ChatGPT peut-il compter les calories d'une photo ?

ChatGPT peut-il vraiment compter les calories d'une photo ?

Oui, ChatGPT peut compter les calories à partir d'une photo, et il identifie souvent correctement les aliments. Dans un test évalué par des pairs, GPT-4 a identifié les aliments sur de vraies photos de repas avec une précision de 93,0% et un rappel de 84,6%, soit un score F1 de 88,6% (O'Hara et al. 2025, Nutrients). Ce qui pose problème, c'est le chiffre attaché à cet aliment : la taille de la portion, la matière grasse cachée, et le fait d'obtenir deux fois la même réponse. Pour comprendre tout le mécanisme derrière ces chiffres, consultez notre article sur comment marchent les compteurs de calories par IA.

ChatGPT peut-il vraiment reconnaître les aliments sur une photo ?

Oui. Envoyez une photo d'une assiette et ChatGPT nommera le plat, listera les ingrédients approximatifs et donnera une estimation de calories et de macronutriments. Cette partie fonctionne bien car les modèles de vision reconnaissent bien la nourriture.

La tâche difficile n'est pas de nommer du riz et du poulet. C'est de les peser à partir d'une image plate, sans balance, sans capteur de profondeur, et sans savoir combien d'huile a été versée dans la poêle. C'est là que le chiffre commence à s'éloigner de la réalité.

Quelle est la marge d'erreur de ChatGPT selon les études publiées ?

Les recherches publiées donnent une réponse concrète plutôt qu'une supposition. Dans une étude portant sur 114 photos, ChatGPT-4 a sous-estimé le poids total du repas dans 76,3% des photographies, soit 87 sur 114 (O'Hara et al. 2025, Nutrients).

Sur l'ensemble des 114 photographies combinées, l'écart absolu en pourcentage entre le poids estimé par ChatGPT et le poids mesuré était en moyenne de 27,8%, avec un écart type de 18,5%. Ce chiffre unique mélange toutes les tailles de portion ensemble.

En détaillant par taille de portion, la tendance se précise. Les petites portions n'étaient pas significativement différentes du poids mesuré (p=0,221). Les portions moyennes et grandes étaient en revanche significativement sous-estimées (p<0,001), même si l'étude ne fournit pas de pourcentage d'erreur moyen séparé pour chaque tranche de taille.

L'accord avec les estimations des diététiciens, mesuré par corrélation intraclasse, était de 0,56 pour l'énergie, une fourchette que l'étude qualifie de faible à modérée. Les protéines s'en sortaient un peu mieux avec 0,67, modéré à bon, tandis que l'accord pour les glucides n'était que de 0,31, faible.

Une autre étude, menée sur des repas hospitaliers, a testé dix modèles au total : trois modèles multimodaux généralistes et sept applications diététiques spécialisées. Parmi les trois modèles les plus performants analysés en détail, dont GPT-4o, la corrélation avec les diététiciens allait de 0,82 à 0,89 pour l'énergie, mais seulement de 0,41 à 0,48 pour les lipides (Isobe et al. 2026, Nutrients). L'énergie paraît correcte en moyenne. Les nutriments pris individuellement, non.

En alignant les chiffres des études côte à côte, un schéma apparaît qu'aucune étude ne formule seule.

L'identification des aliments est le maillon le plus solide de la chaîne. La taille des portions et la teneur en matières grasses sont les maillons les plus faibles, et la reproductibilité se situe encore en dessous.

Pourquoi ChatGPT sous-estime-t-il les grosses portions ?

Le schéma n'est pas aléatoire, il est lié à la taille de la portion. Sur l'ensemble des 114 photos, l'erreur moyenne absolue de poids était de 27,8% ± 18,5%, mais ce chiffre couvre toutes les assiettes ensemble, pas une taille en particulier.

En séparant par tranche de taille, les petites portions n'étaient pas statistiquement différentes du poids mesuré (p=0,221). Les portions moyennes et grandes étaient significativement sous-estimées (p<0,001) (O'Hara et al. 2025, Nutrients).

Un modèle qui lit une photo plate n'a ni règle ni information de profondeur. Un petit tas de nourriture ressemble à peu près à ce qu'il est. Une assiette large, haute ou superposée s'aplatit visuellement, et le modèle semble deviner de façon prudente plutôt que de risquer un chiffre trop élevé.

Cela signifie que l'erreur n'est pas répartie uniformément sur votre semaine. Un simple bol de soupe pourra être proche de la réalité. C'est l'assiette copieuse et superposée qui risque le plus d'être discrètement sous-comptée.

