حالة تتبع التغذية بالذكاء الاصطناعي: تقرير صناعة 2026
تتبع التغذية بالذكاء الاصطناعي انتقل من كونه فضولاً إلى فئة استهلاكية رئيسية في أقل من ثلاث سنوات. هنا نظرة شاملة على وضع الصناعة في 2026 وما ينتظرها.
قبل ثلاث سنوات، كان تتبع التغذية المدعوم بالذكاء الاصطناعي مجرد فضول يُظهر في مؤتمرات التكنولوجيا ويُدفن في الأوراق الأكاديمية. اليوم، أصبح فئة استهلاكية رئيسية تحقق مليارات الدولارات، وتعيد تشكيل كيفية ارتباط عشرات الملايين من الناس بالطعام الذي يتناولونه. سرعة هذا التحول لا تُضاهى في مجال الصحة الرقمية.
يستعرض هذا التقرير صناعة تتبع التغذية بالذكاء الاصطناعي كما هي في مارس 2026. نتناول حجم السوق وتوقعات النمو، اللاعبين الرئيسيين واستراتيجياتهم التنافسية، تطور التكنولوجيا الأساسية الذي يدفع تحسينات الدقة، أنماط اعتماد المستخدمين، نظام التكامل المتوسع، المشهد التنظيمي الناشئ، وأين من المحتمل أن تتجه الصناعة حتى نهاية العقد. حيثما كان ذلك ممكنًا، نستشهد بالأرقام المنشورة والأبحاث من جهات خارجية. وحيثما نشير إلى بيانات Nutrola الخاصة، نوضح ذلك بشكل صريح.
حجم السوق والنمو
شهد سوق تطبيقات التغذية والحمية العالمي نموًا متسارعًا منذ أن انتقلت ميزات الذكاء الاصطناعي من كونها تجريبية إلى وظائف أساسية. تلخص الجدول التالي تقديرات حجم السوق من شركات البحث الرائدة.
| السنة | حجم السوق العالمي (دولار أمريكي) | النمو السنوي | حصة السوق المدعومة بالذكاء الاصطناعي |
|---|---|---|---|
| 2022 | 4.4 مليار دولار | 12% | ~8% |
| 2023 | 5.2 مليار دولار | 18% | ~15% |
| 2024 | 6.5 مليار دولار | 25% | ~28% |
| 2025 | 8.3 مليار دولار | 28% | ~45% |
| 2026 (متوقع) | 10.7 مليار دولار | 29% | ~62% |
المصادر: تقديرات Grand View Research، Statista Digital Health، Mordor Intelligence المجمعة في الربع الأول من 2026.
تفسر عدة اتجاهات هذا التسارع. أولاً، أدى دمج الذكاء الاصطناعي التوليدي والنماذج متعددة الوسائط في تطبيقات التغذية إلى توسيع السوق المستهدفة لتتجاوز المتبعين للحمية وعشاق اللياقة البدنية. الأشخاص الذين وجدوا سابقًا أن تتبع السعرات الحرارية مملًا أصبحوا الآن يتبنون التطبيقات المدعومة بالذكاء الاصطناعي لأن عملية التسجيل أصبحت أسهل بكثير. ثانيًا، أدى ازدهار مثبطات مستقبلات GLP-1 (مثل Ozempic وWegovy وMounjaro) إلى إنشاء شريحة مستخدمين جديدة تحتاج إلى تتبع التغذية بعناية خلال فترة العلاج. ثالثًا، بدأت برامج صحة الموظفين وشركات التأمين الصحي في دعم أو التوصية بتطبيقات التغذية المدعومة بالذكاء الاصطناعي، مما خلق طلبًا مؤسسيًا بجانب الطلب الاستهلاكي.
تستحق حصة السوق المدعومة بالذكاء الاصطناعي اهتمامًا خاصًا. في عام 2022، كانت هناك مجموعة قليلة من التطبيقات التي تقدم ميزات ذكاء اصطناعي ذات مغزى. بحلول أوائل عام 2026، بدأت التطبيقات التي لا تحتوي على شكل من أشكال التسجيل المدعوم بالذكاء الاصطناعي تفقد حصتها في السوق بسرعة. وصلت نقطة التحول في منتصف عام 2025، عندما تجاوزت التطبيقات المدعومة بالذكاء الاصطناعي التطبيقات غير المدعومة بالذكاء الاصطناعي من حيث عدد المستخدمين النشطين شهريًا لأول مرة.
نماذج الإيرادات
لا يزال نموذج الإيرادات السائد هو نموذج "فريميوم" مع مستوى اشتراك متميز، وعادة ما يتراوح سعره بين 5.99 و14.99 دولارًا شهريًا. ومع ذلك، ظهرت عدة نماذج جديدة:
- ترخيص واجهة برمجة التطبيقات: تقوم شركات مثل Nutrola بترخيص واجهات برمجة التطبيقات الخاصة بالتعرف على الطعام وبيانات التغذية لمطوري الطرف الثالث الذين يبنون منصات صحية، وخدمات الرعاية الصحية عن بُعد، والأدوات السريرية.
- عقود المؤسسات والعيادات: تشتري أنظمة المستشفيات، وممارسات أخصائيي التغذية، وبرامج صحة الشركات تراخيص بالجملة، غالبًا بأسعار سنوية لكل مقعد.
