Mistral IA joue la carte de la transparence écologique.

La start-up Mistral AI publie, en collaboration avec l’Ademe et Carbone 4, une étude sur l’impact environnemental de ses modèles d’IA, et plus particulièrement sur les émissions de CO₂ produites à la fois lors des phases d’entraînement et d’usage de ses modèles. La jeune entreprise française s’engage ainsi, aux côtés de sociétés comme Hugging Face, en faveur d’une plus grande transparence et d’une meilleure comparabilité entre les acteurs du secteur, et plaide pour une IA intégrant de manière croissante les enjeux écologiques dans ses indicateurs de performance. L’étude affirme en effet, selon Mistral AI, que « les entreprises d’IA devraient publier les impacts environnementaux de leurs modèles », sur le modèle d’un « scoring » susceptible d’être intégré comme critère dans les marchés publics.

Selon l’étude, 86 % de l’impact carbone du modèle Mistral Large 2 — le plus lourd des modèles d’IA développés par Mistral — serait lié à la consommation d’électricité nécessaire lors de la phase d’entraînement. Cela correspondrait à 20,4 kilotonnes équivalent CO₂, soit l’équivalent de 3 375 trajets en avion autour de la Terre pour un passager, ou encore de 95 millions de kilomètres parcourus en voiture. Selon Carbone 4, il existerait un facteur 100 entre ce modèle et le plus petit modèle de la start-up, Ministral.

La répartition des émissions de CO₂ entre la « phase d’entraînement » — c’est-à-dire le moment de la construction du modèle à proprement parler — et la « phase d’usage » — correspondant à la période durant laquelle le modèle est effectivement déployé et utilisé — dépend naturellement du nombre d’usagers et de requêtes une fois le modèle en production. En constante augmentation, cette dernière devrait représenter, à terme, une part majoritaire des émissions totales, devant celles générées lors de la phase d’entraînement. En effet, chaque requête et chaque réponse produites par Mistral Large 2 génèrent en moyenne 1,14 gramme de CO₂ et consomment 4,5 centilitres d’eau. Ce niveau d’impact serait comparable au bilan carbone de 55 secondes de vidéo en ligne en France, mais seulement de 8 secondes aux États-Unis.

Si, au moment de leur lancement, les LLM (Large Language Models) étaient moins envisagés comme des moteurs de recherche que comme des générateurs de contenus multimodaux combinant plusieurs modes de communication — textes, images, audio ou vidéo —, la tendance actuelle, notamment depuis le lancement de ChatGPT Search, est à la convergence de ces deux usages vers des outils multifonctions. Ceux-ci intègrent désormais les capacités d’un moteur de réponse apte à traiter presque tout type de question formulée en langage naturel, plutôt que de se limiter à des requêtes par mots-clés. Les moteurs de recherche avaient d’ailleurs amorcé cette convergence avec l’intégration de GPT-4 dans Microsoft Bing, puis avec les annonces faites lors de la conférence Google I/O du 10 mai 2023, autour d’une nouvelle approche de la recherche baptisée Search Generative Experience (SGE). Cette évolution pose des défis importants en matière d’empreinte écologique, plusieurs études indiquant qu’en moyenne une requête formulée via un LLM génère quatre à cinq fois plus de CO₂ qu’une requête classique sur Google.

Ces chiffres dépendent toutefois, comme le souligne à juste titre l’étude, de la localisation des data centers et du mix énergétique propre à chaque pays. En d’autres termes, « une action très concrète consiste à aller vers de l’énergie décarbonée », expliquent les dirigeants de Mistral, qui portent actuellement deux grands projets de data centers en France. Près de 70 % de la production d’électricité française provient en effet du nucléaire, tandis que le reste est majoritairement issu de l’hydroélectricité et des énergies renouvelables, telles que l’éolien et le solaire. La France se distingue ainsi par un mix énergétique particulièrement bas carbone.