Pourquoi les lipides sont-ils le nutriment le plus mal estimé ?

L'huile, le beurre et les sauces se fondent dans le brillant de la surface d'un plat, et une photo ne peut pas montrer la quantité versée dans la poêle. L'étude sur les repas hospitaliers a trouvé une surestimation des lipides de 33,8% à 52,3% selon les modèles, un biais statistiquement significatif (p<0,01) (Isobe et al. 2026, Nutrients).

La précision à ±10% de la valeur mesurée raconte la même histoire sous un autre angle : 46,7% à 73,3% des repas pour l'énergie, mais seulement 6,7% à 33,3% pour les lipides.

C'est un mécanisme, pas une erreur de jugement. Un modèle peut voir un reflet brillant et en déduire « il y a de l'huile », mais il ne peut pas voir la cuillère à soupe qui l'a produit. Vous pouvez calculer vous-même les calories d'huile et de sauce qu'une photo ne montre pas grâce au calculateur calories huile de cuisson, gratuit, qui part de ce qui a vraiment été versé dans la poêle plutôt que du brillant de l'assiette.

ChatGPT donne-t-il la même réponse si on lui pose deux fois la question ?

Pas forcément, et cela compte plus que n'importe quel chiffre d'erreur isolé. Une étude de 2026 conçue spécifiquement pour tester ce point a fait passer les mêmes images de repas dans des grands modèles de langage 60 fois chacune, puis a comparé la variation des prédictions au sein d'une même image à celle entre différentes photos d'un même repas (Wang, Lane & Waki 2026, JMIR Diabetes).

Les chercheurs ont construit cette méthode car des requêtes répétées sur une photo identique ne convergent pas vers un chiffre fixe. L'étude d'O'Hara confirme cet écart d'un autre point de vue, en indiquant clairement que tester la reproductibilité dépassait le cadre de son étude (O'Hara et al. 2025, Nutrients).

Pour une curiosité ponctuelle, cette variabilité passe presque inaperçue. Pour un suivi quotidien, où l'on veut que le chiffre d'aujourd'hui signifie la même chose que celui d'hier, c'est un vrai problème. Pour une vue d'ensemble sur les applications de calories par IA, pas seulement ChatGPT, consultez notre article sur comment ces chiffres se comparent entre applications de calories par IA.

Qu'est-ce qu'une application de suivi fait de plus qu'un simple échange avec ChatGPT ?

Une fenêtre de discussion répond à une seule question puis l'oublie. Elle n'a ni journal, ni historique, ni possibilité de modifier le chiffre avant qu'il soit enregistré quelque part durablement.

Avocalo repose sur le même type de lecture d'une photo par un modèle de vision, sans revendiquer de taux de précision au-delà de ce que montrent les études citées ci-dessus pour cette méthode sous-jacente. La différence se joue après l'apparition de l'estimation : vous pouvez la relire et la modifier avant de l'enregistrer, et elle reste dans un journal continu au lieu de disparaître à la fin de la conversation. Vous pouvez photographier un repas, corriger le résultat et le conserver dans un historique grâce à l'application Avocalo.

Pour situer où va le secteur, MyFitnessPal a lancé une application intégrée à une nouvelle expérience ChatGPT Health en janvier 2026, proposant des conseils sur les macronutriments, des objectifs personnalisés, un accompagnement de gestion du poids et des recettes issues de sa base de données alimentaire (communiqué de MyFitnessPal). Il s'agit d'une consultation de base de données pour des conseils, pas d'une fonctionnalité d'estimation par photo, et cela ne change aucun des chiffres présentés ci-dessus.

Faut-il utiliser ChatGPT pour compter ses calories ?

Utilisez-le pour une estimation grossière et ponctuelle, surtout sur une assiette avec un ou deux aliments visibles et sans sauce cachée. Les taux d'erreur publiés suggèrent que c'est là qu'il tient le mieux la route.

Restez plus méfiant face à une assiette copieuse et superposée, un plat frit ou en sauce, ou tout repas que vous prévoyez de comparer à celui de demain. C'est exactement là que les études citées montrent les plus grands écarts, et où poser deux fois la même question pourrait même ne pas donner le même résultat.

