TCA et intelligence artificielle : quand l’IA peut renforcer le trouble

L’intelligence artificielle s’est installée dans des gestes quotidiens : chercher une information, préparer un menu, calculer des apports, demander conseil, se rassurer, écrire ce que l’on n’ose pas dire à un proche ou à un soignant. Pour une personne souffrant de troubles des conduites alimentaires (TCA), cette accessibilité peut sembler précieuse. L’IA répond immédiatement, ne paraît pas juger, ne fatigue pas, ne contredit pas toujours frontalement et donne souvent une impression d’expertise.

C’est précisément ce qui doit alerter.

Dans les TCA, le problème n’est pas seulement de « mal manger ». Le trouble s’organise souvent autour du contrôle, de la comparaison, de la restriction, de l’hypervigilance corporelle, de la culpabilité, de la honte, des conduites compensatoires ou de l’obsession de « bien faire ». Une IA conversationnelle peut donc devenir dangereuse non parce qu’elle est volontairement malveillante, mais parce qu’elle peut répondre trop facilement à la logique même du trouble.

Plusieurs travaux récents montrent que les outils d’IA générative et les chatbots appliqués aux TCA doivent être utilisés avec prudence. Certains peuvent soutenir la verbalisation ou l’accès à une aide ponctuelle, mais d’autres peuvent produire des réponses inadaptées, renforcer des biais, proposer des menus inadéquats ou donner un faux sentiment de sécurité à des personnes vulnérables.

L’IA n’est pas un professionnel de santé

Une IA conversationnelle produit du texte à partir de modèles statistiques. Elle peut formuler une réponse structurée, empathique en apparence, parfois très convaincante. Mais elle ne connaît pas réellement l’histoire clinique de la personne, ne mesure pas son état somatique, ne perçoit pas la dénutrition, les vomissements, l’épuisement, les conduites cachées, le risque suicidaire, l’isolement, ni l’ambivalence face au soin.

Pucci et al. ont étudié comment des grands modèles de langage répondent à des requêtes liées aux troubles alimentaires. Leur constat est net : ces systèmes ne sont pas conçus pour fournir un avis clinique, mais leur accessibilité, leur ton neutre et leur apparence d’expertise en font une source d’aide recherchée par des personnes souffrant de TCA. Les auteurs montrent que certains indices présents dans la demande de l’utilisateur augmentent le risque de réponses non sûres, notamment lorsque le modèle s’adapte trop docilement à une demande problématique.

Autrement dit, l’IA peut se montrer trop coopérative. Or, dans les TCA, une réponse coopérative n’est pas toujours une réponse aidante.

Le faux sentiment de sécurité

L’un des points les plus importants dans les recherches récentes est le décalage entre la forme rassurante de la réponse et son contenu potentiellement dangereux.

Choi et al. ont observé pendant dix jours les interactions de 26 personnes souffrant de TCA avec un chatbot fondé sur un grand modèle de langage. Les participants ont parfois ressenti un bénéfice : le chatbot pouvait offrir un espace privé, disponible, où parler de leur vécu. Mais les auteurs ont aussi identifié des réponses nocives ou inadaptées, qui sont passées inaperçues en partie parce que les participants faisaient confiance au système.

Cette confiance est un point clinique majeur. Une personne en souffrance peut percevoir l’IA comme objective, neutre, rationnelle, voire plus disponible qu’un humain. Cette perception peut conduire à accepter des réponses qui seraient pourtant discutées, nuancées ou refusées par un professionnel de santé diplômé formé aux TCA.

Dans les TCA, le risque n’est donc pas seulement l’erreur visible. Le risque est aussi l’erreur bien formulée.

Quand l’IA nourrit le « bruit alimentaire »

Pucci et al. utilisent la notion de « food noise », que l’on peut traduire par bruit alimentaire : une présence envahissante de pensées, de mots, de catégories et de raisonnements centrés sur l’alimentation, les aliments, les quantités, la restriction, les calories, la satiété ou la culture du régime. Leur analyse montre que les réponses des modèles peuvent contenir ce type de langage, même lorsque des signaux de risque sont présents.

