Les aliments les plus souvent surestimés et sous-estimés : enseignements du suivi IA vs. manuel

Vous pensez savoir combien de calories contient cette salade. Vous avez probablement tort.

L'estimation des calories est l'un des aspects les plus étudiés et les plus mal compris du suivi nutritionnel. La recherche montre systématiquement que les gens sont mauvais pour estimer les calories — mais quels aliments spécifiques posent le plus de problèmes ? Et l'IA peut-elle faire mieux ?

Chez Nutrola, nous disposons d'un ensemble de données unique pour répondre à ces questions. En comparant les estimations générées par l'IA, les saisies manuelles des utilisateurs et les valeurs de référence vérifiées pour 26 millions de repas, nous pouvons identifier exactement quels aliments sont systématiquement surestimés et sous-estimés, quantifier l'ampleur de l'erreur et montrer où le suivi par IA offre une correction significative.

Les résultats révèlent des angles morts qui affectent presque toute personne qui suit son alimentation, qu'elle utilise l'IA ou non.

Comment nous avons identifié les erreurs d'estimation

Méthodologie

Nous avons analysé 26,4 millions d'entrées de repas sur la plateforme Nutrola enregistrées entre mai 2025 et février 2026. Pour chaque entrée, nous disposions de :

1. La valeur enregistrée par l'utilisateur (saisie manuellement ou générée par l'IA via Snap & Track)
2. La valeur de référence issue de la base de données nutritionnelle vérifiée de Nutrola, recoupée avec le USDA FoodData Central

Pour la comparaison IA vs. manuel, nous nous sommes concentrés sur un sous-ensemble de 4,8 millions d'entrées où le même aliment a été enregistré par différents utilisateurs via les deux méthodes, permettant une comparaison directe des schémas d'estimation.

Nous avons également mené une étude de validation contrôlée avec 3 200 utilisateurs de Nutrola qui ont pesé tous les ingrédients avec des balances de cuisine et soumis à la fois les valeurs pesées et leurs entrées normales (non pesées) sur une période de deux semaines, générant 38 400 comparaisons de repas validées.

Définition de la surestimation et de la sous-estimation

• Sous-estimation : La valeur calorique enregistrée est inférieure à la valeur de référence (l'utilisateur pense que l'aliment contient moins de calories qu'en réalité)
• Surestimation : La valeur calorique enregistrée est supérieure à la valeur de référence (l'utilisateur pense que l'aliment contient plus de calories qu'en réalité)

Nous exprimons les erreurs en pourcentage de la valeur de référence. Un aliment ayant une valeur de référence de 400 kcal enregistré à 300 kcal représente une sous-estimation de -25 %.

Les 15 aliments les plus sous-estimés

Ce sont les aliments pour lesquels les utilisateurs enregistrent le plus systématiquement moins de calories que ce que l'aliment contient réellement. La sous-estimation est de loin l'erreur la plus courante et la plus dangereuse, car elle crée des surplus caloriques invisibles.

Tableau de sous-estimation : saisie manuelle

Rang	Aliment	Moy. saisie manuelle (kcal)	Valeur de référence (kcal)	Erreur	Fréquence dans le jeu de données
1	Huiles de cuisson (par c. à soupe)	68	120	-43,3 %	2,1 M d'entrées
2	Vinaigrette (par portion)	82	138	-40,6 %	1,4 M d'entrées
3	Noix et mélanges de noix (par poignée)	104	172	-39,5 %	1,8 M d'entrées
4	Beurre de cacahuète (par c. à soupe)	62	96	-35,4 %	920 K entrées
5	Fromage (par tranche/portion)	78	114	-31,6 %	1,6 M d'entrées
6	Granola (par portion)	148	212	-30,2 %	680 K entrées
7	Pâtes (cuites, par tasse)	156	220	-29,1 %	1,2 M d'entrées
8	Riz (cuit, par tasse)	152	206	-26,2 %	1,9 M d'entrées
9	Avocat (par moitié)	98	130	-24,6 %	1,1 M d'entrées
10	Smoothies (faits maison)	218	284	-23,2 %	740 K entrées
11	Pain (par tranche)	64	82	-22,0 %	1,7 M d'entrées
12	Crème dans le café	18	52	-65,4 %	2,4 M d'entrées
13	Beurre (par noisette/portion)	42	72	-41,7 %	890 K entrées
14	Fruits secs (par poignée)	84	124	-32,3 %	460 K entrées
15	Mélange de randonnée (par portion)	138	196	-29,6 %	310 K entrées

