In Mistral AI, la nostra missione è portare l’intelligenza artificiale nelle mani di tutti. A questo scopo, abbiamo sempre sostenuto l’apertura nell’IA, con un’attenzione particolare a dare potere alle organizzazioni che vogliono essere padrone del proprio futuro nell’IA.
Oggi, mentre l’IA si integra sempre più in ogni livello della nostra economia, è fondamentale che sviluppatori, decisori politici, imprese, governi e cittadinanza comprendano meglio l’impronta ambientale di questa tecnologia trasformativa. In Mistral AI, riteniamo di condividere con ogni attore della catena del valore una responsabilità collettiva nell’affrontare e mitigare gli impatti ambientali delle nostre innovazioni.
Sebbene siano state intraprese alcune iniziative recenti, come la Coalition for Sustainable AI, lanciata durante il Paris AI Action Summit nel febbraio 2025, il lavoro da compiere resta significativo. Senza maggiore trasparenza, sarà impossibile per istituzioni pubbliche, imprese e persino utenti confrontare i modelli, prendere decisioni d’acquisto informate, adempiere agli obblighi di rendicontazione non finanziaria delle imprese o ridurre gli impatti associati al loro utilizzo dell’IA.
In questo contesto, abbiamo condotto uno studio completo, il primo nel suo genere, per quantificare gli impatti ambientali dei nostri LLM. Questo report mira a fornire un’analisi chiara dell’impronta ambientale dell’IA, contribuendo a definire un nuovo standard per il nostro settore.
La prima analisi completa del ciclo di vita di un modello di IA
A meno di 18 mesi dalla nostra nascita, abbiamo avviato la prima analisi completa del ciclo di vita (LCA) di un modello di IA, in collaborazione con Carbone 4, società di consulenza leader in CSR e sostenibilità, e con l’agenzia francese per la transizione ecologica (ADEME). Per garantirne la solidità, lo studio è stato inoltre sottoposto a peer review da Resilio e Hubblo, due società di consulenza specializzate in audit ambientali nel settore digitale.
Oltre a rispettare gli standard più rigorosi*, l’obiettivo di questa analisi era quantificare gli impatti ambientali dello sviluppo e dell’utilizzo degli LLM in tre categorie di impatto: emissioni di gas serra (GHG), uso dell’acqua ed esaurimento delle risorse**. Oggi rendiamo pubbliche due metriche importanti per il nostro settore nel lungo periodo:
l’impronta ambientale dell’addestramento di Mistral Large 2: a gennaio 2025, e dopo 18 mesi di utilizzo, Large 2 ha generato i seguenti impatti:
20,4 ktCO₂e,
281 000 m³ di acqua consumata,
e 660 kg Sb eq (unità standard per l’esaurimento delle risorse).
gli impatti marginali dell’inferenza, più precisamente l’utilizzo del nostro assistente IA Le Chat per una risposta di 400 token, esclusi i terminali degli utenti:
1,14 gCO₂e,
45 mL di acqua,
e 0,16 mg di Sb eq.
Questi dati riflettono la portata del calcolo coinvolto nell’IA generativa, che richiede numerose GPU, spesso in regioni con elettricità ad alta intensità di carbonio e talvolta soggette a stress idrico. Includono inoltre le “emissioni a monte”, ossia gli impatti derivanti, ad esempio, dalla produzione dei server, e non solo dall’uso di energia.
Apprendimenti e limiti di questo studio
Alla luce dei risultati del nostro studio, siamo convinti che i tre indicatori seguenti siano di grande importanza per utenti, sviluppatori di IA e decisori politici, affinché possano comprendere e gestire pienamente gli impatti ambientali degli LLM:
gli impatti assoluti dell’addestramento di un modello,
gli impatti marginali dell’inferenza,
e il rapporto tra inferenza totale e impatti totali del ciclo di vita.
Gli indicatori 1 e 2 potrebbero essere dati obbligatori da rendicontare per informare il pubblico sugli impatti, mentre l’indicatore 3 può fungere da indicatore interno con divulgazione facoltativa. Quest’ultimo è essenziale per avere una visione completa degli impatti del ciclo di vita e per garantire che le fasi di addestramento dei modelli siano ammortizzate, e non sprecate.