C’est un point essentiel. Une personne qui souffre de TCA peut ne pas demander explicitement : « Aidez-moi à aggraver mon trouble. » Elle peut demander : « Que manger aujourd’hui ? », « Comment éviter de trop manger ? », « Quel menu sain me conseillez-vous ? », « Comment me sentir rassasiée avec moins ? », « Combien de calories pour perdre un peu ? »

Pour une personne sans TCA, certaines de ces questions peuvent être banales. Pour une personne vulnérable, elles peuvent devenir des supports de restriction, d’obsession, de ritualisation ou de compensation.

Le modèle peut alors renforcer le trouble sans jamais nommer le trouble.

Les menus générés par IA : un risque particulier

L’un des usages les plus fréquents de l’IA est la génération de menus. C’est aussi l’un des usages les plus sensibles dans les TCA.

Bilen, Kalkan et Önal ont comparé des plans alimentaires produits par cinq modèles d’IA à des plans élaborés par des diététiciens pour des profils adolescents standardisés. L’étude a généré 60 plans alimentaires de trois jours. Les résultats montrent que les plans produits par IA sous-estimaient l’énergie et présentaient des écarts importants sur les macronutriments et micronutriments. Les auteurs concluent que les recommandations alimentaires générées par IA ne sont pas appropriées sans supervision professionnelle.

Cet élément est particulièrement important chez les adolescents, mais il concerne aussi les adultes souffrant de TCA. Un menu trop restrictif, présenté comme « équilibré », « sain » ou « personnalisé », peut valider une conduite pathologique. L’IA peut ainsi donner une apparence scientifique à ce qui reste une proposition non clinique, non contextualisée et parfois inadaptée.

Le risque des biais : l’IA peut reproduire des stéréotypes

Les TCA sont encore trop souvent associés à des représentations étroites : jeune femme, minceur visible, anorexie restrictive. Or les TCA touchent aussi les hommes, les personnes de poids normal ou élevé, les personnes âgées, les adolescents, les personnes souffrant d’anorexie, de boulimie, d’hyperphagie boulimique, d’orthorexie ou de formes atypiques.

Schnepper et al. ont étudié les biais de grands modèles de langage dans des vignettes cliniques d’anorexie mentale et de boulimie. Les auteurs ont adapté 30 vignettes pour créer 120 versions variant selon le genre et l’orientation sexuelle. Dans ChatGPT-4, les estimations de qualité de vie mentale étaient influencées par le genre : les cas masculins recevaient des scores plus bas, sans que les données réelles ne justifient ce schéma. Les auteurs soulignent ainsi le risque de biais dans l’usage de l’IA générative en santé mentale.

Ce résultat est important pour les TCA. Si l’IA reproduit ou amplifie certains biais, elle peut contribuer à invisibiliser des profils déjà moins repérés : hommes souffrant de TCA, personnes en situation d’obésité avec hyperphagie, personnes présentant une anorexie atypique, personnes dont la souffrance ne correspond pas aux images habituelles du trouble.

L’IA peut aider à parler, mais aussi renforcer la dépendance

Il serait excessif de dire que l’IA n’a aucun intérêt. Les travaux ne disent pas cela. Certains chatbots conçus spécifiquement pour les TCA, avec protocoles, garde-fous, scripts, co-conception clinique et évaluation, peuvent présenter un intérêt limité mais réel dans des contextes précis.

Chan et al. ont décrit les difficultés de conception d’un chatbot de prévention des TCA. Leur étude montre qu’un chatbot encadré peut atteindre un grand nombre de personnes, mais qu’il reste limité dans sa capacité à comprendre les réponses inattendues des utilisateurs.

Fitzsimmons-Craft et al. ont évalué un chatbot de prévention des TCA dans un essai randomisé. Les résultats suggèrent un intérêt possible sur certains facteurs de risque, notamment les préoccupations liées au poids et à la forme corporelle, mais il s’agissait d’un outil structuré, pensé pour la prévention, et non d’une IA générative ouverte utilisée librement.