La crème dans le café présente le taux d'erreur individuel le plus élevé à -65,4 %, bien que l'impact calorique absolu par portion soit plus faible que pour d'autres aliments. En termes de pourcentage d'erreur et d'impact calorique absolu combinés, les huiles de cuisson sont la catégorie d'aliments la plus sous-estimée, les utilisateurs enregistrant en moyenne 68 kcal alors que la valeur réelle est de 120 kcal par cuillère à soupe. Étant donné que de nombreux repas cuisinés à la maison impliquent 2 à 3 cuillères à soupe d'huile, cette seule omission peut représenter un déficit de 100 à 150 kcal par jour dans l'enregistrement.

L'angle mort des « aliments sains »

Un schéma clair se dessine : bon nombre des aliments les plus sous-estimés sont perçus comme « sains ». Les noix, l'avocat, l'huile d'olive, le granola et les smoothies bénéficient tous d'une aura de santé qui pousse les gens à minimiser psychologiquement leur contenu calorique.

Nous avons constaté que les aliments jugés « sains » par les utilisateurs dans nos enquêtes sont sous-estimés de 28,4 % en moyenne, contre 12,1 % pour les aliments jugés « malsains ». Les gens semblent inconsciemment assimiler « bon pour la santé » à « peu calorique », même quand c'est le contraire.

Perception de l'aliment	Erreur moy. d'estimation calorique	Taille de l'échantillon
« Très sain »	-31,2 % (sous)	4,8 M d'entrées
« Plutôt sain »	-22,6 % (sous)	6,2 M d'entrées
« Neutre »	-8,4 % (sous)	5,1 M d'entrées
« Plutôt malsain »	+4,2 % (sur)	4,6 M d'entrées
« Très malsain »	+14,8 % (sur)	3,4 M d'entrées

Le schéma est remarquablement linéaire : plus les gens perçoivent un aliment comme sain, plus ils sous-comptent ses calories. Plus ils le perçoivent comme malsain, plus ils le surcomptent.

Les 15 aliments les plus surestimés

La surestimation est moins courante mais reste significative. Ce sont les aliments pour lesquels les utilisateurs enregistrent systématiquement plus de calories que ce que l'aliment contient réellement.

Tableau de surestimation : saisie manuelle

Rang	Aliment	Moy. saisie manuelle (kcal)	Valeur de référence (kcal)	Erreur	Fréquence dans le jeu de données
1	Sushi (par pièce/rouleau)	412	298	+38,3 %	680 K entrées
2	Pizza (par part)	386	285	+35,4 %	1,4 M d'entrées
3	Frites (par portion)	498	378	+31,7 %	920 K entrées
4	Hamburger (standard)	624	486	+28,4 %	780 K entrées
5	Glace (par boule)	198	156	+26,9 %	1,1 M d'entrées
6	Chocolat (par carré/pièce)	68	54	+25,9 %	1,3 M d'entrées
7	Bière (par pinte)	242	196	+23,5 %	640 K entrées
8	Bagel (nature)	342	278	+23,0 %	480 K entrées
9	Pancakes (par pancake)	178	148	+20,3 %	520 K entrées
10	Burrito	724	612	+18,3 %	390 K entrées
11	Poulet frit (par morceau)	348	298	+16,8 %	570 K entrées
12	Pâtes en sauce (restaurant)	862	742	+16,2 %	440 K entrées
13	Gâteau (par part)	448	392	+14,3 %	680 K entrées
14	Cookies (par cookie)	86	76	+13,2 %	890 K entrées
15	Muffin (format boulangerie)	498	442	+12,7 %	410 K entrées

Le sushi est l'aliment le plus surestimé à +38,3 %. Beaucoup de gens supposent que le sushi est extrêmement riche en calories parce que c'est un plat de restaurant, mais les pièces individuelles de nigiri et les petits rouleaux sont relativement modérés en calories. Un rouleau de saumon de 6 pièces, par exemple, contient généralement 250 à 300 kcal, mais les utilisateurs l'enregistrent fréquemment à plus de 400 kcal.

La pizza, les frites et les hamburgers sont également significativement surestimés. L'effet de « culpabilité de la malbouffe » pousse les gens à supposer que ces aliments sont pires qu'ils ne le sont réellement par portion standard.