Pièges qui faussent discrètement le résultat :

• Ne faites pas confiance à une grosse portion ou à une assiette copieuse sans vérification. Les portions moyennes et grandes étaient significativement sous-estimées dans l'étude d'O'Hara (p<0,001), contrairement aux petites portions (p=0,221).
• Ne supposez pas qu'une photo brillante signifie que le modèle a vu l'huile. Les lipides étaient surestimés de 33,8% à 52,3% dans une étude, alors que la précision à ±10% de la valeur réelle n'était que de 6,7% à 33,3% pour les lipides, bien en dessous des 46,7% à 73,3% de l'énergie.
• Ne posez pas la même question deux fois en attendant le même chiffre. L'étude JMIR Diabetes a construit une méthode à 60 répétitions justement parce que les réponses varient d'une exécution à l'autre.
• Ne lisez pas l'ICC énergie de 0,56 comme un accord solide. L'étude elle-même qualifie cette fourchette de faible à modérée, pas de proche.
• N'extrapolez pas la précision des glucides à partir du score d'identification des aliments. L'identification F1 était de 88,6%, mais l'accord pour les glucides avec les diététiciens n'était que de 0,31.

Questions fréquentes

ChatGPT peut-il lire une étiquette nutritionnelle plutôt qu'une photo de repas ?

Les études citées testent des photos de repas, pas des photos d'étiquettes, donc aucun chiffre sourcé ne s'applique ici. Une étiquette imprimée indique déjà les calories et macronutriments, ce qui évite entièrement le problème d'estimation de portion posé par un plat servi.

Demander d'abord la liste des ingrédients à ChatGPT améliore-t-il l'estimation ?

Aucune des trois études citées n'a testé une méthode en deux temps consistant à demander d'abord les ingrédients, donc il n'existe aucun chiffre sourcé dans un sens ou dans l'autre. La limite de fond, l'absence de repère d'échelle sur la photo, demeure quelle que soit la formulation de la question.

L'application MyFitnessPal intégrée à ChatGPT, est-ce la même chose que le comptage de calories par photo ?

Non. Lancée en janvier 2026, elle propose des conseils sur les macronutriments, des objectifs personnalisés, un accompagnement de gestion du poids et des recettes issues de la base de données de MyFitnessPal, pas une fonctionnalité d'estimation par photo. C'est un outil de consultation de base de données, distinct de l'analyse de photo par modèle de vision dont traite cet article.

GPT-4o fait-il mieux que les versions précédentes de ChatGPT sur ce point ?

L'étude d'Isobe et al. 2026 incluait GPT-4o parmi les trois modèles les plus performants analysés en détail et a trouvé une corrélation pour les lipides de 0,41 à 0,48 entre eux, sans distinguer une version clairement supérieure. Aucune étude de ce dossier ne compare précisément les versions entre elles.

ChatGPT peut-il tenir compte de l'huile de cuisson si on lui indique la quantité utilisée ?

Aucune des études citées n'a testé une requête indiquant une quantité d'huile précise, donc il n'existe aucun chiffre sourcé sur ce point. Indiquer la quantité supprime l'incertitude que les études identifient comme la véritable source du biais de surestimation des lipides.

Sources

• O'Hara C, Kent G, Flynn AC, Gibney ER, Timon CM. An Evaluation of ChatGPT for Nutrient Content Estimation from Meal Photographs. Nutrients 2025, 17(4), 607, pour la précision d'identification des aliments, la sous-estimation des portions et l'accord avec les diététiciens.
• Isobe T, et al. Accuracy of AI-Based Nutrient Estimation from Standardized Hospital Meal Images. Nutrients 2026, 18(6), 966, pour le biais de surestimation des lipides et les corrélations par nutriment.
• Wang Z, Lane D, Waki K. Toward Robust AI-Assisted Dietary Assessment for Diabetes Self-Management. JMIR Diabetes 2026, pour la méthode de répétition à l'origine du constat sur la reproductibilité.
• MyFitnessPal Launches App in New ChatGPT Health Experience, pour situer dans le temps ce que proposent réellement les intégrations actuelles de ChatGPT.
• Règlement (UE) n° 1169/2011 (INCO) sur l'information des consommateurs sur les denrées alimentaires, pour ce qu'une étiquette doit obligatoirement indiquer.
• ANSES, table Ciqual (ciqual.anses.fr), pour les valeurs nutritionnelles de référence françaises.
• Voir aussi la politique éditoriale d'Avocalo pour savoir comment les chiffres de ce guide sont sourcés et vérifiés.

Publié par Petros IT Solutions SRL. Une erreur repérée ? Écrivez à [email protected].