Sharp et al. ont également étudié un chatbot d’intervention brève pour des personnes en attente de prise en charge TCA. L’outil ED ESSI était co-conçu, structuré, évalué et orienté vers une intervention spécifique. Dans l’essai contrôlé randomisé, il a produit des améliorations sur la symptomatologie TCA, le retentissement psychosocial, la dépression et l’anxiété à court terme, avec la nécessité de poursuivre les recherches sur son efficacité à plus long terme.

La distinction est capitale : un chatbot clinique, conçu avec des professionnels et évalué dans un protocole, n’est pas équivalent à une IA généraliste à laquelle une personne demande seule un menu, un poids cible, une stratégie de contrôle ou une validation de ses conduites.

Les sept risques identifiés par les experts

Winecoff et Klyman ont mené des entretiens semi-structurés avec 15 cliniciens, chercheurs et personnes engagées dans la défense des personnes concernées par les TCA. Leur travail propose une taxonomie de sept catégories de risques liés à l’IA générative : conseils de santé généralisés, encouragement de comportements désordonnés, aide à dissimuler les symptômes, création de contenus de type « thinspiration », renforcement des croyances négatives sur soi, focalisation excessive sur le corps et maintien de représentations étroites des TCA.

Cette grille est particulièrement utile pour comprendre pourquoi une réponse apparemment anodine peut être problématique. Une IA peut, par exemple, ne pas dire explicitement « restreignez-vous ». Mais elle peut proposer une structure de contrôle, un vocabulaire alimentaire anxiogène, une hiérarchie morale des aliments ou une logique d’optimisation corporelle qui alimente le trouble.

Adolescents : une vulnérabilité particulière

Les adolescents sont particulièrement exposés. Ils utilisent volontiers les outils numériques, peuvent demander de l’aide sans passer par un adulte et peuvent aussi formuler des requêtes exploratoires, ambiguës ou dissimulées. Pucci et al. soulignent que cette tendance est préoccupante chez les adolescents, notamment parce qu’ils peuvent ne pas révéler leur trouble aux adultes ou aux professionnels de santé.

Nagata et al. rappellent que l’IA générative peut influencer plusieurs domaines de la santé adolescente : information en santé, esprit critique, santé mentale, image corporelle, lien social, activité physique et sommeil. Dans les TCA, cette influence est d’autant plus importante que l’adolescence est une période où le corps change, où l’identité se construit et où la comparaison sociale peut devenir très puissante.

Confidentialité, responsabilité, dépendance : les angles morts

Les TCA s’accompagnent souvent de honte, de secret et de conduites cachées. L’IA peut sembler offrir un espace discret. Mais cette discrétion n’est pas équivalente à la confidentialité d’un soin.

Rahsepar Meadi et al. ont réalisé une revue de portée sur les enjeux éthiques des agents conversationnels en santé mentale. Les thèmes les plus fréquents étaient la confidentialité et la vie privée, la sécurité, le risque de suggestions nocives, la gestion de crise, la dépendance, la responsabilité, l’anthropomorphisation et la confiance.

Cette question est majeure dans les TCA. Une personne peut livrer à un chatbot des informations très sensibles : poids, vomissements, prises alimentaires, honte corporelle, pensées suicidaires, automutilations, stratégies de dissimulation, conflits familiaux. Or les conditions de conservation, d’analyse et d’usage de ces données ne sont pas toujours comprises par l’utilisateur. La confidentialité perçue n’est donc pas toujours la confidentialité réelle.

L’IA peut aussi amplifier les communautés à risque

Chu et al. ont montré que les grands modèles de langage peuvent être utilisés pour identifier des préoccupations alimentaires et corporelles implicites dans des communautés en ligne liées aux TCA. Leur travail souligne que certaines communautés peuvent promouvoir ou normaliser les troubles alimentaires, en utilisant parfois un langage codé ou difficile à repérer.

Cette recherche montre une ambivalence importante. L’IA peut aider à détecter des environnements numériques à risque. Mais elle peut aussi apprendre, reproduire ou rendre plus accessibles certains raisonnements issus de ces mêmes environnements. Le problème n’est donc pas seulement l’outil, mais l’écosystème culturel et numérique dans lequel il fonctionne.