Le multiplicateur de culpabilité

Nous appelons cela le « multiplicateur de culpabilité » — la tendance psychologique à gonfler les estimations caloriques des aliments qui semblent indulgents. L'effet est le plus fort pour les aliments communément associés au fait de « tricher » ou de « casser » un régime.

Les utilisateurs qui se décrivent comme « suivant un régime strict » surestiment les aliments indulgents de 32,1 % en moyenne, contre 18,4 % pour les utilisateurs qui décrivent leur approche comme « flexible ». Cela suggère que les mentalités alimentaires rigides amplifient le biais d'estimation dans les deux directions — sous-estimant les aliments « bons » et surestimant les aliments « mauvais ».

Comment l'IA se compare : schémas de correction

IA vs. manuel : comparaison directe de la précision

Lorsque nous comparons les estimations photo de l'IA aux saisies manuelles pour les mêmes aliments, l'IA se rapproche systématiquement de la valeur de référence.

Catégorie d'aliment	Erreur saisie manuelle	Erreur photo IA	Avantage IA
Huiles de cuisson	-43,3 %	-18,2 %	25,1 pp de mieux
Vinaigrette	-40,6 %	-14,8 %	25,8 pp de mieux
Noix	-39,5 %	-12,4 %	27,1 pp de mieux
Pâtes (cuites)	-29,1 %	-8,6 %	20,5 pp de mieux
Riz (cuit)	-26,2 %	-7,8 %	18,4 pp de mieux
Sushi (surest.)	+38,3 %	+6,4 %	31,9 pp de mieux
Pizza (surest.)	+35,4 %	+8,2 %	27,2 pp de mieux
Frites (surest.)	+31,7 %	+7,1 %	24,6 pp de mieux

L'IA surpasse la saisie manuelle pour chaque catégorie d'aliments dans notre analyse. L'amélioration est la plus spectaculaire pour les catégories les plus biaisées : les noix (-39,5 % manuel vs. -12,4 % IA), la vinaigrette (-40,6 % vs. -14,8 %) et le sushi (+38,3 % vs. +6,4 %).

La raison est simple : l'IA n'a pas de biais psychologiques. Elle n'associe pas le granola à la santé ni la pizza à la culpabilité. Elle estime en se basant sur l'analyse visuelle des portions et des modèles nutritionnels entraînés, contournant les raccourcis cognitifs qui égarent les humains.

Là où l'IA a encore des difficultés

L'IA n'est pas parfaite. Il existe des scénarios spécifiques où l'estimation par IA est insuffisante :

Scénario	Erreur IA	Erreur manuelle (utilisateur informé)	Gagnant
Ingrédients cachés (sauces sous les aliments)	-22,4 %	-8,6 % (si l'utilisateur ajoute la sauce)	Manuel
Sandwichs multicouches	-16,8 %	-6,2 % (si l'utilisateur liste toutes les garnitures)	Manuel
Aliments dans des contenants opaques	-28,6 %	-4,1 % (si l'utilisateur connaît le contenu)	Manuel
Aliments d'apparence identique (riz de chou-fleur vs. riz)	-14,2 %	-2,8 % (si l'utilisateur sélectionne correctement)	Manuel
Calories liquides (smoothies, jus)	-18,4 %	-23,2 %	IA
Petits aliments très caloriques (noix, fruits secs)	-12,4 %	-39,5 %	IA

L'IA obtient de moins bons résultats qu'une saisie manuelle informée lorsque les ingrédients sont cachés de la caméra. Cependant, le mot clé est « informé » — en pratique, de nombreux utilisateurs manuels ne tiennent pas non plus compte des ingrédients cachés. Lorsque nous comparons l'IA au comportement réel (et non idéal) de saisie manuelle, l'IA l'emporte dans presque toutes les catégories, car les saisies manuelles en conditions réelles omettent fréquemment les mêmes ingrédients qui sont cachés de la caméra.

L'impact cumulé des erreurs d'estimation

Erreur calorique quotidienne par méthode

De combien ces erreurs individuelles par aliment s'accumulent-elles sur une journée entière ?