- حزم الأجهزة المتكاملة: تقوم بعض الشركات بدمج اشتراكات التطبيقات مع ميزان مطبخ ذكي أو أجهزة قابلة للارتداء.
- رؤى البيانات (مجهولة الهوية ومجمعة): يتم بيع بيانات الاتجاهات الغذائية المجمعة والمجهولة الهوية لمصنعي المواد الغذائية، وباحثي الصحة العامة، وسلاسل البيع بالتجزئة.
اللاعبين الرئيسيين وطرقهم
شهدت الساحة التنافسية نوعًا من التوحيد منذ عام 2024، لكنها لا تزال مجزأة. تلخص الجدول التالي أبرز اللاعبين حسب تقديرات عدد المستخدمين النشطين شهريًا (MAU) اعتبارًا من الربع الأول من 2026.
| التطبيق | تقدير MAU (الربع الأول 2026) | النهج الأساسي للذكاء الاصطناعي | الميزة الرئيسية |
|---|---|---|---|
| MyFitnessPal | 22 مليون | ذكاء اصطناعي مُضاف على قاعدة بيانات جماعية | أكبر قاعدة مستخدمين تاريخية، شهرة العلامة التجارية |
| Lose It! | 8 مليون | تسجيل صور جزئي بالذكاء الاصطناعي | بساطة تركز على فقدان الوزن |
| Nutrola | 6.5 مليون | ذكاء اصطناعي متعدد الوسائط (صور، صوت، نص) مع قاعدة بيانات موثوقة | نهج يركز على الدقة، تحقق بيانات احترافي |
| YAZIO | 6 مليون | تخطيط وجبات بالذكاء الاصطناعي، تسجيل صور أساسي | قاعدة مستخدمين قوية في أوروبا، ميزات الصيام |
| Cronometer | 3.5 مليون | ذكاء اصطناعي محدود، يركز على المغذيات الدقيقة | بيانات NCCDB/USDA بمستوى عيادي |
| MacroFactor | 2 مليون | خوارزمية تكيفية، لا ذكاء اصطناعي للصور | تدريب TDEE قائم على الأدلة |
| Cal AI | 4 مليون | ذكاء اصطناعي يركز على الصور، لا قاعدة بيانات تقليدية | تقدير يعتمد على الصور فقط |
| SnapCalorie | 2.5 مليون | تقدير الصور باستخدام استشعار العمق ثلاثي الأبعاد | تقدير حجم الحصة باستخدام بيانات العمق |
| FatSecret | 5 مليون | مدفوع بالمجتمع، بحث أساسي بالذكاء الاصطناعي | مستوى مجاني، منتديات مجتمعية قوية |
| Carb Manager | 3 مليون | يركز على الكيتو، ذكاء اصطناعي محدود | أدوات منخفضة الكربوهيدرات متخصصة |
المجموعات الاستراتيجية
تقع الشركات بشكل عام في ثلاث فئات استراتيجية:
التطبيقات التقليدية التي تضيف الذكاء الاصطناعي. قامت MyFitnessPal وLose It! وYAZIO وFatSecret ببناء قواعد مستخدمين على سير العمل التقليدي للبحث والتسجيل، والآن تضيف ميزات الذكاء الاصطناعي. ميزتها هي الحجم. تحديها هو أن إضافة الذكاء الاصطناعي إلى قاعدة بيانات جماعية تحتوي على ملايين الإدخالات المكررة وغير الدقيقة يحد من ما يمكن أن يحققه الذكاء الاصطناعي. عندما تكون البيانات الأساسية غير دقيقة، حتى النماذج الممتازة تنتج نتائج غير دقيقة.
التطبيقات الأصلية المدعومة بالذكاء الاصطناعي. تم بناء Nutrola وCal AI وSnapCalorie من الأساس حول تسجيل مدعوم بالذكاء الاصطناعي. تعالج هذه التطبيقات التعرف على الصور، وإدخال الصوت، ومعالجة اللغة الطبيعية كواجهات رئيسية بدلاً من إضافات. الميزة هنا هي الهيكلية: يتم تصميم كامل سلسلة البيانات، من قاعدة بيانات الطعام إلى تدريب النموذج إلى واجهة المستخدم، لتعظيم أداء الذكاء الاصطناعي. تميز Nutrola بشكل أكبر داخل هذه المجموعة من خلال دمج تسجيل الذكاء الاصطناعي مع قاعدة بيانات غذائية موثوقة، مما يعالج سقف الدقة الذي تواجهه الأساليب التي تعتمد فقط على التقديرات المدعومة بالذكاء الاصطناعي.
التطبيقات المتخصصة والعيادية. تخدم Cronometer وMacroFactor جماهير أضيق مع خبرة عميقة. تظل Cronometer المعيار الذهبي لتتبع المغذيات الدقيقة بقاعدة بياناتها المعتمدة في المختبر. تجذب MacroFactor عشاق اللياقة البدنية القائمين على الأدلة بخوارزمية TDEE التكيفية. لم تستثمر أي منهما بشكل كبير في تسجيل الذكاء الاصطناعي، بل راهنت على دقة البيانات الأساسية وخوارزميات التدريب.
تطور التكنولوجيا
تقدمت التكنولوجيا التي تدعم تتبع التغذية بالذكاء الاصطناعي عبر عدة مراحل متميزة، كل منها يبني على السابقة.
