ИИ вместо нутрициолога: может ли нейросеть подобрать идеальную диету

Представьте двух людей: оба здоровы, оба завтракают одинаково — банан и бутерброд с маслом. У одного сахар в крови после банана почти не меняется, зато от хлеба подскакивает резко. У второго — ровно наоборот. Если верить гликемическому индексу, реакции организмов должно быть примерно одинаковым. Но они разные.

Именно это зафиксировали ученые Института Вейцмана в 2015 году: 800 участников неделю носили мониторы глюкозы и фиксировали все приемы пищи — суммарно около 47 000 блюд. Оказалось, что реакция на одну и ту же еду у разных людей существенно различается. Вывод напрашивается сам собой: если организм реагирует индивидуально, значит, и питание должно быть персональным. А раз объема данных слишком много для диетолога, то это работа для алгоритма.

С тех пор прошло чуть больше десяти лет. Выросла целая индустрия, которая предлагает персонализированные рекомендации по питанию на основе данных о вас. Появились стартапы, устройства, приложения и — вопросы: насколько все это реально работает, кому это нужно и где граница между наукой и дорогостоящим самоубеждением?

Что измеряют

Рынок AI-нутрициологии сегодня делится на четыре принципиально разных категории — по тому, что именно они измеряют и что обещают.

1. Приложения с распознаванием блюд и подсчетом КБЖУ

Самый распространенный класс — приложения, которые умеют опознавать еду по фотографии и моментально считать калории, белки, жиры и углеводы. MyFitnessPal, Lose It!, Yazio, FoodVisor — каждое из них использует компьютерное зрение и базы данных на десятки миллионов продуктов: достаточно сфотографировать тарелку или отсканировать штрихкод готового блюда из магазина. AI здесь выполняет конкретную и хорошо измеримую задачу — идентификацию и подсчет — и справляется с ней заметно лучше, чем ручной дневник питания. 

Основная проблема этого класса не техническая, а методологическая: учет калорий и макронутриентов дает полезную картину, но усредняет то, что индивидуально. 

Логгер (так называются приложения такого типа) — хороший инструмент осознанности, но не персонализации в строгом смысле слова. Точность при этом выше, чем кажется, но с важной оговоркой. Приложения хорошо справляются с отдельными блюдами западной кухни, но системно ошибаются на смешанных блюдах и азиатской еде — калорийность вьетнамского супа фо оказалась переоценена на 49%, а тайского чая с молоком — недооценена на 76%. Для борща и салата оливье ситуация, скорее всего, аналогичная.

2. Датчик уровня глюкозы с предсказанием

Эти продуктовые решения работают с непрерывным мониторингом глюкозы: маленький датчик на руке (СGM, continuous glucose monitor) замеряет уровень сахара каждые несколько минут. Приложения вроде Levels помогают соотнести эти данные с едой, активностью, сном и стрессом — и увидеть, как именно конкретный прием пищи влияет на ваш метаболизм. Это честный и полезный инструмент самонаблюдения, но он реактивный: показывает, что уже произошло.

January AI, основанный командой Стэнфорда, идет дальше. Приложение просит пользователя носить глюкозный датчик от четырех дней до двух недель и фиксировать все, что человек ест — для анализа у January собрана огромная база в 16 млн продуктов. За это время AI обучается на реакциях конкретного тела и начинает предсказывать, что произойдет с глюкозой еще до еды. «Думайте о нем, как о прогнозе погоды, — говорит основательница компании Ноошин Хашеми. — Если бы он только говорил, что дождь уже идет, — толку было бы мало». После периода обучения датчик глюкозы можно снять: алгоритм продолжает делать предсказания самостоятельно.

3. Микробиом + алгоритм

Этот тип продуктов делает ставку не на датчик, а на анализ кишечной микрофлоры. Подход родился из того самого исследования Вейцмана: одним из главных неожиданных выводов оказалось, что не сама еда, а состав кишечной микробиоты — ключевой предиктор гликемического ответа.

