Pourquoi j'ai quitté SnapCalorie pour Nutrola (l'IA photo seule ne suffit pas)

SnapCalorie m'a vendu un rêve : prendre une photo de ma nourriture, et l'IA me dit exactement ce que j'ai mangé. Pas de saisie, pas de recherche, pas de scan de code-barres. Il suffit de pointer, de prendre une photo et de laisser la machine faire le reste. Après des mois de saisie manuelle fastidieuse sur d'autres applications, cela semblait être l'avenir. Je me suis inscrit immédiatement.

Pendant environ trois semaines, j'ai été vraiment impressionné. Puis j'ai commencé à comparer les estimations de SnapCalorie avec les étiquettes nutritionnelles réelles et les portions mesurées. Les incohérences n'étaient pas minimes. Elles étaient suffisamment importantes pour compromettre tout l'intérêt du suivi.

Voici comment j'ai compris que la reconnaissance photo par IA sans une base de données alimentaire vérifiée est un concept séduisant mais avec un sérieux problème de précision — et comment la combinaison de l'IA et d'une base de données de 1,8 million d'aliments de Nutrola m'a apporté ce que SnapCalorie ne pouvait pas.

L'attrait du suivi photo uniquement

Je comprends pourquoi SnapCalorie a attiré tant d'utilisateurs, moi y compris. L'expérience traditionnelle de saisie alimentaire — taper un nom d'aliment, faire défiler les résultats, choisir le bon, ajuster la taille de la portion, répéter pour chaque élément de votre assiette — est fastidieuse. C'est la raison numéro un pour laquelle les gens abandonnent le suivi de leur alimentation.

SnapCalorie promettait d'éliminer complètement cette friction. Prenez une photo, l'IA estime les aliments et leurs quantités, et vous obtenez une répartition des calories et des macronutriments en quelques secondes. L'interface était épurée, l'expérience rapide, et pour les repas simples, cela semblait magique.

J'ai pris une photo d'une assiette avec du poulet, du riz et des brocolis. SnapCalorie a identifié les trois éléments et a estimé les calories en quelques secondes. J'étais conquis.

Où la précision a échoué

Le problème avec SnapCalorie est apparu progressivement, puis tout à coup.

L'estimation des portions était inconstante

L'IA peut identifier qu'il s'agit de poulet. Ce qu'elle a du mal à estimer, c'est si ce poulet pèse 120 grammes ou 200 grammes — une différence d'environ 100 calories et 20 grammes de protéines. D'une photo prise de dessus, un morceau de poulet épais et un morceau fin peuvent sembler remarquablement similaires.

J'ai testé cela délibérément un soir. J'ai servi deux portions de pâtes : l'une pesait 80 grammes (poids sec) et l'autre 150 grammes. Les deux étaient présentées sur des assiettes similaires avec la même sauce. SnapCalorie a estimé la plus petite portion à 420 calories et la plus grande à 480 calories. La différence réelle était d'environ 250 calories.

L'IA voyait deux assiettes similaires et renvoyait des estimations similaires, car elle faisait des suppositions visuelles, sans se référer à des données nutritionnelles vérifiées liées à des poids mesurés.

Les plats mélangés étaient un jeu de devinettes

SnapCalorie fonctionnait raisonnablement bien sur des repas simples et séparés — un morceau de poisson à côté d'un tas de légumes à côté d'une portion de riz. Tout était visuellement distinct et estimable.

Mais la vie réelle inclut des ragoûts, des currys, des casseroles, des bols de smoothie, des burritos, des sandwiches et des bols de céréales où les ingrédients se chevauchent, se cachent sous des sauces ou se mélangent visuellement. Pour ces repas, les estimations de SnapCalorie variaient de relativement correctes à complètement erronées.

J'ai photographié un bol de burrito dans un restaurant. SnapCalorie a identifié le riz, les haricots, le poulet et la salsa. Elle a manqué la crème aigre cachée sous la laitue, le fromage mélangé dans le riz, et le guacamole sur le côté du bol partiellement obscurci par un panier de chips. L'estimation calorique était d'environ 530 calories. Lorsque j'ai calculé manuellement le repas en utilisant les données nutritionnelles publiées par le restaurant, il était plus proche de 840 calories. Un écart de 310 calories pour un seul repas.

Pas de scan de code-barres, pas de sauvegarde manuelle

L'identité entière de SnapCalorie était construite autour de la reconnaissance photo. Elle n'avait pas de base de données alimentaire traditionnelle que l'on pouvait rechercher manuellement. Elle n'avait pas de scan de code-barres. Si l'IA photo ne pouvait pas identifier quelque chose — ou l'identifiait incorrectement — vous étiez bloqué.

