Framamia

MISTRAL IA, 2025. Our contribution to a global environmental standard for AI | Mistral AI. [en ligne]. 22 juillet 2025. [Consulté le 5 novembre 2025]. Disponible à l’adresse : https://mistral.ai/news/our-contribution-to-a-global-environmental-standard-for-ai

CHAUVIRÉ, Hélène, DARWAZA, Mujahed, PAULMIER, Benjamin, VASSELIN, Zénon, MISTRAL IA et ADEME, [sans date]. Nouveau jalon dans la transparence environnementale de l’IA générative | Carbone 4. [en ligne]. Disponible à l’adresse : https://carbone4.com/fr/ia-generative-mission-mistral-ai

Aujourd’hui, lorsque l’on cherche à se renseigner sur les différents impacts environnementaux des IA et IAg, on se retrouve très vite face à un mur.

Les entreprises sont extrêmement sélectives sur les informations qu’elles dévoilent et en fournissent peu voire pas au sujet de la consommation de leurs IAg et lorsqu’elles le font tout de même, ce sont souvent les résultats d’une étude interne avec une méthodologie non vérifiée.

On est confronté à un terrible manque de transparence sur cet aspect de la part de l’ensemble des acteurs de l’industrie.

22 et 24 juillet 2025, Mistral IA puis Carbone 4 publient une nouvelle étude sur l’impact environnemental des IAg qui pourrait marquer un tournant : la première ACV d’un grand LLM, Mistral Large 2.

Mistral Large 2 est la nouvelle IA de Mistral IA qui était en service depuis 18 mois en juillet 2025. L’entreprise, en collaboration avec Carbone 4 et l’ADEME, a tenté d’en réaliser une analyse de cycle de vie (ACV) complète en se conformant à une méthodologie rigoureuse répondant aux standards internationaux.

Un pas vers une nouvelle transparence au sein de l’industrie ?

Trois indicateurs pour comprendre et gérer l’impact environnemental d’un LLM :

• L’impact absolu de l’entrainement du modèle ;

• L’impact marginal d’une inférence ;

• Le ratio du total des inférences sur les impacts totaux du cycle de vie.

Résultats sur l’étude de l’impact absolu de l’entrainement de Mistral Large 2 à partir de Janvier 2025 et après 18 mois d’usage :

• 20,4 ktCO₂éq, 

• 281 000 m3 d’eau consommée, 

• et 660 kg Sb éq (unité standard pour l’épuisement des ressources). 

Résultats sur l’étude de l’impact marginal d’une inférence et plus précisément l’utilisation de l’assistant Le Chat pour une réponse de 400 tokens et en excluant le terminal de l’utilisateur :

• 1.14 gCO₂éq, 

• 45 mL of water, 

• et 0.16 mg of Sb éq. 

Cette étude marque une première étape vers la transparence des entreprises du domaine de l’IA mais elle montre aussi les limites encore existantes et l’insuffisance d’une seule d’elles.

La taille de l’IAg impact grandement la quantité des ressources dont elle a besoin pour fonctionner et donc son poids environnemental (il est donc souligné qu’il est important de choisir une IA de taille cohérente au service demandé).

L’absence de données sur l’impact de nombreux éléments essentiels aux IAg oblige à faire des estimations (exemple : les GPU de NVIDIA) et peut donc entraîner à une sous-estimation des chiffres.

La non-existence de standard de responsabilité environnementale pour les LLM complique la tâche de faire des calculs précis.

Par la publication de cette étude, Mistral IA montre qu’une autre voie plus ouverte et plus exigeante est possible et invite les autres acteurs de la chaîne de valeur à faire de même pour renforcer la transparence et la comparabilité du secteur.

Elle encourage une sobriété d’usage de la part de l’utilisateur et amène vers l’émergence d’une vision systémique des impacts du secteur.