Стартап ZOE, основанный при участии ученых Королевского колледжа Лондона, изначально предлагает домашний тест на микробиом. Платформа использует алгоритмы машинного обучения вместе с данными микробиома, чтобы предсказывать индивидуальную реакцию на продукты в реальном времени. Изначально ZOE в рамках первичного тестирования замерял также уровень глюкозы и жиров в крови, но в 2025 году команда запустила ZOE 2.0 — упрощенную версию, где датчик глюкозы больше не нужен, да и тест на микробиом опционален: накопленный массив данных теперь позволяет алгоритму предсказывать гликемический и липидный ответ на основе анкеты о здоровье (и теста на микробиом как дополнения).

4. LLM-ассистенты

Четвертый тип продуктов — генерализованные языковые модели вроде ChatGPT, которые все чаще используются как нутрициологи. Формально это не специализированные нутрициологические продукты, но именно к ним обращается большинство людей, когда хотят быстрого совета по питанию. Для здорового человека без хронических заболеваний они справляются с задачей неплохо. Но только до тех пор, пока эта задача остается простой.

Что говорит наука

Большой резонанс получило исследование ZOE METHOD, опубликованное в Nature Medicine в 2024 году. В нем персонализированная программа питания проекта ZOE на основе данных о микробиоме и гликемических реакциях сравнивалась со стандартными диетическими рекомендациями. Через 18 недель у группы с персонализированной программой зафиксировали снижение уровня триглицеридов и небольшое снижение веса — примерно 2,5 кг за четыре месяца.

Звучит как победа алгоритма. Но академическое сообщество отреагировало скептически. Так, доктор Никола Гесс, исследователь питания из Оксфордского университета, указала на принципиальный изъян: испытание не проверяло, работает ли именно биологически персонализированный подход ZOE — оно сравнивало полноценную программу с поддержкой, самомониторингом и обучением с буклетом с общими рекомендациями по здоровому питанию. Иными словами, неясно, что именно помогло участникам: алгоритм или просто то, что они думали о еде чаще обычного (к тому же они постоянно носили глюкозные датчики и логгировали свою еду, то есть чувствовали, что находятся «под контролем»).

Это методологическая проблема всей отрасли. Когда человек носит датчик глюкозы, он автоматически начинает внимательнее относиться к еде. Когда он получает персонализированную программу (пусть даже условно персонализированную), он чувствует, что его случай особенный, — и старается. Отделить эффект алгоритма от эффекта внимания к себе пока крайне сложно.

C языковыми моделями — теми самыми «обычными» нейросетями, к помощи которых прибегает большинство в поисках ответов на вопросы о питании — все обстоит еще сложнее. Исследование 2024 года проверило точность нескольких нейросетей в составлении диет для пациентов с ожирением и сопутствующими заболеваниями — диабетом, саркопенией, хронической болезнью почек. В сложных клинических сценариях ни один из них не набрал и 50% точности. В другом эксперименте ChatGPT в четырех случаях из 56 не исключил аллергены из диеты, составленной для людей с пищевой аллергией. 

Для простых случаев — все вполне прилично. Для медицинской задачи — недопустимо.

Почему одного алгоритма мало

Дело не в том, что AI делает что-то не так. Питание — это феноменально сложная система, в которой взаимодействуют десятки переменных одновременно.

Например, глюкоза. Да, реакция на один и тот же продукт у разных людей разная — это установленный факт. Один из главных — и неожиданных — выводов исследования Института Вейцмана в том, что не сама еда, а состав кишечной микробиоты, оказывается, — ключевой предиктор гликемического ответа. 

Есть и менее очевидная, но серьезная проблема на пути AI в нутрициологии: большинство алгоритмов обучены преимущественно на западных популяциях. Если генеративный AI натренирован на данных о западном питании, он может систематически ошибаться с рекомендациями для людей с другими культурными пищевыми практиками, религиозными ограничениями или региональными паттернами питания. Для России — с ее специфическим рационом, сезонностью и традициями — это не абстрактный момент, так же как, скажем, для Китая и Индии. 

Развилки развития

Индустрия продолжает расти. Мировой рынок персонализированного питания оценивался в $15,6 млрд в 2024 году и по прогнозам достигнет $61,6 млрд к 2034-му, с ежегодным ростом около 14,7%.

