes pour maintenir un déficit calorique, cette sous-estimation systématique est un problème sérieux. Si vos étiquettes sont fausses de -8.9 % en moyenne, et que vous consommez trois repas étiquetés par jour avec un objectif de 1,800 kcal, vous pourriez consommer environ 1,960 kcal — suffisamment pour réduire votre déficit calorique prévu de 500 calories de près de moitié.

2. Les données USDA excellent pour les ingrédients bruts, peinent avec les aliments préparés

La base de données USDA FoodData Central est une ressource remarquable. Pour les aliments simples et non transformés — une banane, une poitrine de poulet, une tasse de riz — elle est extrêmement précise. Nos données ont montré un MAPE de seulement 3.2 % pour les aliments entiers simples, ce qui est presque aussi bon que des mesures répétées en laboratoire.

Mais dès que la cuisson commence, la précision de l'USDA se dégrade. Pour les plats faits maison, le MAPE est passé à 6.4 %. Pour les repas au restaurant, il a grimpé à 14.2 %. Pour les plats internationaux, il a atteint 15.7 %.

Le problème ne réside pas dans la base de données elle-même, mais dans l'écart entre les entrées de la base de données et la préparation réelle. Une entrée USDA pour "légumes sautés" suppose une quantité spécifique d'huile, un temps de cuisson spécifique et un mélange de légumes spécifique. Votre sauté — ou celui servi dans votre restaurant thaïlandais local — peut utiliser deux fois plus d'huile, inclure des légumes plus gras et être servi en plus grande portion. La base de données ne peut pas tenir compte de ces variations ; elle ne peut que décrire une moyenne.

Cela a des implications pour les traqueurs manuels qui se vantent de faire un "journal" "précis" en pesant les ingrédients et en les recherchant dans les bases de données. Cette approche fonctionne bien pour les repas simples préparés à la maison avec des ingrédients mesurés. Elle se dégrade pour les repas à emporter, les commandes ou les recettes où les quantités de matières grasses sont approximatives.

3. L'estimation par photo par IA est plus précise que prévu — surtout pour les repas du monde réel

Avant de mener cette étude, notre hypothèse interne était que l'IA de Nutrola fonctionnerait bien pour les aliments simples et mal pour les repas complexes. Les données ont partiellement soutenu et partiellement contredit cela.

Comme prévu, la meilleure performance de l'IA était sur les aliments entiers simples (4.1 % MAPE). Une banane ressemble à une banane, et les données d'entraînement de l'IA incluent des milliers d'images de bananes avec des poids et des valeurs caloriques connus.

Ce qui nous a surpris, c'est la performance relative de l'IA sur les repas au restaurant et les plats internationaux. Avec un MAPE de 8.6 % et 10.1 % respectivement, Nutrola a significativement surpassé l'approche basée sur l'USDA (14.2 % et 15.7 %). L'IA semble bénéficier de plusieurs avantages dans ces catégories :

• Estimation de la taille des portions à partir d'indices visuels. L'IA utilise l'assiette, le bol et les ustensiles comme objets de référence pour estimer le volume alimentaire, ce qui capture la portion réelle servie plutôt qu'une "portion standard" supposée.
• Détection des sauces et garnitures. Le modèle est entraîné pour identifier les sauces visibles, les glaçages, le fromage fondu et d'autres garnitures riches en calories qu'une recherche dans une base de données pourrait manquer.
• Calibration spécifique à la cuisine. Les données d'entraînement de Nutrola incluent des dizaines de milliers d'images étiquetées provenant de restaurants et de cuisines internationales, permettant au modèle d'apprendre des schémas spécifiques à chaque cuisine (par exemple, qu'un bol de ramen contient généralement plus de graisses que ce que son apparence de bouillon suggère).

