L'IA en pratique · 26 août 2026
L'IA en diététique : ce qu'elle peut et ne peut pas faire
Tous les outils de nutrition mettent désormais l'IA en avant. Très peu disent ce que le modèle fait réellement, où il échoue, ou ce qui se passe lorsqu'il n'est pas sûr. Voici une version en langage clair pour les diététiciens, avec les questions qu'il vaut la peine de poser à tout fournisseur avant que vos patients ne commencent à l'alimenter en données.
Trois technologies différentes désignées d'un seul mot
Quand une application de nutrition parle d'IA, elle désigne généralement l'un de trois systèmes distincts. Un modèle de vision transforme la photo d'un repas en étiquettes d'aliments candidates. Une couche de géométrie estime la quantité de nourriture dans l'assiette. Un modèle de langage produit de la conversation. Ils échouent de façons différentes et méritent des degrés de confiance différents. C'est en les confondant qu'un outil finit par présenter une estimation de portion fragile avec la même assurance graphique qu'un scan de code-barres.
Dans les outils connectés à un clinicien, une quatrième couche vient s'ajouter : la détection de tendances dans le temps. Celle-là ne porte pas vraiment sur un repas isolé.
Ce que l'IA peut et ne peut pas faire devant l'assiette
Alléger la charge de l'enregistrement
Elle le peutUne photo et une simple confirmation demandent bien moins d'efforts que de chercher chaque composant d'un repas dans une base de données. Moins de friction signifie généralement des données inter-séances plus complètes.
Reconnaître un aliment sur une photo
Elle le peut, avec des réservesLa reconnaissance fonctionne bien sur des aliments courants, isolés et bien présentés, et moins bien sur les plats composés, les sauces, les soupes et les aliments issus de cultures variées, sous-représentés dans les données d'entraînement.
Estimer une portion
Plus difficile qu'il n'y paraîtLa quantité présente relève de la géométrie, pas de l'étiquetage. Les données de profondeur et un objet de référence aident. Les hypothèses de densité pour les plats composés introduisent malgré tout une erreur réelle.
Produire un compte de calories exact
Elle ne le peut pasTout chiffre est une estimation empilée sur deux estimations antérieures. L'annoncer à la kilocalorie près est une fausse précision, et dans les troubles alimentaires cette précision n'est pas neutre.
Proposer une conversation de soutien
Elle le peut, dans certaines limitesUne IA peut valider un repas difficile, proposer une technique d'ancrage et aider un patient à préparer ce qu'il souhaite vous dire. Elle ne peut ni diagnostiquer, ni prescrire, ni porter un plan de sécurité.
Repérer un écart par rapport à l'habitude
Elle le peut, comme signal d'alerteDes repas sautés à répétition associés à une détresse croissante après les repas forment une tendance lisible qui mérite d'être signalée. C'est une raison de regarder, pas une conclusion.
Le chiffre des calories est la partie qui demande le plus de précaution
Une valeur énergétique estimée est le produit d'une chaîne : identifier l'aliment, estimer son volume, poser une hypothèse de densité pour obtenir une masse, puis chercher les kilocalories pour 100 grammes dans une base de composition des aliments. Chaque maillon comporte une erreur, et les erreurs se cumulent. Cela ne pose pas de problème quand le chiffre sert de signal clinique approximatif, à côté de tout ce que vous savez par ailleurs. Cela en pose un quand il est affiché au patient comme un score précis et cliquable.
Dans les troubles alimentaires, l'argument clinique pèse plus lourd que l'argument technique. Le retour chiffré sur l'apport énergétique est le mécanisme central des applications de régime grand public, et il est souvent contre-thérapeutique pour les personnes que vous suivez. La conception utile ne consiste pas à ne rien calculer, mais à calculer avec soin, à garder le chiffre hors de la vue du patient par défaut, et à laisser le clinicien décider quand il a sa place dans le plan de soins.
La conversation de soutien est un vrai outil, dans un couloir étroit
Entre un mardi et le mardi suivant, un patient s'attable seul pour dîner et c'est difficile. Une conversation avec une IA bien encadrée peut valider cela, dérouler une stratégie d'adaptation que vous avez déjà approuvée, et l'aider à noter ce qu'il souhaite apporter en séance. C'est réellement utile, et ce n'est pas de la thérapie.
Ce qui compte, c'est là où le couloir s'arrête. La conversation doit être annoncée comme relevant d'une IA, refuser toute prescription alimentaire individualisée ou tout ce qui ressemble à un conseil de perte de poids, orienter les propos préoccupants vers de vraies personnes et de vraies ressources, et pouvoir être consultée par l'équipe soignante selon les réglages de consentement du patient. Le repérage des propos de crise ne se déclenche que lorsque quelqu'un écrit : il ne peut donc jamais constituer tout le plan de sécurité. Un outil qui prétend le contraire en promet trop.
Six questions à poser à tout fournisseur d'IA en nutrition
Que se passe-t-il quand le modèle n'est pas sûr ?
La réponse honnête est qu'il pose une question de clarification ou déclare ne pas savoir. Si un outil ne s'abstient jamais, il devine dans le dossier de votre patient et présente cela comme une donnée.
Le score de confiance est-il calibré ?
Quand un modèle annonce 80 % de confiance, a-t-il raison environ 80 % du temps sur la population que vous suivez réellement ? Une confiance non calibrée est un chiffre qui ressemble à une preuve sans en être une.
Quelles performances sur les aliments que mangent vos patients ?
Une précision de référence sur un jeu de données de recherche dit peu de chose d'un plat composé fait maison sous un mauvais éclairage de cuisine. Interrogez précisément sur les repas composés et les aliments issus de cultures variées.
Le patient peut-il voir les chiffres de calories ?
Pour les troubles alimentaires, c'est LA question. Demandez si les estimations d'apport énergétique peuvent être masquées côté patient tout en restant accessibles pour vous, et si cela se configure patient par patient.
Pouvez-vous voir pourquoi une alerte s'est déclenchée ?
Un signal à motif codé que vous pouvez auditer, écarter ou corriger relève de l'aide à la décision clinique. Un badge « risque élevé » opaque, non.
Qui peut consulter les transcriptions des conversations ?
Si un patient se confie à un agent conversationnel au sein d'un outil relié à votre cabinet, vous devriez savoir si vous pouvez le lire, quand le patient y a consenti, et comment il peut revenir sur ce consentement.
Où se situe Pippa
Pippa n'entraîne pas son propre modèle de fondation. Elle construit une couche orientée rétablissement au-dessus de modèles de vision et de langage existants, et l'essentiel du travail réside dans les vérifications autour du modèle : clarifier ou s'abstenir plutôt que deviner, rattacher les aliments confirmés à un dictionnaire nutritionnel sélectionné plutôt que de laisser le modèle inventer des valeurs de nutriments, garder les estimations d'apport énergétique hors de la vue du patient par défaut, et associer un motif codé à chaque signal adressé au clinicien pour que vous puissiez voir exactement ce qui l'a déclenché et le contredire.
Nous avons rédigé la version longue. Le livre blanc sur le panorama de l'IA clinique détaille l'ensemble du traitement des images de repas, les calculs de portions et d'apports, l'orientation de sécurité de la conversation, les familles de signaux de tendance et les questions de validation auxquelles, selon nous, tout outil du domaine devrait pouvoir répondre. Si vous préférez d'abord comparer les outils, commencez par le guide 2026 des applications de rétablissement pour les cliniciens.