رؤية الكمبيوتر: من التصنيف إلى فهم المشهد
كانت نماذج التعرف على الطعام المبكرة (2015-2020) مصنفة للصور. كانت قادرة على تحديد عنصر غذائي واحد من صورة بدقة تتراوح بين 60 إلى 75 بالمئة على الصور النظيفة التي تحتوي على عنصر واحد. انهار الأداء على الصور الواقعية التي تحتوي على عدة أطعمة، أو تعرض جزئي، أو تقديم معقد، أو إضاءة غير متسقة.
تستخدم الجيل الحالي (2024-2026) نماذج فهم المشهد التي يمكنها تحديد عدة عناصر غذائية متميزة ضمن صورة واحدة، وتقدير النسب النسبية، والتعرف على طرق التحضير (مشوي مقابل مقلي، مع صلصة مقابل عادي). الآن، تحقق الأنظمة ذات الأداء العالي دقة تتراوح بين 88 إلى 93 بالمئة على معايير تحديد الوجبات متعددة العناصر، وهو تحسن ملحوظ في فترة زمنية قصيرة.
تشمل التقدمات التقنية الرئيسية التي مكنت من هذه القفزة:
- هياكل المحولات البصرية التي تتعامل مع المدخلات ذات الدقة المتغيرة وتلتقط العلاقات المكانية بعيدة المدى في صور الطعام
- زيادة بيانات اصطناعية باستخدام نماذج توليدية لإنشاء صور تدريب لمجموعات غذائية تمثل بشكل غير كافٍ في مجموعات البيانات الحقيقية
- التعلم الانتقالي من نماذج مدربة مسبقًا على نطاق واسع (نماذج أساسية) التي توفر استخراج ميزات بصرية قوية حتى للأطباق غير الشائعة أو الثقافية
- خطوط التعلم النشطة حيث يتم استخدام الحالات الحدية التي يحددها المستخدمون لإعادة تدريب النموذج على أساس أسبوعي أو نصف شهري
معالجة اللغة الطبيعية: تسجيل الطعام المحادثاتي
مكن دمج نماذج اللغة الكبيرة في تطبيقات التغذية من نمط تسجيل ثانٍ: إدخال نص وصوت محادثاتي. يمكن للمستخدم الآن أن يقول أو يكتب شيئًا مثل "تناولت وعاء من الشوفان مع التوت ورشة من العسل، بالإضافة إلى قهوة سوداء" ويتلقى تحليلًا غذائيًا مفصلًا دون لمس شريط البحث.
لقد أثبتت هذه القدرة، التي أطلقتها Nutrola كميزة أساسية في أوائل عام 2025، أنها تحولية لسرعة التسجيل واحتفاظ المستخدمين. تظهر بيانات Nutrola الداخلية أن المستخدمين الذين يستخدمون بشكل أساسي التسجيل الصوتي أو النصي يكملون سجلاتهم اليومية بمعدل 2.4 مرة أكثر اتساقًا من المستخدمين الذين يعتمدون فقط على البحث اليدوي.
التحدي الخاص بـ NLP في التغذية هو التفريق. "حفنة من اللوز" تحتاج إلى أن تُترجم إلى وزن معقول بالجرام. "قهوة كبيرة مع كريمة" يجب أن تأخذ في الاعتبار الفرق بين حصة 12 أونصة و24 أونصة، وبين الكريمة الثقيلة ونصف ونصف. تتعامل النماذج الحالية مع هذه الغموضات من خلال التفكير السياقي، والأوزان السابقة المعروفة للحصص، وأحيانًا أسئلة توضيحية تابعة.
الذكاء الاصطناعي متعدد الوسائط: دمج الإشارات
الحدود في عام 2026 هي دمج متعدد الوسائط: دمج البيانات البصرية من الصور مع السياق النصي من أوصاف المستخدم، والسياق الزمني من تاريخ الوجبات، والإشارات الفسيولوجية من الأجهزة القابلة للارتداء المتصلة. لا يسأل النظام متعدد الوسائط فقط "ما الطعام الموجود في هذه الصورة" بل "بالنظر إلى هذه الصورة، ووصف المستخدم، ووقت اليوم، وأنماط الأكل المعتادة، وبيانات الأيض الخاصة بهم، ما هو المحتوى الغذائي الأكثر احتمالًا لهذه الوجبة."
تؤدي هذه الطريقة إلى دقة أفضل بشكل ملحوظ من أي نمط واحد بمفرده. تتقارب النتائج المنشورة من عدة مجموعات بحثية ومعايير Nutrola الداخلية على نتيجة متسقة: يقلل التقدير متعدد الوسائط من خطأ تقدير السعرات الحرارية بنسبة 15 إلى 25 بالمئة مقارنة بالأنظمة التي تعتمد على الصور فقط.
تحسينات الدقة على مر الزمن
تعد الدقة ساحة المعركة المركزية في الصناعة. يفقد المستخدمون الذين يتلقون تقديرات غير دقيقة بشكل مستمر الثقة ويتوقفون عن التسجيل. يوضح الجدول التالي كيف تحسنت دقة تقدير السعرات الحرارية عبر الصناعة، مقاسة كنسبة الخطأ المطلقة المتوسطة (MAPE) على معايير الوجبات الموحدة.
| السنة | MAPE للصور فقط | MAPE للنص/الصوت فقط | MAPE متعدد الوسائط | MAPE للبحث اليدوي (الأساس) |
|---|---|---|---|---|
| 2020 | 42% | N/A | N/A | 25% |
| 2022 | 33% | 30% | N/A | 23% |
| 2024 | 22% | 19% | 17% | 22% |
| 2026 | 15% | 14% | 11% | 21% |
المصادر: معيار ISIA Food-500، تقييمات مجموعة بيانات Nutrition5k، ادعاءات الشركات المنشورة التي تم التحقق منها مع الاختبارات المستقلة.