Амбициозное направление — концепция «цифрового двойника». Университет Вагенингена в Нидерландах в начале 2025 года завершил проект «Я, моя диета и я»: цифровой двойник пользователя должен предсказывать изменения уровня глюкозы и триглицеридов в ответ на конкретные продукты — без участия диетолога, через приложение. Направление понятно: модель, которая симулирует ваш метаболизм в реальном времени и позволяет тестировать решения виртуально, прежде чем принять их в реальности. January AI идет в ту же сторону: после периода обучения с CGM алгоритм строит персональную модель метаболизма и продолжает работать без датчика — это и есть «цифровой двойник» в потребительском исполнении. Более дорогую версию этой идеи уже покупают пищевые корпорации: Mars использует технологию January AI для разработки новых продуктов с предсказуемым гликемическим профилем. 

Разработки есть и в России, однако прежде всего для профессионалов рынка — НИАП (Научный инструмент анализа питания), созданный Федеральным исследовательским центром питания и биотехнологии совместно с компанией «Нутриент Планнер». Система автоматически генерирует персонализированный рацион с учетом заболеваний, непереносимостей, лекарств и нутриентного состава — пока как инструмент для диетолога, а не напрямую для пациента.

В разработке есть и мультиомиксные подходы — одновременный анализ геномики, эпигенетики, метаболомики и микробиома, — которые дают несравнимо более точную картину индивидуальных различий, чем отдельный тест на микробиом или данные глюкозного трекера. Проект NIH «Nutrition for Precision Health», работающий на базе программы All of Us, собирает данные у тысяч участников с целью обучить алгоритмы, предсказывающие индивидуальные реакции на разные паттерны питания. Но проблема масштабирования пока не решена, а еще — государственное финансирование таких программ сегодня находится под угрозой. 

Самые клинически зрелые продукты на мировом рынке сейчас — не те, что умнее считают калории, а те, где алгоритм встроен в работу реального диетолога и покрыт страховкой. Такие платформы существуют пока преимущественно в США: Omada Health и Vida Health работают с хроническими заболеваниями — диабетом, гипертонией, ожирением — через комбинацию AI-мониторинга и живых консультаций с зарегистрированными диетологами, а программы оплачиваются работодателями и страховыми компаниями. Season Health — еще интереснее: врач выписывает «пищевой рецепт», по которому пациент получает продукты через партнерские магазины и службы доставки еды. В Европе и России подобная инфраструктура пока не сложилась.

Где граница

Ответить на вопрос «работает ли AI в нутрициологии» однозначно нельзя — самым честным ответом будет «смотря что и для кого».

• AI хорошо справляется с задачами, где нужно обрабатывать большой поток биологических данных — CGM, микробиом, лабораторные показатели — и находить в нем паттерны, которые человек пропустит.
• AI плохо справляется с контекстом — с тем, что человек переживает развод, не спал три ночи, находится в командировке и ест то, что есть. Алгоритм не знает, что рекомендация «больше клетчатки» натолкнется на отсутствие времени или страх перед едой. Нутрициолог это видит и адаптирует.

Ключевой вывод, который можно сделать из крупных исследований 2024–2025 годов: AI должен дополнять работу диетолога, а не заменять ее. В клинической практике — особенно при сложных патологиях — разрыв между алгоритмом и специалистом остается принципиальным. 

Трекер глюкозы, подключенный к приложению, вероятно, даст больше информации о вашем метаболизме, чем любая книга по питанию. ChatGPT составит вполне разумное меню для здорового человека без особых ограничений — и в ряде случаев ответит точнее, чем незнакомый терапевт без специализации. Но лечить диабет, работать с расстройствами пищевого поведения или составлять протокол при хронических заболеваниях через нейронку все же пока не стоит.

Персонализация питания через AI — это не псевдонаука. Это молодая, быстро развивающаяся область с реальной научной базой и реальными ограничениями. Разрыв между тем, что алгоритм умеет делать в лаборатории, и тем, что он может предложить вам в приложении за подписку, пока остается большим. И это важно помнить, прежде чем доверить ему свой завтрак.