Mieux manger avec l’IA : jusqu’où déléguer nos choix ?
Menus générés selon nos goûts, recettes adaptées à nos contraintes, objectifs nutritionnels intégrés en quelques clics : l'intelligence artificielle gagne nos assiettes. Mais peut-elle vraiment décider ce qui est bon pour nous ? Dans sa thèse au LIRIS [1], Felix Bölz a exploré les possibilités et les limites de ces systèmes.
« Que vais-je manger cette semaine ? » À cette question très ordinaire, les outils numériques savent désormais répondre de multiples façons : générer un menu, tenir compte d’allergies ou de préférences, adapter une recette, respecter un objectif nutritionnel. La promesse d’une alimentation toujours plus personnalisée s’installe dans les usages.
C’est dans ce contexte que Felix Bölz a soutenu, le 11 mars 2026, au Laboratoire d’InfoRmatique en Image et Systèmes d’information (LIRIS), une thèse intitulée « Systèmes de recommandation de nourritures intégrant la santé, explicabilité et incitant le changement de comportement ». Son ambition initiale : proposer des plans de repas favorables à la santé pour des personnes en surpoids.
Une limite s’impose pourtant très vite. « Avec les données dont nous disposions (notamment sans données médicales) nous n’étions pas en mesure de décider ce qui était “sain” pour un individu », reconnaît le doctorant.
Avant l’IA, les données
La question change alors de nature : « Nous ne cherchions plus à déterminer ce qui est sain et donc ce qu’il faut recommander, mais ce que nous pouvions recommander au mieux lorsqu’un individu présente des contraintes nutritionnelles ou alimentaires ».
Encore faut-il disposer d’informations suffisamment riches et fiables. « Nous n’avions pas trouvé de source réunissant suffisamment d’informations sur les aliments et leur composition nutritionnelle », explique Felix Bölz.
Pour combler une partie de ce vide, Felix Bölz contribue au développement de HUMMUS [2], un vaste jeu de données alimentaires structuré sous forme de graphe. Il rassemble environ 500 000 recettes, 300 000 utilisateurs et 1,9 million d’interactions, associés notamment à des scores nutritionnels et à des liens vers des bases spécialisées.
Personnaliser à partir des contraintes
Sa thèse explore ensuite deux approches. La première repose sur un système spécifiquement entraîné. La seconde, FoodRAG, mobilise des grands modèles de langage pour rechercher des recettes, vérifier leur compatibilité avec différentes contraintes, proposer des substitutions d’ingrédients et générer des explications.
Concrètement, une personne à qui l’on recommande de ne pas dépasser un certain seuil de sucre et qui apprécie la cuisine italienne pourrait recevoir un programme de repas adapté. « Le système ne recommanderait pas un dessert très sucré comme un tiramisu, mais une alternative », illustre-t-il.
Des résultats prometteurs, mais des limites encore importantes
FoodRAG obtient « un niveau de qualité similaire, voire supérieur » au modèle spécifiquement entraîné. Cette performance a toutefois un coût : « L’approche générative exige beaucoup de ressources, en temps comme en puissance de calcul. »
Elle reste aussi exposée aux hallucinations, c’est-à-dire à des réponses fausses ou inventées que l’IA générative formule pourtant comme plausibles. Le recours à des données récupérées en amont permet toutefois, selon le chercheur, de « réduire les fausses recommandations ».
Pas question pour autant de transformer ces résultats en ordonnance algorithmique. « La grande question est de savoir dans quelle mesure nos résultats sont généralisables. Avec nos seuls résultats : aucune idée », prévient Felix Bölz. L’IA peut ainsi aider à arbitrer entre recommandations, goûts et contraintes. Elle ne définit pas, à elle seule, ce que signifie « bien manger ».
[1] LIRIS - Laboratoire d’InfoRmatique en Image et Systèmes d’information (UMR 5205 CNRS / INSA Lyon / Lyon 1 Université / Université Lumière Lyon 2 / École Centrale de Lyon)
[2] HUMMUS - Health-aware User-centered recoMMendation and argUment enabling data Set est un jeu de données conçu pour les systèmes de recommandation alimentaire. Présenté à la conférence ACM RecSys en 2023 par Felix Bölz, Diana Nurbakova, Sylvie Calabretto, Armin Gerl, Lionel Brunie et Harald Kosch, il rassemble notamment des recettes, des informations nutritionnelles, des évaluations d’utilisateurs et des liens vers des bases sémantiques spécialisées.
[3] Figure extraite de Do I Eat Healthy, Consciously, and Sustainably? A Preliminary Study on Food-Centric Relationships, Felix Bölz, Farah Khalid Andraws Asmaro, Ines Garali, Alizée Bertrand, Diana Nurbakova et Audrey Serna, Nutrition and Metabolic Insights, 2025. Licence CC BY-NC 4.0.