تظهر عدة معالم بارزة في هذه البيانات:
تجاوز الذكاء الاصطناعي التسجيل اليدوي في عام 2024. للمرة الأولى، أنتجت أفضل أنظمة الذكاء الاصطناعي أخطاءً أقل في المتوسط من المستخدم العادي الذي يبحث ويختار بعناية الأطعمة من قاعدة بيانات. كانت هذه هي النقطة الحرجة التي بررت الذكاء الاصطناعي كبديل، بدلاً من مكمل، للتسجيل التقليدي.
وصلت الأنظمة متعددة الوسائط إلى نطاق خطأ أقل من 12 بالمئة في أوائل عام 2026. عند هذا المستوى من الدقة، تكون تقديرات السعرات الحرارية المدعومة بالذكاء الاصطناعي ضمن التباين الطبيعي للطعام نفسه (يمكن أن تختلف نفس الوصفة التي يعدها شخصان مختلفان بسهولة بنسبة 10 إلى 15 بالمئة في المحتوى الحراري الفعلي). وهذا يعني أن التكنولوجيا تقترب من سقف الدقة العملي.
اتسع الفجوة بين أفضل وأسوأ الأداء. بينما وصلت الأنظمة الرائدة مثل نظام Nutrola متعدد الوسائط إلى 11 بالمئة MAPE، لا تزال بعض التطبيقات تقدم التعرف على الصور بمعدلات خطأ تتجاوز 30 بالمئة. تشتت الجودة في السوق مرتفع، وغالبًا ما لا يستطيع المستهلكون تمييز الذكاء الاصطناعي الجيد من السيئ حتى يستخدموا تطبيقًا لأسابيع.
ما الذي يدفع الأخطاء المتبقية
حتى عند 11 بالمئة MAPE، لا تزال الأخطاء قائمة. المصادر الأكثر شيوعًا:
- المكونات غير المرئية: الزيوت، والزبدة، والسكر، والصلصات المخفية داخل الأطعمة المعدة التي لا يمكن اكتشافها بصريًا
- غموض عمق الحصة: لا يمكن للصورة التقاط عمق وعاء، مما يجعل تقدير الحجم تحديًا بدون مستشعرات عمق
- الأطباق الثقافية المحددة: الأطعمة من المأكولات التي تمثل بشكل غير كافٍ في بيانات التدريب لا تزال تظهر معدلات خطأ أعلى
- تباين الوصفات المنزلية: قد يستخدم شخصان مختلفان في إعداد "دجاج مقلي" نسب مكونات مختلفة تمامًا
اتجاهات اعتماد المستخدم
لقد وسع تتبع التغذية بالذكاء الاصطناعي قاعدة المستخدمين إلى ما هو أبعد من الفئة التقليدية التي تركز على اللياقة البدنية. تظهر بيانات الاستطلاع الداخلية من Nutrola في الربع الرابع من 2025 (n = 14,200) توزيع الدوافع الرئيسية التالية:
| الدافع الرئيسي | نسبة المستخدمين |
|---|---|
| فقدان الوزن | 38% |
| الصحة العامة والعافية | 24% |
| بناء العضلات وأداء الرياضة | 15% |
| إدارة حالة طبية (مثل السكري، GLP-1، إلخ) | 13% |
| الفضول والمعرفة الذاتية | 7% |
| متطلبات سريرية أو مهنية | 3% |
التحسن الملحوظ في الاحتفاظ
المقياس الأكثر أهمية للاعتماد هو الاحتفاظ. تظهر البيانات التاريخية للصناعة أن التطبيقات التقليدية لتتبع السعرات الحرارية كانت لديها معدل احتفاظ لمدة 30 يومًا يتراوح بين 12 إلى 18 بالمئة. كان المستخدمون يبدأون بحماس، ثم يشعرون بالإرهاق من التسجيل بعد أسبوعين، ويتخلون عن التطبيق.
لقد غيرت التطبيقات المدعومة بالذكاء الاصطناعي هذه المعادلة. يبلغ معدل الاحتفاظ لمدة 30 يومًا لتطبيقات التغذية المدعومة بالذكاء الاصطناعي الآن حوالي 35 بالمئة. يتجاوز معدل الاحتفاظ لمدة 30 يومًا الخاص بـ Nutrola 40 بالمئة، وهو ما ن attribue إلى دمج التسجيل متعدد الوسائط (الذي يقلل من الاحتكاك) وبيانات موثوقة (التي تبني الثقة من خلال الدقة المستمرة).
تعد تحسينات الاحتفاظ مهمة للغاية لأن تتبع التغذية يكون فعالًا فقط عندما يتم الحفاظ عليه. تطبيق دقيق تمامًا يتم التخلي عنه بعد خمسة أيام ينتج فوائد صحية أقل من تطبيق معتدل الدقة يُستخدم لمدة ثلاثة أشهر.
التحولات الديموغرافية
تتنوع قاعدة المستخدمين بطرق ملحوظة عدة:
- العمر: تعتبر الفئة العمرية من 45 إلى 65 عامًا هي الأسرع نموًا، مدفوعة بشكل كبير بتبني أدوية GLP-1 وتوصيات الأطباء.