Il nostro studio mostra inoltre una forte correlazione tra le dimensioni di un modello e la sua impronta. I benchmark hanno evidenziato che gli impatti sono approssimativamente proporzionali alle dimensioni del modello: un modello 10 volte più grande genererà impatti di un ordine di grandezza superiore rispetto a un modello più piccolo per la stessa quantità di token generati. Ciò evidenzia l’importanza di scegliere il modello giusto per il caso d’uso corretto.
Vale la pena sottolineare che questo studio è una prima approssimazione, data la difficoltà di effettuare calcoli precisi in un esercizio di questo tipo in assenza di standard per la rendicontazione ambientale degli LLM e di fattori di impatto disponibili pubblicamente. Ad esempio, manca ancora un inventario affidabile del ciclo di vita delle GPU, poiché i loro impatti incorporati hanno dovuto essere stimati, pur rappresentando una quota significativa degli impatti totali.
Per conformarsi al GHG Protocol Product Standard, i futuri audit condotti nel settore potranno seguire i principi di questo studio: utilizzare un approccio location-based per le emissioni elettriche e includere tutti gli impatti significativi a monte, ossia non solo quelli derivanti dall’uso di elettricità da parte delle GPU, ma anche tutti gli altri consumi elettrici (CPU, dispositivi di raffreddamento, ecc.) e la produzione dell’hardware.
Un percorso verso uno standard ambientale globale per l’IA
Questi risultati indicano due leve per ridurre l’impatto ambientale degli LLM.
In primo luogo, per migliorare trasparenza e comparabilità, le aziende di IA dovrebbero pubblicare gli impatti ambientali dei propri modelli utilizzando framework standardizzati e riconosciuti a livello internazionale. Ove necessario, si potrebbero sviluppare standard specifici per il settore dell’IA, così da garantire coerenza. Questo potrebbe consentire la creazione di un sistema di scoring, aiutando buyer e utenti a identificare i modelli a minore intensità di carbonio, acqua e materiali.
In secondo luogo, dal lato degli utenti, incoraggiare la ricerca e l’adozione di pratiche di efficienza può fare una differenza significativa:
sviluppare l’alfabetizzazione all’IA per aiutare le persone a usare l’IA generativa nel modo più ottimale,
scegliere la dimensione del modello più adatta alle esigenze degli utenti,
raggruppare le query per limitare il calcolo non necessario,
Per le istituzioni pubbliche in particolare, integrare dimensione ed efficienza dei modelli nei criteri di procurement potrebbe inviare un segnale forte al mercato.
Conclusione
Guardando al futuro, ci impegniamo ad aggiornare i nostri report sull’impatto ambientale e a partecipare alle discussioni sullo sviluppo di standard internazionali di settore. Sosterremo una maggiore trasparenza lungo l’intera catena del valore dell’IA e lavoreremo per aiutare chi adotta l’IA a prendere decisioni informate sulle soluzioni più adatte alle proprie esigenze. I risultati saranno successivamente disponibili tramite il database Base Empreinte di ADEME, definendo un nuovo standard come riferimento futuro per la trasparenza nel settore dell’IA.
Incoraggiando pratiche di sufficienza ed efficienza e pubblicando report standardizzati sull’impatto ambientale, possiamo lavorare collettivamente per allineare il settore dell’IA agli obiettivi climatici globali. Questo studio rappresenta un contributo umile verso un futuro dell’IA più accessibile e sostenibile.
—
* Questo studio è stato condotto seguendo la metodologia Frugal AI sviluppata da AFNOR ed è conforme agli standard internazionali, tra cui il Green House Gas (GHG) Protocol Product Standard e ISO 14040/44.
** Gli impatti ambientali sono stati valutati utilizzando indicatori standard comuni nelle analisi del ciclo di vita (LCA): emissioni di gas serra misurate tramite il Global Warming Potential a 100 anni (GWP100), consumo di acqua misurato tramite il Water Consumption Potential (WCP) e consumo di materiali misurato tramite l’Abiotic Resource Depletion (ADP).
L’ADP quantifica l’esaurimento delle risorse non rinnovabili (come metalli e minerali) considerando sia i tassi di estrazione attuali sia le riserve stimate di ciascun materiale. Questi valori sono standardizzati rispetto all’ADP dell’antimonio, fornendo un’unità uniforme poiché l’antimonio è una risorsa scarsa.
Ad esempio, l’estrazione di 1 kg di oro corrisponde a un ADP di 2,35 kg Sb eq, mentre l’estrazione di 1 kg di rame corrisponde a 0,000000161 kg Sb eq.