IA en cuisine : l’outil du New York Times à l’épreuve
Découvrez comment l’IA de NYT Cooking adapte les recettes, ce qu’elle réussit, ses limites et les enseignements concrets pour concevoir une IA utile.
IA en cuisine : l'outil du New York Times à l'épreuve
Quand l'IA adapte une recette sans prendre la place du cuisinier
Remplacer un ingrédient manquant, cuisiner sans un équipement précis ou ajuster un plat à une contrainte alimentaire : ce sont des problèmes fréquents, mais rarement simples à régler avec une recette « telle quelle ». Une substitution peut changer le temps de cuisson, la texture, l'équilibre général. Et une réponse approximative ne fait pas que faire perdre du temps : elle peut ruiner le repas et ébranler la confiance envers la recette d'origine.
Le New York Times Cooking a testé une façon d'aborder ce sujet avec une fonctionnalité de personnalisation alimentée par l'intelligence artificielle. Dans sa version bêta sur iOS, l'outil permettait de demander des changements à une recette, puis d'intégrer ces modifications dans les ingrédients et les étapes. La réception initiale a été fraîche, voire hostile, mais les essais rapportés suggèrent aussi un usage assez pertinent : adapter une recette à ce qu'on a réellement sous la main, sans demander à l'IA d'inventer entièrement le point de départ.
Ce cas permet surtout de trier, concrètement, une fonction IA utile d'un gadget. Le périmètre compte. La transparence aussi. Et, évidemment, la capacité (ou non) à rater sans faire trop de dégâts.
Pourquoi l'outil a-t-il suscité autant de méfiance ?
La réaction négative des lecteurs ne venait pas que de la technologie. Elle touchait au cœur d'une relation de confiance : une recette publiée par le New York Times n'est pas perçue comme une simple suite d'instructions. Elle porte la marque d'une équipe, d'essais, de choix de proportions, et d'une promesse implicite de fiabilité. Du coup, modifier ce contenu avec une IA peut vite donner l'impression qu'on « bidouille » une recette ou qu'on déplace la responsabilité du résultat.
Une réputation se construit à force d'itérations
En cuisine, la qualité n'est pas un détail esthétique. Une recette qui « marche » régulièrement, c'est le produit final. Ça suppose des tests, des arbitrages sur les quantités, et une écriture qui guide le lecteur à travers des gestes parfois peu familiers. C'est ce qu'ont capitalisé des médias comme NYT Cooking ou America's Test Kitchen.
Alors, oui : ajouter une couche générative crée un risque particulier. Un assistant peut donner une réponse fluide, voire convaincante, sans qu'elle ait été validée dans une vraie cuisine. Et quand il modifie une recette reconnue, la question devient immédiate : qui répond si ça rate ? L'auteur original, la rédaction, ou le modèle ?
Le rejet d'un gadget est aussi un signal produit
À l'annonce de la version bêta, des abonnés ont exprimé leur mécontentement dans les commentaires, certains allant jusqu'à évoquer la résiliation. Le débat s'est tassé après quelques jours. Ça ne prouve pas que la fonctionnalité soit inutile. Mais ça rappelle que l'emplacement, l'intention et l'effet sur l'expérience comptent tout autant que la « performance » technique.
La critique vaut donc le coup d'être prise au sérieux : si une fonction s'invite dans un espace apprécié pour son ton humain et ses recettes travaillées, elle peut être ressentie comme une dégradation même si elle reste optionnelle. L'outil doit alors répondre à deux questions : est-ce qu'il aide réellement à cuisiner ? Et est-ce que les lecteurs ont le sentiment qu'on leur laisse le choix, pas qu'on leur impose une version « automatisée » ?
Le New York Times a indiqué que la fonction resterait en bêta sur iOS et qu'elle pourrait être masquée. En clair : ce n'est pas l'idée d'innovation qui est discutée, c'est la façon dont l'outil se présente, se contrôle et s'insère dans une relation de confiance déjà installée.
Que montrent les essais sur ses capacités et ses limites ?
Les essais rapportés couvrent des adaptations de niveaux de complexité différents. Ça fonctionne bien quand l'outil anticipe les conséquences concrètes d'une substitution, et moins quand une instruction de cuisson trop longue risque de faire dérailler la texture. En clair : la cohérence à l'écran ne suffit pas. La question, c'est ce qui se passe quand quelqu'un suit les étapes.
Les substitutions simples peuvent être bien intégrées
Pour une recette de poulet et de dumplings, l'essai consistait à remplacer des cuisses avec os et peau par des blancs désossés. L'outil a ajusté le temps de cuisson - les blancs cuisent plus vite - et a ajouté du beurre au roux pour compenser la graisse que les cuisses, avec peau, apportaient. Les changements étaient reportés aux endroits concernés de la recette, plutôt que traités comme une note isolée à interpréter soi-même.
