Donner une mémoire nutritionnelle à ton IA, c'est connecter à ton assistant personnel un enregistrement structuré et continu de ce que tu manges — repas, horaires, contexte, comment tu te sens après — pour qu'il puisse se souvenir de ton historique réel et raisonner dessus, au lieu de partir d'hypothèses génériques. Cet enregistrement reste à toi : tu peux le corriger, supprimer des entrées et le déplacer d'un assistant à l'autre.
Demande à ChatGPT de te caler une semaine de dîners autour de tes séances. Demande à Claude pourquoi ton énergie s'effondre à 15 h. Les deux te donneront une réponse fluide et réfléchie en quelques secondes. Aucun des deux ne sait que tu as mangé des pâtes après 22 h trois soirs cette semaine, que tu sautes le petit-déj les jours où tu t'entraînes, ou que ton déjeuner "healthy", c'est la même salade à 600 kcal qui te lasse en silence depuis un mois.
Ton assistant ne raisonne pas sur toi. Il raisonne sur un inconnu statistique qui te ressemble vaguement. C'est pour ça que le conseil paraît intelligent mais reste générique. Les études qui comparent ChatGPT à des diététiciens montrent toujours la même forme : il s'en sort correctement sur les questions générales, puis décroche nettement sur les cas complexes et individualisés — la part des réponses jugées "appropriées" se situant entre 55 % et 73 % selon la situation. Son calcul de calories et de macros devient aussi approximatif dès qu'il y a des cibles strictes, type keto ou pauvre en FODMAP.
Ce que la plupart des gens ratent : ce n'est pas un problème de modèle. Le modèle est exceptionnel. C'est un problème d'entrée. La variable la plus déterminante sur ton sommeil, tes entraînements, ta récup et ton énergie — ce que tu mets dans ta bouche chaque jour — est précisément la seule dont ton IA n'a aucune trace.
Le réflexe évident, c'est de lui dire. Tu tapes tes objectifs dans le chat, tu actives la mémoire, tu te ré-expliques à chaque session. Les gens essaient en permanence, et ça échoue discrètement, pour deux raisons.
D'abord, la mémoire intégrée d'un chatbot est un post-it, pas une base de données. Elle stocke un peu de contexte, puis se remplit vite et perd sa structure au fil des semaines — exactement l'échelle de temps où vivent les vrais patterns alimentaires. Elle peut retenir "je suis végétarien". Elle ne peut pas retenir 400 repas, leurs horaires, leurs portions et l'effet que chacun t'a fait.
Ensuite, c'est toi qui deviens la couche d'intégration. Tu colles des captures d'écran, tu résumes ta semaine, tu redécris tes contraintes, et tu espères que rien d'important n'a sauté. C'est lossy, c'est fragile, et tout se réinitialise dès que tu changes d'assistant. Tu fais à la main, et mal, le travail qu'une mémoire structurée devrait faire toute seule.
Le manque n'a donc jamais été l'intelligence. C'est une entrée persistante et structurée que ton IA peut réellement lire.
Voici la version pratique. Quels que soient les outils, une vraie mémoire nutritionnelle pour ton IA tient en cinq mouvements.
1. Capter dans une forme structurée, pas dans le chat. Un repas dicté à la voix ou pris en photo — avec son horaire, son contexte et ton ressenti — est transformé en champs propres, pas en paragraphe noyé dans un fil de discussion. La structure, c'est ce qui le rend lisible plus tard. Un tas de texte libre n'est pas une mémoire ; c'est un journal que ton IA doit relire à chaque fois.
2. Le stocker comme une mémoire qui t'appartient. Ton historique doit être exportable dans un format lisible par une machine, à la demande. Si tu ne peux pas récupérer tes données proprement, ce n'est pas ta mémoire — c'est celle de l'app, et tu loues l'accès à ton propre passé.
3. La connecter à ton IA via un protocole. C'est ce qui a changé ces 18 derniers mois. Le Model Context Protocol (MCP) — un standard ouvert publié par Anthropic fin 2024 — permet à un assistant de lire une source de données externe via une interface contrôlée et permissionnée. Il a depuis été adopté par OpenAI, Google DeepMind, Microsoft et AWS et franchi des dizaines de millions de téléchargements de SDK par mois. En clair : MCP transforme "laisse mon IA lire mon historique alimentaire" d'un rituel de copier-coller en une connexion — et il définit exactement ce que l'assistant peut, et ne peut pas, toucher.
4. La garder corrigeable. Une mémoire que tu ne peux pas réparer est une mémoire à laquelle tu ne peux pas te fier. Un café que tu n'as jamais bu s'est glissé dedans ? Tu l'effaces. La portion était fausse ? Tu la corriges. Ça paraît anecdotique, et c'est en réalité tout l'enjeu : une IA qui raisonne sur un historique truffé d'erreurs incorrigibles te dira, avec aplomb, des choses fausses sur toi-même.