- الجغرافيا: تنمو الأسواق غير الناطقة بالإنجليزية بشكل أسرع من الأسواق الناطقة بالإنجليزية، مع قوة خاصة في ألمانيا واليابان والبرازيل وكوريا الجنوبية. تلتقط التطبيقات التي تتمتع بتوطين قوي وقواعد بيانات غذائية إقليمية هذه النمو.
- الجنس: تضاءل الانحياز التاريخي نحو المستخدمين الإناث في تطبيقات تتبع السعرات الحرارية. تظهر التطبيقات المدعومة بالذكاء الاصطناعي نسبة تقريبية 55/45 بين الإناث والذكور، مقارنةً بـ 65/35 في التطبيقات التقليدية.
التكامل مع الأجهزة القابلة للارتداء ومنصات الصحة
لم يعد تتبع التغذية موجودًا في عزلة. تعني الاتجاهات نحو توحيد بيانات الصحة أن تطبيقات التغذية يجب أن تتكامل بشكل ثنائي الاتجاه مع نظام متوسع من الأجهزة والمنصات.
مشهد التكامل الحالي
| نوع التكامل | الاعتماد بين أفضل 10 تطبيقات | تدفق البيانات |
|---|---|---|
| Apple Health | 10 من 10 | ثنائي الاتجاه (قراءة التمارين، كتابة التغذية) |
| Google Health Connect | 8 من 10 | ثنائي الاتجاه |
| تطبيق رفيق Apple Watch | 4 من 10 | تسجيل سريع من المعصم |
| مزامنة Fitbit / Garmin / Whoop | 5 إلى 7 من 10 | قراءة بيانات التمارين والتعافي |
| مزامنة ميزان المطبخ الذكي | 3 من 10 | ملء الوزن تلقائيًا للأطعمة المسجلة |
| بيانات جهاز مراقبة الجلوكوز المستمر (CGM) | 2 من 10 | قراءة استجابة الجلوكوز للوجبات |
| تكامل السجلات الصحية الإلكترونية (EHR) | 1 من 10 (تجريبي) | مشاركة ملخصات التغذية مع مقدمي الرعاية |
حلقة تغذية بيانات الأجهزة القابلة للارتداء
الاتجاه الأكثر إثارة للاهتمام في التكامل ليس مجرد مزامنة عدد الخطوات. بل هو استخدام بيانات الأجهزة القابلة للارتداء لتحسين تقديرات التغذية والتوصيات. عندما يعرف التطبيق معدل ضربات القلب في الوقت الحقيقي، وجودة النوم، ومستوى النشاط، و(مع CGM) استجابة الجلوكوز، يمكنه:
- ضبط أهداف السعرات الحرارية ديناميكيًا بناءً على الإنفاق الفعلي للطاقة بدلاً من الصيغ الثابتة
- ربط وجبات معينة بارتفاعات الجلوكوز، مما يساعد المستخدمين على تحديد حساسية الطعام الشخصية
- اكتشاف الأنماط بين جودة النوم والخيارات الغذائية
- تقديم توصيات للوجبات تأخذ في الاعتبار التعافي للرياضيين
تتعاون Nutrola حاليًا مع Apple Health وGoogle Health Connect، وقائمة متزايدة من منصات الأجهزة القابلة للارتداء، باستخدام بيانات النشاط المتزامنة لتحسين أهداف السعرات اليومية والمغذيات. يتم تطوير تكامل CGM بنشاط ومن المتوقع أن يصل إلى المستخدمين في النصف الثاني من 2026.
حدود EHR
أهم تكامل على الأفق هو مع السجلات الصحية الإلكترونية. إذا كان بإمكان تطبيق التغذية مشاركة أنماط النظام الغذائي للمريض بأمان مع طبيبه أو أخصائي التغذية، فإنه يتحول من أداة صحة استهلاكية إلى مصدر بيانات سريرية. تختبر عدة برامج تجريبية في أنظمة صحية أمريكية هذا التدفق، لكن الحواجز التنظيمية والخصوصية والتوافق لا تزال كبيرة.
المشهد التنظيمي
مع نمو تأثير تطبيقات التغذية المدعومة بالذكاء الاصطناعي وثقة المستخدمين، بدأت الجهات التنظيمية في الانتباه. يتطور المشهد بسرعة وبشكل غير متساوٍ عبر الولايات القضائية.
الولايات المتحدة
لم تصنف إدارة الغذاء والدواء الأمريكية تطبيقات تتبع التغذية المدعومة بالذكاء الاصطناعي كأجهزة طبية، بشرط ألا تقدم ادعاءات تشخيصية أو علاجية محددة. تظل التطبيقات التي توصي بأهداف السعرات الحرارية للصحة العامة غير منظمة. ومع ذلك، فإن التطبيقات التي تتكامل مع أجهزة CGM أو تقدم ادعاءات حول إدارة حالات طبية معينة (مثل إدارة السكري) تدخل منطقة رمادية تقوم إدارة الغذاء والدواء بمراجعتها بنشاط.
زادت لجنة التجارة الفيدرالية من التدقيق في ادعاءات الدقة في تسويق تطبيقات التغذية. في أواخر عام 2025، أصدرت اللجنة تحذيرات لاثنين من تطبيقات التغذية بسبب تقديم ادعاءات دقة غير مدعومة في الإعلانات، مما يشير إلى تحول نحو التنفيذ.