Sur le plan « structurel », l'adaptation était donc utile : remplacer un ingrédient, ce n'est pas juste rebaptiser une ligne dans la liste, c'est tenir compte de ce que cela implique pour la préparation. La faiblesse venait de la suite : l'outil demandait de remettre le poulet effiloché dans la cocotte pendant une trentaine de minutes, le temps que la sauce épaississe et que les dumplings cuisent. Résultat : c'était moins tendre que de garder la viande réservée à part.
Cette erreur illustre une limite assez concrète. Une proposition peut être logique à grande échelle tout en ratant un détail décisif. Le poulet blanc supporte mal une cuisson prolongée une fois effiloché. L'IA avait ajusté une partie du processus, mais pas assez finement l'étape finale. Et ce n'est pas un problème théorique : ça se voit dans l'assiette.
Les demandes ouvertes exigent un meilleur cadrage
D'autres essais ont mieux tourné. Une recette de céréales avec champignons et brocoli a été adaptée avec du chou-fleur et de la courge. L'outil proposait de couper la courge en demi-lunes pour harmoniser les temps de cuisson, et augmentait la quantité d'huile. Dans un ragoût de pâtes et pois chiches, il a suggéré plusieurs légumes possibles, puis intégré ceux retenus dans les étapes.
Même logique pour des gaufres au sésame et aux oignons verts transformées en version levée : là aussi, la méthode proposée incluait un repos au réfrigérateur pendant la nuit. Et pour une recette de choucroute, l'ajout de carottes, d'ail et de chou kale s'accompagnait de consignes de découpe et d'un ajustement du sel, lié à l'augmentation de la quantité totale de légumes.
Ces exemples montrent une capacité intéressante : comprendre une demande assez ouverte, puis la traduire en changements coordonnés. Mais ils ne prouvent pas que toutes les combinaisons marcheront. Dès qu'on touche à une fermentation, une pâte levée, ou un équilibre d'assaisonnement délicat, il faut des connaissances spécifiques et des essais - et une formulation « fluide » ne suffit pas toujours.
Le bon critère, c'est l'usage, pas l'effet de démonstration
L'intérêt principal n'est pas de produire une recette « spectaculaire » à partir de rien. L'objectif, c'est de réduire une friction banale : éviter un aller-retour au magasin, utiliser ce qu'on a, ou adapter la recette à une contrainte alimentaire. Dans ce cadre, quelques ajustements bien choisis peuvent suffire.
La limite reste nette : l'IA ne transforme pas automatiquement une substitution en amélioration. La recette originale a été pensée par des personnes qui ont choisi une combinaison d'ingrédients pour une raison. En changeant la combinaison, on peut obtenir quelque chose de satisfaisant - mais pas forcément mieux que le départ.
Quelles leçons les entreprises peuvent-elles en tirer ?
Ce cas dépasse largement la cuisine. Il pose une question simple : comment intégrer une IA générative dans un produit dont la valeur repose déjà sur l'expertise, la confiance et une expérience éditoriale cohérente ? Il ne suffit pas de se demander si le modèle sait « produire une réponse ». Il faut définir quel problème il résout, quelles données encadrent ses sorties, et qui assume les erreurs.
Partir d'une friction réelle et bien délimitée
Le meilleur argument pour l'outil est très concret : on a parfois un ingrédient ou un ustensile différent de celui prévu. Ça arrive souvent, et ça peut empêcher d'utiliser une recette même si le reste convient. L'IA apporte alors une adaptation au contexte individuel, sans exiger que l'équipe publie une variante éditoriale pour chaque cas.
C'est une approche plus solide que de greffer un assistant « parce que le modèle est là ». Pour évaluer une fonction similaire, une équipe peut se poser ces questions :
- Quel problème récurrent l'IA résout-elle mieux qu'une interface classique ?
- Quelles conséquences une réponse erronée aurait-elle pour l'utilisateur ?
- Quelles données métier encadrent vraiment la génération ?
- L'utilisateur peut-il comprendre, vérifier et annuler ses changements ?
Si les réponses restent trop générales, le besoin produit est probablement mal défini.
Faire de la transparence une partie du produit
Afficher les changements, garder l'original, et préciser le statut de la variante n'est pas seulement de la « bonne écriture ». Ce sont des choix d'interface qui aident l'utilisateur à juger la réponse. Dans d'autres secteurs, cela peut vouloir dire : distinguer sources et propositions générées, montrer les étapes modifiées, ou permettre de revenir facilement à l'état initial.
La transparence n'empêche pas les erreurs. Mais elle réduit le risque qu'une suggestion soit traitée comme une consigne validée. En Europe, la question touche aussi la façon de concevoir l'information et la responsabilité d'un service numérique. Le RGPD ne règle pas tout : la collecte de données sur les requêtes, les préférences alimentaires ou les usages doit être gérée avec la même rigueur que le reste.