Méthode	Erreur calorique quotidienne moy.	Direction du biais	Impact annuel (si non corrigé)
Saisie manuelle	-268 kcal/jour	Sous-estimation	~12,5 kg d'équivalent graisse non suivi
Photo IA	-84 kcal/jour	Sous-estimation (légère)	~3,9 kg d'équivalent graisse non suivi
Scan de code-barres	-32 kcal/jour	Sous-estimation (minimale)	~1,5 kg d'équivalent graisse non suivi
Mixte (IA + code-barres)	-48 kcal/jour	Sous-estimation (minimale)	~2,2 kg d'équivalent graisse non suivi

Les utilisateurs en saisie manuelle sous-déclarent en moyenne de 268 kcal par jour. Sur un an, cela représente près de 98 000 calories non suivies — l'équivalent énergétique d'environ 12,5 kg de graisse corporelle. Cela ne signifie pas que les utilisateurs manuels prennent 12,5 kg, mais que leur perception de leur apport est constamment et significativement inférieure à la réalité.

Les utilisateurs de la photo IA sous-déclarent de seulement 84 kcal/jour, et les utilisateurs de méthode mixte (IA + code-barres) sous-déclarent de seulement 48 kcal/jour — une marge qui est peu susceptible d'affecter significativement les résultats.

La distorsion au niveau macro

Les erreurs d'estimation ne sont pas réparties de manière égale entre les macronutriments.

Macronutriment	Erreur moy. saisie manuelle	Erreur moy. photo IA
Lipides	-34,2 % (fortement sous)	-12,8 % (légèrement sous)
Glucides	-14,6 % (modérément sous)	-6,4 % (légèrement sous)
Protéines	-4,8 % (légèrement sous)	-3,2 % (légèrement sous)

Les lipides sont le macronutriment le plus sous-estimé, et de loin, dans les saisies manuelles. Les utilisateurs sous-comptent les lipides de 34,2 % en moyenne, principalement parce que les aliments les plus sous-estimés (huiles, vinaigrettes, noix, fromage, beurre) sont tous à dominante lipidique. Cela signifie que les utilisateurs manuels qui pensent suivre un régime à 30 % de lipides consomment en réalité probablement entre 38 et 40 % de lipides.

L'IA réduit l'écart d'estimation des lipides à -12,8 %, soit une amélioration de 21,4 points de pourcentage. L'estimation des protéines est relativement précise pour les deux méthodes, probablement parce que les sources de protéines (poulet, œufs, poisson) tendent à être l'élément central des repas et sont plus faciles à identifier et à portionner.

Analyse des corrections IA aliment par aliment

Les 10 principales corrections de l'IA

Ce sont les aliments pour lesquels l'IA de Nutrola ajuste le plus fréquemment l'estimation initiale après que les utilisateurs ont examiné l'entrée, indiquant que l'IA a identifié un écart entre ce que l'utilisateur attendait et ce que les données montraient.

Aliment	Attente moy. de l'utilisateur	Estimation moy. de l'IA	Direction de la correction	Amplitude de la correction
Salade César de restaurant	320 kcal	548 kcal	Hausse	+228 kcal
Açaï bowl	280 kcal	486 kcal	Hausse	+206 kcal
Grain bowl (restaurant)	410 kcal	612 kcal	Hausse	+202 kcal
Starbucks Frappuccino	210 kcal	398 kcal	Hausse	+188 kcal
Pad Thai (à emporter)	420 kcal	592 kcal	Hausse	+172 kcal
Wrap au poulet (traiteur)	340 kcal	498 kcal	Hausse	+158 kcal
Mélange de randonnée (grosse poignée)	180 kcal	324 kcal	Hausse	+144 kcal
Plateau de sushi	680 kcal	548 kcal	Baisse	-132 kcal
McDonald's Big Mac	720 kcal	563 kcal	Baisse	-157 kcal
Pop-corn de cinéma (grand)	842 kcal	1 030 kcal	Hausse	+188 kcal

La salade César de restaurant arrive en tête de la liste des corrections. Les utilisateurs s'attendent à environ 320 kcal — raisonnable pour un tas de laitue romaine — mais la réalité avec les croûtons, le parmesan, la vinaigrette et souvent le poulet grillé la pousse à 548 kcal. C'est une sous-estimation de 71 % que l'IA détecte en reconnaissant les composants visibles.

Les açaï bowls sont un autre exemple frappant. Commercialisés comme un aliment santé, les utilisateurs s'attendent à 280 kcal, mais la combinaison de la base d'açaï, du granola, du miel, des fruits et du beurre de noix atteint généralement 486 kcal. L'IA identifie les garnitures et ajuste en conséquence.