Cela dit, l'IA n'était pas parfaite. Ses moments les plus faibles sont survenus avec les graisses cachées — l'huile absorbée dans les aliments frits, le beurre fondu dans les sauces, et la crème mélangée dans les soupes. Ces calories sont physiquement présentes mais visuellement indétectables, et elles représentent un plafond difficile à atteindre pour tout système basé sur une caméra sans saisie utilisateur supplémentaire.

4. Les coupables caloriques cachés

Dans l'ensemble des 50 repas, la plus grande source d'erreur d'estimation — pour chaque méthode, y compris l'IA — était la matière grasse ajoutée. L'huile, le beurre, le ghee, la crème et d'autres graisses utilisées pendant la préparation représentaient la majorité des grandes déviations.

Considérons la salade César maison. Notre laboratoire a mesuré 486 kcal. L'estimation basée sur l'USDA s'est élevée à 347 kcal — une sous-estimation de 28.6 %. L'écart était presque entièrement attribuable à la vinaigrette : une vinaigrette César faite maison contenant de l'huile d'olive, du jaune d'œuf, du parmesan et de la pâte d'anchois. L'estimation USDA utilisait une quantité de vinaigrette "standard", mais la portion réelle était nettement plus généreuse.

De même, le poulet au beurre a été mesuré à 943 kcal au laboratoire contre 716 kcal selon l'USDA — un écart de 24.1 % dû à la quantité de beurre et de crème dans la recette du restaurant, qui dépassait de loin les quantités supposées dans les entrées standard de la base de données.

Ces résultats font écho à un principe bien établi en science de la nutrition : les graisses sont le macronutriment le plus dense en calories (9 kcal/g contre 4 kcal/g pour les protéines et les glucides) et le plus difficile à estimer avec précision. De petites erreurs dans l'estimation des graisses produisent de grandes erreurs caloriques. Une seule cuillère à soupe d'huile manquée par une méthode d'estimation ajoute 119 calories non comptabilisées.

Ce que cela signifie pour les traqueurs quotidiens

Si vous suivez les calories pour gérer votre poids, ces résultats ont plusieurs implications pratiques :

Ne supposez pas que votre étiquette est la vérité absolue. Les étiquettes nutritionnelles sont des points de départ utiles, mais elles peuvent sous-estimer le contenu calorique réel de 10 à 20 % ou plus, en particulier pour les repas emballés et les comptes publiés par les restaurants. Si votre perte de poids a stagné et que vous mangez "exactement" ce que les étiquettes indiquent, cet excédent caché pourrait en être l'explication.

Les recherches USDA sont les plus fiables pour les repas simples préparés à la maison. Si vous cuisinez à la maison, pesez vos ingrédients et utilisez principalement des aliments entiers, une approche de suivi basée sur l'USDA peut être très précise. Plus vos repas deviennent complexes et influencés par les restaurants, moins cette méthode est fiable.

Le suivi par photo par IA offre le meilleur équilibre pour l'alimentation réelle. Pour les personnes qui mangent un mélange de repas faits maison, de repas au restaurant et d'aliments emballés — ce qui décrit la plupart des adultes — un système basé sur l'IA comme Nutrola fournit la précision la plus cohérente à travers les catégories. Il ne battra pas une recherche USDA soigneusement pesée pour une poitrine de poulet nature, mais il surpassera de manière significative cette approche pour le pad thaï que vous avez commandé un vendredi soir.

Soyez toujours méfiant envers les repas riches en graisses. Quelle que soit votre méthode de suivi, les plats qui impliquent de la friture, des sauces lourdes, de la crème, du beurre ou du fromage sont ceux qui sont les plus susceptibles d'être sous-estimés. En cas de doute, ajoutez un petit tampon (50-100 kcal) pour les repas qui semblent ou goûtent riches. Dans Nutrola, vous pouvez également ajuster manuellement l'estimation de l'IA après révision, et le système apprend de vos corrections au fil du temps.