Les aliments emballés que j'aurais pu facilement scanner avec un lecteur de code-barres devaient être photographiés à la place, et l'IA tentait d'estimer le contenu visuellement au lieu de tirer les données nutritionnelles exactes vérifiées de l'étiquette. C'était absurde pour les aliments emballés où le fabricant avait déjà fourni des informations nutritionnelles précises.

Pas de données sur les micronutriments

Même lorsque les estimations de calories et de macronutriments de SnapCalorie étaient dans la bonne fourchette, elles s'arrêtaient là. Calories, protéines, glucides, lipides — c'était la limite des données. Pas de vitamines, pas de minéraux, pas d'éléments traces. Si je voulais savoir combien de fer ou de calcium se trouvaient dans mon repas, SnapCalorie n'avait pas de réponse.

L'IA estimait les macronutriments à partir de l'apparence visuelle. Estimer les micronutriments à partir d'une photo serait encore moins fiable, donc ils n'ont tout simplement pas essayé. Mais le résultat était que je naviguais à l'aveugle sur tout ce qui dépassait les quatre grands chiffres.

La réalisation : l'IA a besoin d'une base de données

Après trois semaines de suivi sur SnapCalorie et de comparaison des estimations avec des valeurs connues, j'ai tiré une conclusion qui semble évidente rétrospectivement : la reconnaissance photo par IA est une méthode d'entrée brillante, mais elle n'est aussi bonne que les données auxquelles elle se connecte.

L'IA de SnapCalorie essayait d'estimer la nutrition uniquement à partir d'analyses visuelles. Cette approche a un plafond fondamental de précision. Peu importe à quel point la reconnaissance d'image s'améliore, une photo ne peut pas vous dire la marque exacte de yaourt, la quantité précise d'huile utilisée en cuisine, ou les ingrédients cachés dans une sauce de restaurant.

Ce dont j'avais besoin, c'était d'une application qui utilise l'IA comme méthode d'entrée rapide mais qui connecte ces entrées à une base de données nutritionnelle vérifiée — de sorte que l'IA identifie "poulet" à partir d'une photo, mais que les données caloriques et nutritionnelles proviennent d'une source vérifiée, et que je puisse ajuster le poids pour correspondre à ma portion.

C'est exactement ce que fait Nutrola.

Passer à Nutrola : IA plus base de données

Nutrola utilise la reconnaissance photo par IA, mais différemment de SnapCalorie. Lorsque vous prenez une photo de votre repas, l'IA de Nutrola identifie les aliments. Ensuite, elle fait correspondre ces éléments à sa base de données de plus de 1,8 million d'aliments vérifiés. Vous voyez les éléments correspondants avec leurs données nutritionnelles et pouvez ajuster les portions par poids ou tailles de portions courantes.

Le résultat est que vous bénéficiez de la rapidité d'une saisie alimentée par l'IA (pas de saisie, pas de recherche) avec la précision d'une base de données vérifiée (vrais chiffres nutritionnels, pas d'estimations visuelles).

La différence de précision était immédiate

J'ai effectué les mêmes tests avec Nutrola que ceux que j'avais réalisés avec SnapCalorie.

Les deux portions de pâtes. Nutrola a identifié les pâtes à partir de la photo et les a associées à une entrée de la base de données. J'ai ajusté le poids pour chaque assiette. La plus petite portion est revenue à 340 calories et la plus grande à 590 calories — toutes deux à moins de 15 calories de mon calcul manuel. SnapCalorie avait estimé les deux autour de 450 calories avec une variation de 60 calories.

Le bol de burrito. L'IA de Nutrola a identifié les principaux composants, et j'ai pu ajouter la crème aigre, le fromage et le guacamole que la photo cachait partiellement. Chaque élément a tiré des données vérifiées de la base de données. Estimation totale : 810 calories, à 30 calories près des données publiées par le restaurant. SnapCalorie avait manqué 310 calories.

Un smoothie. SnapCalorie avait des difficultés avec les smoothies car on ne peut pas voir les ingrédients. Elle estimait "un smoothie vert" avec des chiffres caloriques approximatifs. Nutrola m'a permis de saisir vocalement les ingrédients réels — "épinards, banane, beurre de cacahuète, poudre de protéine, lait d'amande" — et chaque ingrédient a tiré des données exactes de la base de données. La différence ne concernait pas la capacité de l'IA. C'était une question d'avoir un système capable d'accepter plusieurs méthodes d'entrée et de les connecter à des données vérifiées.

Scan de code-barres pour les aliments emballés

Pour les 30 % de mon alimentation provenant d'aliments emballés — barres protéinées, yaourts, céréales, condiments, boissons — le scanner de code-barres de Nutrola a été transformateur par rapport à l'approche photo uniquement de SnapCalorie.