Garder les experts dans la boucle, sans leur promettre l'impossible
Les équipes qui éditent les recettes ont participé à définir les règles et à évaluer le fonctionnement de la fonction. C'est mieux que de demander une validation tardive à des spécialistes, une fois le comportement du système déjà figé. Les personnes qui connaissent les cas limites peuvent aider à préciser ce qui est acceptable, ce qui mérite une mise en garde et ce qui doit être refusé.
Mais l'expertise humaine ne garantit pas que chaque variante générée sera exacte. Il faut distinguer la recette originale, testée et éditée, de l'adaptation générée, qui n'a pas le même niveau de validation. Cette frontière protège l'utilisateur, et protège aussi la crédibilité de l'éditeur.
Enfin, l'outil ne doit pas être évalué uniquement sur le nombre de requêtes ou le temps passé dans l'application. Des indicateurs plus utiles : la proportion de recettes réellement cuisinées après modification, la qualité perçue des substitutions, les erreurs signalées, les refus bien justifiés, et la possibilité de masquer la fonction sans dégrader l'accès au contenu principal.
Conclusion
Le modificateur de recettes de NYT Cooking montre une voie plus crédible pour l'IA générative : partir d'un contenu déjà solide, aider l'utilisateur à l'adapter à une situation concrète, et rendre les transformations visibles. Les essais donnent un signal positif sur les substitutions bien encadrées, mais ils rappellent aussi une limite que les démonstrations oublient souvent : une étape mal ajustée peut dégrader le résultat, même si le reste paraît cohérent.
Pour les équipes produit, la leçon est simple et pragmatique. Ne cherchez pas d'abord « où ajouter de l'IA ». Identifiez la friction, clarifiez les cas où le système doit répondre (et ceux où il doit refuser), puis construisez la transparence et le contrôle utilisateur autour de ces limites. Une fonction qui aide, sans s'imposer, peut améliorer un produit. Une fonction qui prétend remplacer l'expertise risque surtout d'abîmer la confiance qui fait la valeur de départ.
Comment le modificateur de recettes fonctionne-t-il ?
Dans la version décrite, un champ « personnaliser cette recette » apparaissait au-dessus de la liste des ingrédients. Le lecteur pouvait demander un changement en langage courant : remplacer un ingrédient, tenir compte d'un autre équipement, adapter le plat à un besoin alimentaire, ou ajouter certains légumes. L'outil reformulait ensuite la recette en intégrant les modifications dans les quantités et les étapes concernées.
L'IA intervient sur une recette existante
C'est un point clé. L'outil ne part pas d'une page blanche et ne prétend pas composer un nouveau menu « comme si c'était testé ». Il s'appuie d'abord sur une recette éditée : une structure, des proportions, des instructions déjà posées.
D'après la responsable de NYT Cooking, le système examinait la recette, le guide de substitutions du média, les commentaires des lecteurs, puis mobilisait les capacités du modèle. Cet enchaînement est révélateur : l'IA n'est pas censée être la première source de vérité. Elle s'appuie sur un corpus éditorial et communautaire avant de produire une adaptation.
Bien sûr, ça ne garantit pas que chaque sortie soit exacte. Mais c'est plus défendable qu'un modèle utilisé « à cru », sans contexte. La qualité dépend notamment de la précision des références, de la façon dont les règles de substitution sont rédigées, et de la capacité à repérer les demandes incompatibles avec le plat d'origine.
Les changements restent visibles
Dans l'interface, les modifications apparaissaient en rouge-orangé. Le lecteur pouvait aussi comparer sa version à l'originale. Et surtout : la version générée était présentée comme une variante créée avec l'IA, non testée ni validée par les auteurs de la recette initiale.
Ce signal a une utilité pratique autant qu'éthique. Il permet de repérer ce qui a changé, de revenir à la version source et de comprendre que la nouvelle mouture ne bénéficie pas forcément du même niveau de validation. L'outil ne laisse pas silencieusement croire que le travail éditorial derrière la recette initiale a « continué » jusqu'à la variante.
Savoir refuser fait partie du service
Le système pouvait aussi refuser lorsque la demande s'éloignait trop du plat. Transformer des nouilles au beurre et au gochujang en biscuits n'était pas traité comme une simple « modification raisonnable » : l'assistant renvoyait vers une recette de biscuits au caramel et au gochujang, plus adaptée au résultat visé.
C'est souvent sous-estimé. Un assistant fiable ne doit pas seulement savoir répondre : il doit aussi reconnaître quand une demande sort de son périmètre utile, et proposer une alternative sans laisser entendre qu'une transformation arbitraire conservera la qualité de l'original.