L’intelligence artificielle continue de sous-performer dans les domaines où l’intuition humaine excelle, comme le démontre ses difficultés à accomplir une tâche apparemment simple : identifier avec précision les aliments. Malgré les progrès en matière de reconnaissance d’images, les applications de nutrition basées sur l’IA calculent systématiquement mal les repas, compromettant ainsi leur promesse d’un suivi macro sans effort.
Cette semaine, Victoria Song de The Verge a testé la nouvelle fonctionnalité de nutrition IA de Ladder, dans l’espoir de trouver un moyen simplifié d’enregistrer son petit-déjeuner avant l’entraînement composé de gaufres protéinées Kodiak, de beurre de cacahuète, de miel et de café glacé. Au lieu de cela, l’IA a gonflé le nombre de calories de plus de 100 % et a mal identifié les ingrédients, suggérant qu’elle avait consommé beaucoup plus de nourriture qu’elle n’en avait consommé. Il ne s’agit pas d’un incident isolé. Des applications comme Oura, January et MyFitnessPal présentent toutes des inexactitudes similaires, se trompant souvent sur les ingrédients, jugeant mal les portions ou ne reconnaissant pas les plats ethniques.
Le problème fondamental réside dans la nature même de l’exploitation forestière des aliments. Bien que l’IA puisse faire la distinction entre de grandes catégories (banane ou pomme), elle échoue avec les détails (garniture des raviolis, type de sauce). Même lorsqu’elles sont corrigées, les utilisateurs passent plus de temps à vérifier les erreurs d’IA qu’ils ne le feraient en saisissant manuellement les données. Cela annule la commodité souhaitée.
Plus important encore, le recours à l’IA détourne l’attention de la question centrale : un changement alimentaire durable. L’IA peut suggérer des ajustements, mais elle ne peut pas imposer des changements de comportement. L’enregistrement des aliments est plus efficace en tant qu’outil temporaire de sensibilisation, et non en tant que dépendance à vie. L’objectif n’est pas d’atteindre des objectifs arbitraires, mais de comprendre les habitudes alimentaires personnelles et de favoriser une consommation consciente.
Le modèle économique des applications de santé encourage un engagement perpétuel. Plutôt que de permettre aux utilisateurs de s’autoréguler, ces outils encouragent la dépendance en laissant entendre que le succès nécessite un suivi constant. Le véritable aperçu que l’IA pourrait fournir n’est pas le comptage des calories, mais un retour d’information honnête – qu’il s’agisse de célébrer un repas nutritif ou de reconnaître une tendance à manger sous l’effet du stress.
Actuellement, les fonctionnalités nutritionnelles de l’IA sont plus frustrantes qu’utiles. Au lieu de simplifier le processus, ils créent une nouvelle couche de désagrément, obligeant les utilisateurs à corriger des erreurs absurdes. Jusqu’à ce que l’IA puisse identifier les aliments de manière fiable sans surveillance constante, la meilleure approche reste de faire confiance à votre propre jugement et de se livrer occasionnellement à un sac de Cool Ranch Doritos.