الاتحاد الأوروبي
يصنف قانون الذكاء الاصطناعي في الاتحاد الأوروبي، الذي بدأ تطبيقه تدريجيًا في عام 2025، أنظمة الذكاء الاصطناعي حسب مستوى المخاطر. تقع معظم تطبيقات تتبع التغذية في فئة "المخاطر المحدودة"، مما يتطلب التزامات بالشفافية (يجب إبلاغ المستخدمين بأنهم يتفاعلون مع الذكاء الاصطناعي) ولكن لا تواجه المتطلبات الصارمة المطبقة على الأنظمة عالية المخاطر. ومع ذلك، قد يتم إعادة تصنيف التطبيقات التي تتكامل مع الأجهزة الطبية أو تُستخدم في العلاج الغذائي السريري على أنها عالية المخاطر، مما يؤدي إلى متطلبات تقييم المطابقة والمراقبة المستمرة.
يستمر قانون حماية البيانات العامة (GDPR) في تشكيل كيفية تعامل تطبيقات التغذية مع البيانات في أوروبا، خاصة فيما يتعلق بالبيانات البيومترية، ومعالجة بيانات الصحة، ونقل البيانات عبر الحدود.
أسواق أخرى
تقوم وزارة الصحة والعمل اليابانية (MHLW) بتطوير إرشادات لتطبيقات النصائح الغذائية المعتمدة على الذكاء الاصطناعي. نشرت وزارة الغذاء والدواء الكورية (MFDS) مسودة إرشادات حول أدوات التغذية المعتمدة على الذكاء الاصطناعي التي تتكامل مع منصات الصحة. تراقب إدارة السلع العلاجية الأسترالية (TGA) هذا المجال لكنها لم تصدر إرشادات محددة.
التنظيم الذاتي للصناعة
تشكلت عدة مجموعات صناعية لوضع معايير طوعية. الأكثر بروزًا هو تحالف التغذية الرقمية (DNA)، الذي تأسس في عام 2025، والذي نشر معايير دقة موصى بها، وإرشادات شفافية البيانات، وأطر موافقة المستخدم. Nutrola هي عضو مؤسس في التحالف وتلتزم بمعايير تقارير الدقة الخاصة به.
موقف Nutrola في المشهد
تحتل Nutrola موقعًا متميزًا عند تقاطع التكنولوجيا المدعومة بالذكاء الاصطناعي ودقة البيانات. بينما تعطي بعض المنافسين الأولوية إما لتطور الذكاء الاصطناعي أو جودة قاعدة البيانات، تستثمر Nutrola بالتساوي في كلا الجانبين، على مبدأ أن نموذج الذكاء الاصطناعي يعتمد فقط على البيانات التي تم تدريبه عليها والتحقق منها.
تشمل الجوانب الرئيسية لنهج Nutrola:
- قاعدة بيانات غذائية موثوقة احترافيًا: على عكس قواعد البيانات الجماعية التي تحتوي على ملايين الإدخالات المكررة وغير الدقيقة، تتمتع قاعدة بيانات Nutrola بالتنظيم والتحقق من قبل محترفي التغذية. ينتج عن ذلك بيانات تدريب أنظف لنماذج الذكاء الاصطناعي ونتائج احتياطية أكثر موثوقية عندما تكون ثقة الذكاء الاصطناعي منخفضة.
- تسجيل متعدد الوسائط: تُعتبر الصور، والصوت، والنص، ومسح الرموز الشريطية جميعها طرق إدخال من الدرجة الأولى، موحدة من خلال خط أنابيب ذكاء اصطناعي واحد يعبر عن الإشارات لتحقيق دقة أعلى.
- تقارير دقة شفافة: تنشر Nutrola مقاييس دقتها مقابل المعايير القياسية وتشارك في تقييمات مستقلة من طرف ثالث.
- واجهة برمجة التطبيقات للمطورين: تتوفر بيانات التغذية وواجهات برمجة التطبيقات الخاصة بالتعرف على الطعام من Nutrola لمطوري الطرف الثالث، مما يمكّن من إنشاء نظام بيئي متزايد من التطبيقات والخدمات المبنية على بنية Nutrola التحتية.
- تغطية غذائية عالمية: يضمن الاستثمار المستمر في قواعد بيانات الطعام الإقليمية أن المستخدمين الذين يتتبعون الأطباق التقليدية من أي مطبخ يحصلون على نتائج دقيقة، وليس فقط المستخدمين الذين يتناولون أنظمة غذائية غربية.
مع 6.5 مليون مستخدم نشط شهريًا ومعدل احتفاظ لمدة 30 يومًا يتجاوز 40 بالمئة، أثبتت Nutrola أن التركيز على الدقة يت reson مع المستخدمين الذين جربوا وتخلوا عن بدائل أقل موثوقية.
توقعات 2027 إلى 2030
استنادًا إلى الاتجاهات الحالية والإشارات الناشئة، نقدم التوقعات التالية للصناعة على مدى السنوات الأربع القادمة.
المدى القريب (2027)
- توحيد السوق: سيتم الاستحواذ على اثنين أو ثلاثة من تطبيقات التغذية المتوسطة أو ستغلق، حيث تزداد حدة المنافسة بين الشركات الكبيرة والرائدة المدعومة بالذكاء الاصطناعي. ستكافح التطبيقات التي لا تحتوي على قدرات ذكاء اصطناعي ذات مغزى للاحتفاظ بالمستخدمين.