La correction du Big Mac va dans l'autre direction : les utilisateurs s'attendent à 720 kcal (surestimation par culpabilité) alors que la valeur réelle est de 563 kcal. Les valeurs caloriques de la restauration rapide sont souvent plus basses que ce que les gens imaginent pour les articles individuels, bien que les calories totales d'un repas incluant les accompagnements et les boissons soient généralement plus élevées.

Schémas démographiques dans les erreurs d'estimation

Âge et précision des estimations

Tranche d'âge	Sous-estimation moy. (manuel)	Sous-estimation moy. (IA)	Aliments les plus souvent manqués
18-24	-312 kcal/jour	-96 kcal/jour	Alcool, sauces, grignotages tardifs
25-34	-284 kcal/jour	-88 kcal/jour	Huiles de cuisson, ajouts au café, vinaigrettes
35-44	-248 kcal/jour	-78 kcal/jour	Huiles de cuisson, fromage, tailles des portions
45-54	-226 kcal/jour	-72 kcal/jour	Beurre, pain, huiles de cuisson
55+	-198 kcal/jour	-64 kcal/jour	Beurre, huiles de cuisson, portions

Les utilisateurs les plus jeunes (18-24 ans) présentent l'erreur de sous-estimation la plus élevée à -312 kcal/jour pour les saisies manuelles. L'alcool et les grignotages tardifs sont les principaux responsables dans cette tranche d'âge. La précision des estimations s'améliore avec l'âge, reflétant potentiellement une plus grande expérience culinaire et une meilleure connaissance des aliments.

L'IA réduit significativement l'écart entre les âges. La différence entre la tranche d'âge la moins précise (18-24 ans, -96 kcal/jour) et la plus précise (55+, -64 kcal/jour) n'est que de 32 kcal avec l'IA, contre 114 kcal avec la saisie manuelle.

Biais d'estimation selon l'objectif

Objectif	Biais saisie manuelle	Biais photo IA	Différence
Perdre du poids	-312 kcal/jour (sous)	-92 kcal/jour (sous)	220 kcal
Maintenir le poids	-198 kcal/jour (sous)	-68 kcal/jour (sous)	130 kcal
Développer la masse musculaire	-142 kcal/jour (sous)	-54 kcal/jour (sous)	88 kcal
Santé générale	-218 kcal/jour (sous)	-76 kcal/jour (sous)	142 kcal

Les utilisateurs en perte de poids présentent le biais de sous-estimation le plus fort à -312 kcal/jour en saisie manuelle. C'est un phénomène psychologique bien documenté : les personnes ayant des objectifs restrictifs minimisent inconsciemment leur perception d'apport. L'IA réduit ce biais de 71 % à -92 kcal/jour, fournissant une évaluation plus objective, moins influencée par les objectifs alimentaires.

Implications pratiques : comment améliorer votre précision

Les cinq changements à plus fort impact

D'après nos données, ces cinq ajustements élimineraient la plus grande partie de l'erreur d'estimation pour la plupart des utilisateurs :

1. Enregistrez explicitement les huiles de cuisson et les matières grasses (économise ~104 kcal/jour d'erreur)

Les huiles de cuisson sont la plus grande source de sous-estimation. Versez l'huile dans une cuillère à mesurer avant de l'ajouter à la poêle, ou estimez à la hausse. Une cuillère à soupe de n'importe quelle huile de cuisson représente environ 120 kcal.

2. Enregistrez toutes les vinaigrettes, sauces et condiments (économise ~68 kcal/jour d'erreur)

Les vinaigrettes, la mayonnaise, le ketchup, la sauce soja et les sauces pour tremper sont omis de 34 % des repas qui en contiennent. Une portion typique de vinaigrette de restaurant ajoute 150 à 200 kcal.

3. Utilisez la photo IA pour les repas au restaurant et faits maison (économise ~52 kcal/jour d'erreur)

L'IA élimine le biais de l'aura de santé et les effets du multiplicateur de culpabilité qui faussent les estimations manuelles pour les aliments non emballés. Laissez l'IA vous donner une estimation de départ, puis ajustez si nécessaire.

4. Pesez les aliments riches en calories quand c'est possible (économise ~46 kcal/jour d'erreur)

Les noix, le fromage, le beurre de cacahuète, le granola et les fruits secs sont petits en volume mais riches en calories. Une balance de cuisine élimine entièrement les approximations pour ces aliments.