Faut-il rejeter toute IA dans les TCA ?

Non. Mais il faut distinguer trois réalités.

La première est l’IA générative généraliste, utilisée seule par une personne en souffrance. Cette situation est réellement risquée lorsqu’il est question de menus, de poids, de calories, de restriction, de compensation, de silhouette ou de contrôle alimentaire.

La deuxième est le chatbot clinique conçu pour un objectif limité, avec scripts, protocoles de sécurité, supervision, co-conception avec patients et professionnels, et évaluation scientifique. Les travaux de Chan, Fitzsimmons-Craft et Sharp montrent que ce type d’outil peut avoir une place, mais dans un cadre précis.

La troisième est l’usage indirect de l’IA comme outil de recherche, de détection de signaux ou d’aide à la modération. Les travaux de Chu et de Craddock montrent que l’IA peut aussi contribuer à mieux comprendre les environnements numériques, les idéaux corporels et les risques liés à l’image du corps, à condition que l’usage soit responsable, évalué et encadré.

L’enjeu n’est donc pas de diaboliser l’IA. L’enjeu est de refuser sa banalisation dans un domaine où une réponse apparemment neutre peut aggraver un trouble grave. L’IA doit rester un outil secondaire. Elle ne remplace ni le diagnostic, ni l’évaluation somatique, ni l’alliance thérapeutique, ni l’expertise d’un professionnel formé aux TCA pour sortir des TCA.

Conclusion

L’intelligence artificielle peut donner l’impression d’aider parce qu’elle répond vite, avec assurance et sans jugement apparent. Mais dans les troubles des conduites alimentaires, cette apparente neutralité peut devenir un danger. L’IA peut renforcer le contrôle, la restriction, la comparaison corporelle, la culpabilité alimentaire, les croyances négatives, la dissimulation des symptômes et entretenir la pathologie voire la renforcer.

L’IA peut produire une réponse. Elle ne sait pas protéger.

Pucci et al., 2026 — Food Noise & False Safety
https://arxiv.org/abs/2606.02444

 

Choi et al., 2024 / 2025 — Private Yet Social
https://arxiv.org/abs/2412.11656

 

Schnepper et al., 2025 — Exploring Biases of Large Language Models…
https://doi.org/10.2196/57986

 

Baloğlu, 2025 — Effect of ChatGPT use on eating disorders and body image
https://doi.org/10.5498/wjp.v15.i8.107122

 

Bilen, Kalkan & Önal, 2026 — Artificial intelligence diet plans underestimate nutrient intake…
https://doi.org/10.3389/fnut.2026.1765598

 

Sharp, Torous & West, 2023 — Ethical Challenges in AI Approaches to Eating Disorders
https://doi.org/10.2196/50696

 

Chan et al., 2022 — The Challenges in Designing a Prevention Chatbot for Eating Disorders
https://doi.org/10.2196/28003

 

Fitzsimmons-Craft et al., 2022 — Effectiveness of a chatbot for eating disorders prevention
https://doi.org/10.1002/eat.23662

 

Sharp et al., 2025 — Co-design of a single session intervention chatbot…
https://doi.org/10.1186/s40337-025-01225-x

 

Sharp et al., 2025 — The Effectiveness of a Chatbot Single-Session Intervention…
https://doi.org/10.2196/70874

 

Rahsepar Meadi et al., 2025 — Exploring the Ethical Challenges of Conversational AI in Mental Health Care
https://doi.org/10.2196/60432

 

Nagata et al., 2026 — Adolescent Health and Generative AI—Risks and Benefits
https://jamanetwork.com/journals/jamapediatrics/article-abstract/2841187

 

Chu et al., 2024 — Large Language Models Help Reveal Unhealthy Diet and Body Concerns…
https://arxiv.org/abs/2401.09647

 

Craddock et al., 2026 — Existing and future use cases, and safety and ethical considerations for AI…
https://pubmed.ncbi.nlm.nih.gov/41655362/

 

Winecoff & Klyman, 2025 — From Symptoms to Systems…
https://arxiv.org/abs/2512.04843