- MAPE أقل من 10 بالمئة: ستدفع أفضل الأنظمة متعددة الوسائط خطأ تقدير السعرات الحرارية إلى أقل من 10 بالمئة على المعايير الموحدة، مما يصل فعليًا إلى سقف الدقة العملي المفروض من تباين الطعام الطبيعي.
- تكامل CGM يصبح سائدًا: مع انخفاض تكلفة أجهزة مراقبة الجلوكوز المستمرة وزيادة سهولة استخدامها (مع دخول نماذج غير وصفية إلى السوق)، ستقدم تطبيقات التغذية التي تتضمن بيانات الجلوكوز مستوى جديدًا من الرؤية الغذائية الشخصية.
- تسجيل الصوت يصبح الافتراضي: مع تحسن الذكاء الاصطناعي الصوتي، سيحدث جزء كبير من تسجيل الطعام اليومي من خلال الأوامر الصوتية، سواء على الهواتف أو الساعات الذكية أو أجهزة المنزل الذكي، دون الحاجة إلى فتح التطبيق.
المدى المتوسط (2028 إلى 2029)
- تغيير التوجيه الغذائي من التتبع السلبي إلى النشط: ستتحول التطبيقات من تسجيل ما تناوله المستخدمون إلى اقتراح ما يجب عليهم تناوله بعد ذلك، بناءً على أهدافهم، وحالتهم الغذائية الحالية، وجدولهم، والمكونات المتاحة. يصبح التتبع غير مرئي حيث يتولى الذكاء الاصطناعي التقدير في الخلفية.
- تسريع الاعتماد السريري: ستصبح تطبيقات التغذية التي تتضمن تكامل EHR ودقة على مستوى العيادة أدوات قياسية في ممارسة التغذية، وطب السمنة، ورعاية السكري. سيبدأ تعويض التأمين عن العلاج الغذائي الموجه بالتطبيق في أسواق مختارة.
- نضوج الأطر التنظيمية: ستتواجد الولايات المتحدة والاتحاد الأوروبي والأسواق الآسيوية الكبرى مع أطر تنظيمية واضحة لأدوات التغذية المدعومة بالذكاء الاصطناعي، مما يميز بين التطبيقات الصحية وأدوات العيادات. ستفيد هذه الوضوح الشركات المهيأة جيدًا وتخلق حواجز دخول للمنافسين ذوي الجودة المنخفضة.
- ظهور تتبع الطعام المحيط: ستظهر تطبيقات مبكرة لتتبع الطعام دائمًا باستخدام كاميرات مطبخ ذكية، وأطباق ذكية، ومستشعرات بيئية. ستقوم هذه الأنظمة بتسجيل الوجبات دون أي إجراء من المستخدم.
المدى الطويل (2030)
- تتبع التغذية يندمج مع الذكاء الاصطناعي للصحة العامة: ستبدأ التطبيقات المستقلة لتتبع التغذية في الاندماج بشكل متزايد في منصات الصحة الشاملة التي توحد التغذية، والتمارين، والنوم، والصحة العقلية، والبيانات الطبية. قد تبدأ فئة "تطبيق التغذية" كفئة متميزة في الذوبان.
- تغذية شخصية على نطاق واسع: سيمكن الجمع بين البيانات الجينية، وتحليل الميكروبيوم، ومراقبة العلامات الحيوية المستمرة، وتحسين النظام الغذائي المدعوم بالذكاء الاصطناعي من تقديم توصيات غذائية شخصية حقًا تتجاوز بكثير حساب السعرات والمغذيات.
- بيانات غذائية عالمية كمورد للصحة العامة: ستصبح بيانات التغذية المجمعة والمجهولة من مئات الملايين من المستخدمين موردًا حيويًا لأبحاث الصحة العامة، وسياسات الغذاء، وتخطيط التغذية في حالات الوباء.
الأسئلة الشائعة
ما هو حجم سوق تتبع التغذية بالذكاء الاصطناعي في 2026؟
من المتوقع أن يصل حجم سوق تطبيقات التغذية والحمية العالمي إلى حوالي 10.7 مليار دولار في 2026، مع حساب التطبيقات المدعومة بالذكاء الاصطناعي لنحو 62 بالمئة من هذا الإجمالي. يمثل هذا زيادة تقارب عشرة أضعاف في حصة السوق المدعومة بالذكاء الاصطناعي منذ عام 2022.
أي تطبيق لتتبع التغذية بالذكاء الاصطناعي هو الأكثر دقة؟
تختلف الدقة حسب نوع الطعام وطريقة التسجيل. على المعايير الموحدة، تتفوق الأنظمة متعددة الوسائط (التي تجمع بين الصور والنص والبيانات السياقية) باستمرار على الأنظمة ذات النمط الواحد. يحقق نظام Nutrola متعدد الوسائط حاليًا حوالي 11 بالمئة من نسبة الخطأ المطلقة المتوسطة في تقدير السعرات الحرارية، وهو من بين أدنى الأرقام المنشورة في الصناعة.