J'ai scanné une barre protéinée. Nutrola a renvoyé les calories exactes (210), les protéines (20 g) et l'intégralité du profil micronutritionnel de la base de données vérifiée. SnapCalorie aurait analysé une photo d'une barre emballée et renvoyé une estimation visuelle. Il n'existe pas d'univers dans lequel une photo d'un emballage est plus précise que les données nutritionnelles réelles de l'étiquette de cet emballage.

Saisie vocale pour les aliments intermédiaires

Certains aliments sont difficiles à photographier. Une poignée d'amandes d'un sachet. Un filet d'huile d'olive en cuisinant. Un verre de lait. SnapCalorie exigeait que je photographie ces aliments, ce qui était à la fois peu pratique et inexact (comment photographier une cuillère à soupe d'huile d'olive dans une poêle ?).

La saisie vocale de Nutrola gérait cela parfaitement. "Cuillère à soupe d'huile d'olive, poignée d'amandes, environ 20 grammes" — dit en trois secondes, associé à des entrées vérifiées de la base de données, enregistré avec précision.

Les résultats après 30 jours

Après un mois sur Nutrola, les améliorations par rapport à SnapCalorie étaient mesurables.

La précision calorique s'est améliorée de manière significative. J'ai comparé mes journaux Nutrola à des valeurs pesées et mesurées pendant une semaine entière. Les totaux caloriques quotidiens de Nutrola étaient constamment à 5 à 8 % de mes valeurs calculées manuellement. SnapCalorie avait dévié de 15 à 25 % sur les mêmes types de repas.

J'ai gagné en visibilité sur les micronutriments. Passant de zéro donnée sur les micronutriments avec SnapCalorie à un suivi de plus de 100 nutriments avec Nutrola. En deux semaines, j'ai identifié que mon apport en sélénium était faible (je mange rarement des noix du Brésil ou des fruits de mer) et que mon folate était irrégulier.

La vitesse de saisie est restée rapide. C'était ma préoccupation concernant le changement. SnapCalorie était rapide, et je craignais qu'une application plus précise soit aussi plus lente. La reconnaissance photo par IA de Nutrola était tout aussi rapide que celle de SnapCalorie, et l'étape supplémentaire de confirmation des correspondances de la base de données n'ajoutait que 10 à 15 secondes par repas. La saisie vocale et le scan de code-barres pour les aliments peu photogéniques étaient en fait plus rapides que d'essayer de les photographier.

Temps total de saisie quotidienne. SnapCalorie : environ 4 minutes par jour (rapide mais inexact). Nutrola : environ 6 minutes par jour (rapide et précis). Les deux minutes supplémentaires m'ont permis d'obtenir des données considérablement meilleures.

Coût. Le plan premium de SnapCalorie coûtait environ 10 dollars par mois. Nutrola coûte 2,50 euros par mois. Moins d'argent pour plus de fonctionnalités, de meilleures données et une vitesse comparable.

Ce que SnapCalorie a bien fait

Vitesse pure pour les repas simples. Si votre alimentation se compose entièrement de repas à un seul élément sur des assiettes claires, l'approche photo et c'est tout de SnapCalorie est réellement l'expérience de saisie la plus rapide disponible. Pour ces scénarios spécifiques, c'était impressionnant.

Charge cognitive faible. Ne pas avoir à penser aux portions ou aux correspondances de base de données signifiait que l'expérience de saisie était presque sans effort. Je comprends pourquoi cela attire les utilisateurs occasionnels.

Expérience novatrice. Il y a quelque chose de satisfaisant dans le flux de travail photo-données. Cela semble futuriste et cela a supprimé la barrière psychologique de "je ne veux pas saisir parce que c'est fastidieux."

Mais la vitesse sans précision n'est pas du suivi. C'est deviner avec des étapes supplémentaires.

Qui devrait envisager de changer

Si vous utilisez SnapCalorie et que vos résultats ont stagné — si vos objectifs caloriques ne produisent pas les résultats escomptés — une estimation IA incohérente pourrait en être la raison. Lorsque votre outil de suivi manque régulièrement 200 calories par repas, votre total calorique quotidien pourrait être erroné de 500 à 800 calories. Cet écart est suffisamment important pour annuler complètement un déficit calorique.

Si vous souhaitez la commodité d'une saisie alimentée par l'IA mais avez également besoin de la fiabilité de données nutritionnelles vérifiées, Nutrola vous offre les deux. Reconnaissance photo pour la rapidité. Une base de données de 1,8 million d'aliments pour la précision. Saisie vocale et scan de code-barres pour les aliments que les photos ne peuvent pas capturer correctement. Plus de 100 nutriments suivis pour une vue d'ensemble. Et zéro publicité pour deux euros cinquante par mois.

L'avenir du suivi alimentaire n'est pas l'IA seule. C'est l'IA connectée à des données vérifiées. C'est ce que j'ai découvert en passant de SnapCalorie à Nutrola, et la différence de précision a changé mes résultats en un mois.