En un contexto en el que la inteligencia artificial se integra cada vez más en todos los sectores de la economía, Mistral AI ha dado un paso sin precedentes: la publicación del primer análisis de ciclo de vida completo (LCA, por sus siglas en inglés) de un modelo de lenguaje. El objetivo es claro: establecer una referencia común para medir y mitigar la huella ambiental de esta tecnología emergente.
Un estudio pionero con el respaldo de expertos
El análisis se ha realizado en colaboración con Carbone 4, consultora especializada en sostenibilidad, la Agencia Francesa de Transición Ecológica (ADEME), y ha sido revisado por las firmas Resilio y Hubblo. La metodología sigue los estándares internacionales como el Green House Gas Protocol Product Standard y las normas ISO 14040/44, integrando la aproximación “Frugal AI” desarrollada por AFNOR.
Los datos: entrenar IA deja huella
Según los resultados, el entrenamiento del modelo Mistral Large 2 durante 18 meses generó:
- 20,4 kilotoneladas de CO₂ equivalente
- 281.000 m³ de agua consumida
- 660 kg de equivalentes de antimonio (unidad estándar para el agotamiento de recursos)
Además, la huella ambiental de generar una respuesta de 400 tokens con su asistente Le Chat es de:
- 1,14 gramos de CO₂e
- 45 mililitros de agua
- 0,16 miligramos de Sb eq
Estos datos incluyen no solo el uso energético durante el entrenamiento, sino también las emisiones aguas arriba como la fabricación de servidores y el consumo de dispositivos auxiliares.
Transparencia y estándares comunes: una urgencia global
Para Mistral AI, la publicación de estos datos busca sentar las bases de un futuro estándar ambiental para la IA. La compañía propone tres indicadores clave para evaluar de forma completa el impacto de los modelos:
- Impacto absoluto del entrenamiento
- Impacto marginal de la inferencia
- Relación entre el total de inferencias y el impacto global del ciclo de vida
Según los autores del estudio, los dos primeros deberían ser obligatorios para las empresas, mientras que el tercero podría mantenerse como indicador interno de eficiencia.
Elegir el modelo adecuado importa
Uno de los hallazgos más relevantes es la fuerte correlación entre el tamaño del modelo y su impacto ambiental. A mayor tamaño, mayores son las emisiones, el consumo de agua y la demanda de recursos. Esto subraya la importancia de seleccionar el modelo óptimo para cada caso de uso, evitando un derroche innecesario de recursos computacionales.
Limitaciones actuales y próximos pasos
A pesar del rigor del estudio, Mistral AI advierte de que se trata de una primera aproximación. La falta de factores de impacto públicos y de inventarios de ciclo de vida fiables para componentes como las GPU dificulta la precisión total. No obstante, se espera que futuros análisis sigan esta misma metodología, basada en la localización para el cálculo de emisiones eléctricas y en la inclusión de impactos indirectos.
Un futuro sostenible para la inteligencia artificial
Mistral AI propone dos líneas de actuación para reducir la huella ambiental de los modelos LLM:
- Establecer marcos comunes y puntuaciones estandarizadas para que empresas y gobiernos puedan comparar modelos y tomar decisiones responsables.
- Promover prácticas de eficiencia entre los usuarios: elegir el modelo adecuado, agrupar consultas, fomentar la alfabetización digital y aplicar criterios de sostenibilidad en las licitaciones públicas.
Compromiso a largo plazo
La compañía se compromete a actualizar periódicamente sus informes de impacto ambiental y a seguir participando en la construcción de estándares internacionales. Próximamente, los datos estarán disponibles en la base de datos Base Empreinte de ADEME. “Este estudio es una humilde contribución hacia un futuro más accesible y sostenible para la IA”, concluyen.
La imagen de representación de este artículo pertenece a israel palacio y ha sido publicada en Unsplash