هل تجاوز تتبع التغذية بالذكاء الاصطناعي فعلاً التسجيل اليدوي في الدقة؟
نعم. اعتبارًا من عام 2024، تنتج أفضل أنظمة الذكاء الاصطناعي أخطاءً أقل في تقدير السعرات الحرارية من المستخدم العادي الذي يبحث بعناية ويختار الأطعمة من قاعدة بيانات. حدثت النقطة الحرجة لأن أنظمة الذكاء الاصطناعي تطبق تقديرات الحصص بشكل متسق ولا تعاني من أخطاء الاختيار (اختيار الإدخال الخاطئ من قاعدة البيانات) التي تؤثر على التسجيل اليدوي.
هل يتم تنظيم تطبيقات التغذية المدعومة بالذكاء الاصطناعي؟
تختلف التنظيمات حسب الولاية القضائية. في الولايات المتحدة، لا تُصنف تطبيقات التغذية العامة للصحة كأجهزة طبية من قبل إدارة الغذاء والدواء. في الاتحاد الأوروبي، تقع معظم تطبيقات التغذية تحت فئة "المخاطر المحدودة" من قانون الذكاء الاصطناعي. تواجه التطبيقات التي تتكامل مع الأجهزة الطبية أو تقدم ادعاءات سريرية متطلبات أكثر صرامة. يتطور المشهد التنظيمي بسرعة، ومن المتوقع أن تكون هناك أطر أوضح بحلول عام 2028.
كيف تقارن Nutrola بـ MyFitnessPal وغيرها من التطبيقات التقليدية؟
تمتلك MyFitnessPal أكبر قاعدة مستخدمين واعترافًا بالعلامة التجارية، مبنية على قاعدة بيانات جماعية ضخمة. تتبنى Nutrola نهجًا مختلفًا مع قاعدة بيانات موثوقة وعمارة مدعومة بالذكاء الاصطناعي. ينتج عن ذلك دقة أعلى لكل إدخال تسجيل فردي ولكن مع قاعدة بيانات غذائية أصغر (على الرغم من أنها تنمو بسرعة). يعتمد الاختيار الصحيح على ما إذا كان المستخدم يفضل اتساع قاعدة البيانات أو دقة البيانات.
هل ستحل تطبيقات تتبع التغذية محل أخصائيي التغذية؟
لا. يعد تتبع التغذية بالذكاء الاصطناعي أداة تعزز، وليس تحل محل، الإرشادات الغذائية المهنية. الاتجاه في الصناعة هو نحو التكامل: التطبيقات التي تقدم بيانات وتحليل الأنماط، بينما يقدم أخصائيو التغذية والأطباء التفسير السريري، والتوجيه السلوكي، والنصائح الطبية الشخصية. تقوم عدة تطبيقات، بما في ذلك Nutrola، ببناء أدوات لأخصائيي التغذية لمراقبة بيانات العملاء وتقديم التوجيه عن بُعد.
ما هو دور الأجهزة القابلة للارتداء في تتبع التغذية بالذكاء الاصطناعي؟
توفر الأجهزة القابلة للارتداء بيانات سياقية (مستوى النشاط، معدل ضربات القلب، جودة النوم، وزيادة مستويات الجلوكوز) التي تحسن من دقة أهداف السعرات الحرارية والتوصيات الغذائية. التكامل ثنائي الاتجاه: كما أن بيانات التغذية تعزز الرؤى المقدمة من منصات الأجهزة القابلة للارتداء. تقدم التطبيقات التي تتكامل بعمق مع أنظمة الأجهزة القابلة للارتداء صورة أكثر اكتمالًا لصحة المستخدم من أي فئة جهاز يمكن أن توفرها بمفردها.
ماذا يجب أن أبحث عنه عند اختيار تطبيق تغذية مدعوم بالذكاء الاصطناعي؟
أعط الأولوية للدقة الموثوقة (ابحث عن نتائج المعايير المنشورة، وليس مجرد ادعاءات تسويقية)، وتسجيل متعدد الأساليب (صور، صوت، نص، ورموز شريطية)، وقاعدة بيانات غذائية تغطي نظامك الغذائي المعتاد، والتكامل مع الأجهزة الموجودة لديك، وممارسات الخصوصية الشفافة. التجارب المجانية شائعة، لذا فإن اختبار اثنين أو ثلاثة من التطبيقات مع وجباتك الفعلية لمدة أسبوع هو الطريقة الأكثر موثوقية للعثور على الخيار المناسب.
المنهجية والمصادر
يستند هذا التقرير إلى أبحاث السوق المنشورة من Grand View Research وStatista وMordor Intelligence؛ ومعايير دقة مراجعة الأقران من معيار ISIA Food-500 وتقييمات مجموعة بيانات Nutrition5k؛ والوثائق المتاحة للجمهور من التطبيقات المذكورة؛ والملفات التنظيمية والمستندات الإرشادية من إدارة الغذاء والدواء، واللجنة الأوروبية، وغيرها من الوكالات؛ وبيانات المنتجات الداخلية من Nutrola (محددة بوضوح حيث تم الاستشهاد بها). تستند تقديرات عدد المستخدمين إلى الأرقام المنشورة، وتحليلات متاجر التطبيقات من Sensor Tower وdata.ai، وتقارير الصناعة. جميع الأرقام تقريبية وتمثل أفضل تقييم لدينا اعتبارًا من مارس 2026.
سيتم تحديث هذا التقرير ربع سنويًا. لأي استفسارات، أو طلبات بيانات، أو تصحيحات، يرجى التواصل مع فريق أبحاث Nutrola.
مستعد لتحويل تتبع تغذيتك؟
انضم إلى الآلاف الذين حولوا رحلتهم الصحية مع Nutrola!