5. Enregistrez la crème, le sucre et le lait dans le café et le thé (économise ~28 kcal/jour d'erreur)

L'ajout moyen au café (crème et sucre combinés) ajoute 52 kcal, mais les utilisateurs qui enregistrent le café incluent rarement les ajouts. Trois cafés par jour, c'est 156 kcal d'apport non suivi.

Impact total

La mise en œuvre de ces cinq changements réduirait l'erreur d'estimation quotidienne d'environ 298 kcal pour un utilisateur typique en saisie manuelle, éliminant presque entièrement le biais systématique de sous-déclaration.

Alternativement, passer à la photo IA de Nutrola comme méthode principale capture automatiquement 65 à 70 % de cette amélioration, sans nécessiter aucune des pratiques manuelles ci-dessus.

FAQ

Pourquoi les gens sous-estiment-ils plus qu'ils ne surestiment ?

Le biais systématique vers la sous-estimation a deux causes principales. Premièrement, les ingrédients riches en calories (huiles, vinaigrettes, noix, fromage) sont physiquement petits par rapport à leur contenu calorique, rendant l'estimation visuelle difficile. Deuxièmement, la recherche en psychologie montre que les personnes ayant des objectifs de santé et de gestion du poids minimisent inconsciemment leur perception d'apport, un phénomène appelé « biais optimiste » dans la déclaration alimentaire.

L'utilisation de l'IA améliore-t-elle vraiment autant la précision ?

Oui. Nos données montrent que la photo IA réduit l'erreur d'estimation calorique quotidienne de -268 kcal (saisie manuelle) à -84 kcal, soit une amélioration de 69 %. Pour les catégories d'aliments les plus biaisées (huiles, noix, vinaigrettes), l'amélioration dépasse 60 %. L'IA n'est pas parfaite, mais elle élimine les biais psychologiques qui causent les plus grandes erreurs systématiques.

Quel est le pire aliment pour l'estimation calorique ?

En termes de pourcentage d'erreur, la crème dans le café a le taux de sous-estimation individuel le plus élevé à -65,4 %. Mais en termes d'impact calorique quotidien total, les huiles de cuisson sont les pires car elles sont utilisées fréquemment et l'erreur par utilisation est importante (en moyenne 52 kcal sous-déclarées par utilisation, la plupart des utilisateurs cuisinant avec de l'huile au moins deux fois par jour).

Devrais-je arrêter de saisir manuellement les aliments ?

Pas nécessairement. La saisie manuelle est la plus efficace pour les aliments emballés dont vous pouvez lire l'étiquette nutritionnelle, ou lorsque vous utilisez une balance alimentaire pour peser les ingrédients. Les données suggèrent que la saisie manuelle fonctionne mieux en complément de la photo IA — utilisez le Snap & Track de Nutrola pour les repas cuisinés et les plats de restaurant, et la saisie manuelle lorsque vous disposez de données précises de poids ou d'étiquetage.

L'effet d'aura de santé s'applique-t-il à des régimes spécifiques ?

Oui. Les utilisateurs suivant des régimes végétaliens, bio ou d'alimentation « propre » montrent des taux de sous-estimation plus élevés pour les aliments appartenant à leur cadre alimentaire. Par exemple, les utilisateurs végétaliens sous-estiment les calories des noix et des beurres de noix de 44,2 %, contre 35,8 % pour les omnivores. Plus l'association avec la santé est forte, plus l'angle mort est important.

À quelle fréquence devrais-je utiliser une balance alimentaire ?

Nos données suggèrent que l'utilisation quotidienne d'une balance alimentaire n'est pas nécessaire pour la plupart des utilisateurs. Utiliser une balance pour les cinq catégories d'aliments les plus sous-estimées dans votre alimentation personnelle (que les analyses de Nutrola peuvent identifier pour vous) capture la majeure partie du bénéfice en termes de précision. Même des « sessions d'étalonnage » hebdomadaires où vous pesez les aliments clés ont montré qu'elles améliorent la précision des estimations pour le reste de la semaine de 18 %.

Nutrola me dira-t-il quels aliments j'ai tendance à mal estimer ?

Oui. La fonctionnalité d'analyses personnelles de Nutrola suit vos schémas d'enregistrement et peut identifier les aliments pour lesquels vos entrées dévient systématiquement des valeurs de référence. Ce retour personnalisé vous aide à concentrer vos efforts de précision là où ils auront le plus d'impact sur vos angles morts spécifiques en matière de suivi.