Notre contribution pour la création d'un standard environnemental mondial pour l'IA

Chez Mistral AI, notre mission consiste à rendre l'intelligence artificielle (IA) accessible à tous. Pour cette raison, nous avons toujours défendu une approche ouverte de l’IA, et œuvré pour que les organisations puissent s’approprier facilement cette technologie.

A mesure que l'IA se déploie au sein de notre économie, il est crucial pour les développeurs, les décideurs publics, les entreprises, les gouvernements et les citoyens de mieux comprendre son empreinte environnementale. Nous estimons même que l’ensemble des acteurs de notre industrie portent une part de responsabilité, dans l’anticipation et l’atténuation des impacts environnementaux de cette technologie transformatrice.

Même si certaines initiatives ont déjà été prises, comme la Coalition pour l’IA durable lancée lors du Sommet de l'Action pour l'IA à Paris en février 2025, le travail à accomplir reste important. Sans davantage de transparence, il sera impossible pour les institutions publiques, les entreprises, et même les utilisateurs de comparer les modèles, de prendre des décisions d’achat éclairées, de répondre aux obligations extra-financières des entreprises ou de réduire les impacts liés à l’usage de l’IA.

C’est dans ce contexte que nous avons mené une étude inédite afin de quantifier les impacts environnementaux de nos grands modèles de langage (LLM). Notre ambition : fournir une analyse claire de l’empreinte environnementale de l’IA et contribuer à établir un nouveau standard pour notre industrie.

La première analyse complète du cycle de vie d’un modèle d'IA

Moins de 18 mois après notre création, nous avons lancé la première analyse complète du cycle de vie (ACV) d’un modèle d’IA, en collaboration avec Carbone 4 et avec le soutien de l’Agence française de la transition écologique (ADEME). Pour garantir la robustesse de l’étude, celle-ci a également été revue par les cabinets Resilio et Hubblo, deux acteurs spécialisés dans les audits environnementaux du secteur numérique.

En plus de se conformer aux normes les plus rigoureuses*, l'objectif de cette analyse était de quantifier les impacts environnementaux du développement et de l'utilisation des LLM dans trois catégories d'impact : les émissions de gaz à effet de serre (GES), la consommation d'eau et l'épuisement des ressources abiotiques**. Aujourd'hui, nous rendons publiques deux métriques importantes pour notre industrie à long terme :

• l'empreinte environnementale de l'entraînement de Mistral Large 2 : en janvier 2025, et après 18 mois d'utilisation, Large 2 a généré les impacts suivants :

• 20,4 ktCO₂e, 

• 281 000 m3 d'eau consommée, et 

• 660 kg Sb eq (unité standard pour l'épuisement des ressources).
  
  

• les impacts marginaux de l'inférence, plus précisément l'utilisation de notre assistant IA Le Chat pour une réponse de 400 tokens:

• 1,14 gCO₂e, 

• 45 mL d'eau, et 

• 0,16 mg de Sb eq. 

Ces chiffres reflètent l’ampleur de la puissance de calcul nécessaire au développement de l’IA, qui mobilise un grand nombre de processeurs (GPU) souvent situés dans des régions où l’électricité est fortement carbonée et parfois soumises à un stress hydrique. Ils incluent également les émissions amont – c’est-à-dire les impacts liés à la fabrication des serveurs, par exemple – et pas uniquement la consommation d’énergie.

Enseignements et limites de cette étude

Au vu des résultats de notre analyse, nous sommes convaincus que les trois indicateurs suivants sont essentiels pour permettre aux utilisateurs, aux développeurs d’IA et aux décideurs publics de mieux comprendre et appréhender les impacts environnementaux des LLM :

• les impacts absolus liés à l’entraînement d’un modèle,

• les impacts marginaux liés à l’inférence, 

• et le rapport entre l’impact total de l’inférence et l’impact de l’ensemble du cycle de vie.

Si les deux premiers indicateurs pourraient faire l’objet d’une obligation de report à des fins de transparence, le troisième pourrait être rendu public sur la base du volontariat. Il reste un indicateur clé en interne puisqu’il offre une vision complète des impacts du cycle de vie et permet aux fournisseurs de modèles de s'assurer que les phases d'entraînement sont suffisamment amorties.

L’étude met également en lumière la forte corrélation entre la taille d'un modèle et son empreinte. L’impact est globalement proportionnel à la taille du modèle : un modèle dix fois plus grand générera un impact d’un ordre de grandeur supérieur à ceux d’un plus petit modèle, et ce, pour une même quantité de tokens générés. Il est donc important de choisir le bon modèle pour le bon cas d'usage.