5. Interroger dans le temps. Une fois la mémoire en place et ton IA capable de l'interroger, tu poses les questions qu'aucune app ne traite : "Sur les 60 derniers jours, quels dîners précédaient mes pires nuits ?" ou "Compare les semaines où je me suis entraîné quatre fois à celles où je l'ai fait deux fois — qu'est-ce qui a vraiment changé dans ma façon de manger ?"
| Approche | Persiste sur des semaines ? | Structurée et interrogeable ? | Corrigeable entrée par entrée ? | Portable d'un assistant à l'autre ? | L'IA la lit en direct ? |
|---|---|---|---|---|---|
| Coller dans le chat | Non | Non | Non | Non — à recoller à chaque fois | Seulement ce que tu colles |
| Mémoire intégrée du chatbot | En partie — elle se remplit | Non | Difficile | Non — verrouillée sur un assistant | Vaguement |
| Mémoire nutritionnelle connectée (MCP / API) | Oui | Oui | Oui | Oui | Oui, à la demande |
Les deux premières, c'est là où presque tout le monde se trouve aujourd'hui. La troisième, c'est celle qui fait passer ton assistant de généraliste malin à quelque chose qui te connaît vraiment.
Quatre choses changent dès que ton IA peut lire ton historique alimentaire.
Le conseil arrête d'être générique et devient le tien. Au lieu de "mange plus de protéines", tu obtiens "tes trois semaines les plus énergiques avaient toutes un petit-déj riche en protéines — tu ne l'as fait que neuf jours ce mois-ci".
Tu arrêtes d'être la colle. Fini les captures collées, les résumés, les ré-explications. L'assistant interroge la mémoire directement, comme il interroge le web aujourd'hui.
Le raisonnement traverse les domaines. L'alimentation ne vit pas seule. Croisée avec tes données de sommeil ou d'entraînement, ton IA peut relier des points qu'aucune app de nutrition seule ne voit — parce que l'app de nutrition ne voit jamais l'autre côté.
Elle reste souveraine. C'est le point qui compte le plus à mesure que chaque montre connectée et chaque plateforme se met à coller un "coach IA". Une mémoire nutritionnelle qui t'appartient — que tu peux dicter, corriger, effacer et transporter d'un assistant à l'autre — ne t'enferme dans l'écosystème de personne. L'intelligence peut changer ; la mémoire, elle, est à toi.
Diet Mate a été pensée pour être exactement cette couche, pas un énième chatbot maison. Tu captes tes repas à la voix en six secondes environ, avec le contexte qui les rend signifiants ; l'app les transforme en une mémoire nutritionnelle structurée que tu peux exporter, corriger et effacer ; et elle est conçue pour exposer cette mémoire à l'IA que tu utilises déjà, via une API ouverte et le Model Context Protocol. Le pari est simple : on ne cherchera pas à être l'IA nutrition la plus intelligente du marché. On sera la mémoire qui rend l'IA intelligente que tu utilises déjà réellement fluide sur ton alimentation.
Le prochain saut en intelligence santé ne viendra pas d'un chatbot diététique un peu meilleur. Il viendra du moment où ton IA pourra enfin lire une mémoire alimentaire qui t'appartient vraiment — assez structurée pour qu'elle raisonne dessus, assez corrigeable pour que tu t'y fies, et assez portable pour que ce soit toi, et pas une plateforme, qui décides quel assistant a le droit de l'utiliser. Ton IA est déjà intelligente. Donne-lui quelque chose à retenir.
ChatGPT peut-il se souvenir de ce que je mange dans le temps ?
Pas de façon fiable. Sa mémoire intégrée stocke une petite quantité de contexte et se remplit vite ; elle ne peut donc pas tenir des centaines de repas structurés sur plusieurs semaines. Pour donner une mémoire alimentaire durable à un assistant, on le connecte à un enregistrement dédié et structuré qu'il peut interroger.
C'est quoi MCP, et quel rapport avec la nutrition ?
Le Model Context Protocol est un standard ouvert qui permet aux assistants IA de lire des sources de données externes via une interface contrôlée et permissionnée. Pour la nutrition, c'est le pont qui laisse ton IA interroger ton historique alimentaire en direct — sans que tu colles quoi que ce soit — tout en définissant exactement ce à quoi elle peut accéder.
Est-ce risqué de connecter mes données alimentaires à une IA ?
Ça dépend de l'architecture. La version sûre garde les données à toi : tu choisis ce que l'assistant peut lire, tu peux corriger ou supprimer des entrées, et tu peux déconnecter à tout moment. Un protocole comme MCP est permissionné par conception, donc "connecté" ne veut pas dire "cédé".
Faut-il être technique pour donner une mémoire nutritionnelle à son IA ?
Non. Le travail technique est du côté de l'app et du protocole. Ta part, c'est de capter tes repas de façon structurée et de connecter la mémoire à ton assistant — de plus en plus une action en un clic, pas un projet de code.
Où lire la définition fondatrice de la mémoire nutritionnelle ?
Qu'est-ce que la mémoire nutritionnelle ? Une définition pour l'ère de l'IA — l'article pilier sur lequel celui-ci s'appuie.