La cohérence compte plus que la perfection. Nos données ont montré que le plus grand avantage de Nutrola n'était pas dans la précision moyenne, mais dans la cohérence — le plus faible écart-type et le pourcentage le plus élevé d'estimations dans les 10 % des valeurs du laboratoire. Pour un suivi à long terme, un système qui est régulièrement faux de 5 à 7 % est beaucoup plus utile qu'un qui est parfois parfait et parfois faux de 25 %. Un biais cohérent peut être pris en compte ; une erreur erratique ne peut pas.

Limitations

Nous voulons être transparents sur les limitations de cette étude :

• Taille de l'échantillon. Cinquante repas sont suffisants pour identifier des schémas, mais pas assez pour des conclusions statistiques définitives dans chaque sous-catégorie. Chaque catégorie contenait seulement 10 repas. Des études plus importantes augmenteraient la confiance dans les résultats par catégorie.
• Région géographique unique. Tous les repas ont été sourcés en Irlande. Les tailles de portions des restaurants, les pratiques culinaires et l'approvisionnement en ingrédients varient selon les pays et même les villes. Les résultats peuvent différer dans d'autres régions.
• Système d'IA unique testé. Nous n'avons testé que l'IA de Nutrola. D'autres trackers caloriques basés sur l'IA peuvent avoir des performances différentes. Nous encourageons les produits concurrents à mener et à publier des analyses similaires.
• Conditions de photo. Toutes les photos ont été prises par des membres de l'équipe qui connaissent les meilleures pratiques de photographie alimentaire. Un utilisateur typique prenant une photo à la hâte dans un éclairage médiocre pourrait connaître une précision de l'IA légèrement inférieure.
• La calorimétrie à bombe mesure l'énergie brute. Bien que des corrections aient été appliquées pour l'énergie métabolisable, les différences individuelles dans la digestion et l'absorption signifient que les "vraies" calories qu'une personne donnée extrait d'un aliment peuvent différer de la valeur du laboratoire de plusieurs pourcents.

Conclusion

Le chiffre calorique sur votre assiette est toujours une estimation — mais toutes les estimations ne se valent pas.

Les étiquettes nutritionnelles, malgré leur apparence officielle, sont la source la moins précise que nous avons testée, avec une tendance systématique à sous-estimer les calories. Les données de l'USDA sont excellentes pour les aliments simples, bruts et préparés à la maison, mais peinent avec la réalité désordonnée de la cuisine de restaurant et de la cuisine internationale. Le suivi par photo basé sur l'IA, tel qu'implémenté dans Nutrola, fournit la performance la plus cohérente à travers toute la gamme des aliments que les gens consomment réellement, avec une précision globale de 7.4 % d'écart absolu moyen par rapport aux valeurs du laboratoire.

Aucune méthode de suivi n'est parfaite. Les aliments qui trompent l'IA trompent également les bases de données et les étiquettes — les plats fortement saucés, riches en huile et à plusieurs composants restent les plus difficiles à estimer pour tout système. Mais pour le traqueur quotidien qui souhaite comprendre ce qu'il mange de manière fiable et sans effort, les données suggèrent qu'une IA bien entraînée examinant votre assiette réelle se rapproche de la vérité plus qu'une étiquette imprimée dans une usine ou une entrée de base de données écrite pour une recette idéalisée.

Nutrola est construit sur le principe que l'exactitude ne devrait pas nécessiter d'effort. Vous prenez une photo, et l'IA fait le travail. Cette étude était notre façon de nous tenir responsables de cette promesse — et de partager les résultats, y compris nos faiblesses, avec les personnes qui nous font confiance pour leurs données nutritionnelles.

Si vous souhaitez essayer Nutrola par vous-même, les abonnements commencent à 2,50 EUR par mois, sans publicité sur chaque niveau. Nous préférons gagner votre confiance avec des données précises plutôt que de vendre votre attention à des annonceurs.

Les tableaux de données brutes de cette étude sont disponibles sur demande pour les chercheurs, journalistes et diététiciens qui souhaitent réaliser leur propre analyse. Contactez-nous à research@nutrola.com.