Il convient toutefois de noter que cette étude constitue une première approximation puisqu’en l’absence de normes établies pour évaluer l’empreinte environnementale des LLM, il reste difficile d’effectuer des calculs précis. Par exemple, on ne dispose pas à l’heure actuelle d’une étude fiable sur le cycle de vie des GPU.  L’impact de leur fabrication n’est donc qu’estimé à ce stade, alors même que cela représente une part significative de l’impact total.

Pour se conformer au GHG Protocol Product Standard, les futurs audits réalisés dans l'industrie pourraient suivre les principes de cette étude en utilisant une approche basée sur la localisation des émissions liées à la consommation d'électricité et en incluant tous les impacts significatifs en amont - c'est-à-dire, non seulement ceux liés à l'utilisation d'électricité des GPU, mais aussi toutes les autres consommations d'électricité (CPU, dispositifs de refroidissement, etc.) ainsi que la fabrication du matériel.

Vers une norme environnementale mondiale pour l'IA

Ces résultats mettent en exergue deux leviers pour réduire l'impact environnemental des LLM.

Premièrement, pour améliorer la transparence et la comparabilité, les entreprises d'IA devraient publier les impacts environnementaux de leurs modèles en utilisant des cadres standardisés, reconnus au niveau international. Si nécessaire, des normes propres à l'IA pourraient être développées pour garantir la prise en compte des spécificités du secteur. Cela pourrait permettre la création d'un système de notation, facilitant l’identification des modèles les moins intensifs en carbone, en eau et en ressources par les acheteurs et les utilisateurs.

Deuxièmement, du côté des utilisateurs, encourager des pratiques plus efficaces peut faire la différence :

• développer la connaissance de cette technologie afin d’aider les utilisateurs à optimiser leur usage de l'IA, 

• choisir une taille de modèle adaptée aux besoins réels de l’utilisateur, 

• grouper les requêtes pour limiter les calculs superflus, 

• et privilégier des réponses courtes et ciblées. 

Pour les institutions publiques en particulier, intégrer la taille et l'efficacité des modèles dans les critères d’achat pourrait envoyer un signal fort au marché.

Conclusion

Les résultats de notre étude appellent d’autres actions, c’est pourquoi, nous nous engageons à mettre à jour nos rapports sur les impacts environnementaux de nos solutions et à participer aux discussions sur le développement de normes industrielles internationales. Nous plaiderons pour une plus grande transparence dans toute la chaîne de valeur de l'IA et nous accompagnerons les utilisateurs dans leurs choix afin qu’ils puissent adopter les solutions les mieux adaptées à leurs besoins. Les résultats seront prochainement disponibles via la base de données Base Empreinte de l'ADEME, établissant une nouvelle référence en matière de transparence dans le secteur de l'IA.

En encourageant les pratiques de sobriété et d'efficacité et en publiant des rapports standardisés sur les impacts environnementaux, nous pouvons collectivement contribuer à aligner le secteur de l'IA sur les objectifs climatiques mondiaux. Cette étude constitue une première contribution en faveur - d’une IA plus accessible et plus durable.

—

* Cette étude a été réalisée selon la méthodologie Frugal AI développée par l’AFNOR et est conforme aux normes internationales, notamment le Green House Gas (GHG) Protocol Product Standard et les normes ISO 14040/44.

** Les impacts environnementaux ont été évalués à l’aide d’indicateurs standards utilisés dans les analyses de cycle de vie (ACV) : les émissions de gaz à effet de serre avec le potentiel de réchauffement global sur 100 ans (GWP100), la consommation d’eau avec le potentiel de consommation d’eau (WCP) et la consommation de matériaux avec l’indicateur d’épuisement des ressources abiotiques (ADP).

L’ADP quantifie l’épuisement des ressources non renouvelables (métaux, minéraux, etc.) en tenant compte des taux d’extraction actuels et des réserves estimées pour chaque matériau. Ces valeurs sont standardisées par rapport à l’ADP de l’antimoine, afin d’obtenir une unité uniforme, l’antimoine étant une ressource rare.

Par exemple, extraire 1 kg d’or correspond à un ADP de 2,35 kg équivalent antimoine, tandis qu’extraire 1 kg de cuivre correspond à 0,000000161 kg équivalent antimoine.