srcset=”https://b2b-contenthub.com/wp-content/uploads/2025/07/shutterstock_2420032153_16.jpg?quality=50&strip=all 5056w, https://b2b-contenthub.com/wp-content/uploads/2025/07/shutterstock_2420032153_16.jpg?resize=300%2C168&quality=50&strip=all 300w, https://b2b-contenthub.com/wp-content/uploads/2025/07/shutterstock_2420032153_16.jpg?resize=768%2C432&quality=50&strip=all 768w, https://b2b-contenthub.com/wp-content/uploads/2025/07/shutterstock_2420032153_16.jpg?resize=1024%2C576&quality=50&strip=all 1024w, https://b2b-contenthub.com/wp-content/uploads/2025/07/shutterstock_2420032153_16.jpg?resize=1536%2C864&quality=50&strip=all 1536w, https://b2b-contenthub.com/wp-content/uploads/2025/07/shutterstock_2420032153_16.jpg?resize=2048%2C1152&quality=50&strip=all 2048w, https://b2b-contenthub.com/wp-content/uploads/2025/07/shutterstock_2420032153_16.jpg?resize=1240%2C697&quality=50&strip=all 1240w, https://b2b-contenthub.com/wp-content/uploads/2025/07/shutterstock_2420032153_16.jpg?resize=150%2C84&quality=50&strip=all 150w, https://b2b-contenthub.com/wp-content/uploads/2025/07/shutterstock_2420032153_16.jpg?resize=854%2C480&quality=50&strip=all 854w, https://b2b-contenthub.com/wp-content/uploads/2025/07/shutterstock_2420032153_16.jpg?resize=640%2C360&quality=50&strip=all 640w, https://b2b-contenthub.com/wp-content/uploads/2025/07/shutterstock_2420032153_16.jpg?resize=444%2C250&quality=50&strip=all 444w” width=”1024″ height=”576″ sizes=”(max-width: 1024px) 100vw, 1024px”>Einen Umweltengel wird Künstliche Intelligenz wohl nie bekommen. Mit mehr Transparenz lässt sich jedoch die Ökobilanz von LLMs verbessern. Sansoen Saengsakaorat – shutterstock.com Mit dem Wettlauf der großen Sprachmodelle und den überall aufkeimenden KI-Agenten gerät ein wichtiger Aspekt der KI-Nutzung zunehmend aus dem Blick: die enormen Auswirkungen der Technologie auf die Umwelt. Das französische KI-Startup Mistral AI hat nun anhand von Mistral Large 2 aufgeschlüsselt, welche ökologischen Kosten über den Lebenszyklus eines LLMs anfallen. Das kostet KI die Umwelt Das große Sprachmodell zu trainieren und im Anschluss 18 Monate zu nutzen verbrauchte demnach: 20,4 Kilotonnen CO₂-Äquivalente, 281.000 Kubikmeter Wasser und 660 Kilogramm Antimon-Äquivalente (Maßeinheit für seltene Erden und Mineralien). Bei der Nutzung des darauf basierenden KI-Assistenten Le Chat für eine Antwort mit 400 Token sieht die Rechnung von Mistral AI nicht viel besser aus. Ohne Einbeziehung der Endgeräte der Nutzer fallen an: 1,14 Gramm CO₂-Äquivalente, 45 Milliliter Wasser und 0,16 Milligramm Antimon-Äquivalente. Training und Inferenz haben den stärksten Einfluss auf die ÖkobilanzMistral AI Noch bedeutender ist die Erkenntnis, dass die Betriebsphasen den größten Umwelteinfluss haben. So verursachen Training und Inferenz 85 Prozent des Wasserverbrauchs – deutlich mehr als die Umweltauswirkungen durch die Herstellung der Hardware oder den Bau von Rechenzentren. Dies deutet darauf hin, dass sich die ökologischen Kosten mit zunehmender Nutzung kontinuierlich aufsummieren. Von dieser Erkenntnis leiten die Forscher von Mistral konkrete Strategien ab, um die Umweltauswirkungen der KI-Nutzung zu reduzieren. So hat etwa der geografische Standort einen erheblichen Einfluss auf den CO₂-Fußabdruck: Modelle, die in Regionen mit erneuerbarer Energie und kühlerem Klima trainiert werden, verursachen deutlich geringere Emissionen. Kleine Modelle schonen die Umwelt Die Studie zeigt zudem eine klare Korrelation zwischen Modellgröße und Umweltkosten: Größere Modelle erzeugen Umweltauswirkungen, die etwa eine Größenordnung höher liegen (bei gleicher Anzahl generierter Token). In der Konsequenz könnten Unternehmen ihre Umweltbilanz verbessern, indem sie gezielt kleinere, zweckoptimierte Modelle für spezifische Anwendungsfälle einsetzten – anstatt pauschal auf große, universelle Systeme zurückzugreifen. Außerdem könnten die Nutzer Anfragen bündeln, um den Rechenaufwand zu reduzieren und so die Effizienz zu steigern, erklärt Mistral. Basierend auf den Studienergebnissen sehen die Franzosen drei Indikatoren, um die ökologischen Auswirkungen von LLMs vollständig darzustellen – und zu steuern: die absoluten Auswirkungen des Modelltrainings, die marginalen Auswirkungen der Inferenz (Nutzung), sowie das Verhältnis der gesamten Inferenz-Auswirkungen zu den gesamten Lebenszyklusauswirkungen. Die ersten beiden Indikatoren könnten laut Mistral AI als Pflichtangaben vorgeschrieben werden, um die Öffentlichkeit über die Auswirkungen zu informieren, während Indikator drei optional bleiben könne. Schließlich sei er von entscheidender Bedeutung, um ein vollständiges Bild der Auswirkungen des Lebenszyklus zu erhalten und sicherzustellen, dass die Trainingsphasen der Modelle sich amortisieren und nicht verschwendet werden. „Auch wenn in letzter Zeit einige Initiativen wie die Coalition for Sustainable AI gestartet wurden, bleibt noch viel zu tun“, erklärt Mistral AI. Ohne mehr Transparenz werde es für öffentliche Institutionen, Unternehmen und selbst für Nutzer unmöglich sein, Modelle zu vergleichen, fundierte Kaufentscheidungen zu treffen, den außerfinanziellen Berichtspflichten von Unternehmen gerecht zu werden oder die mit dem Einsatz von KI verbundenen Umweltauswirkungen zu reduzieren.
Mistral beziffert die Umweltkosten seiner KI
srcset="https://b2b-contenthub.com/wp-content/uploads/2025/07/shutterstock_2420032153_16.jpg?quality=50&strip=all 5056w, https://b2b-contenthub.com/wp-content/uploads/2025/07/shutterstock_2420032153_16.jpg?resize=300%2C168&quality=50&strip=all 300w, https://b2b-contenthub.com/wp-content/uploads/2025/07/shutterstock_2420032153_16.jpg?resize=768%2C432&quality=50&strip=all 768w, https://b2b-contenthub.com/wp-content/uploads/2025/07/shutterstock_2420032153_16.jpg?resize=1024%2C576&quality=50&strip=all 1024w, https://b2b-contenthub.com/wp-content/uploads/2025/07/shutterstock_2420032153_16.jpg?resize=1536%2C864&quality=50&strip=all 1536w, https://b2b-contenthub.com/wp-content/uploads/2025/07/shutterstock_2420032153_16.jpg?resize=2048%2C1152&quality=50&strip=all 2048w, https://b2b-contenthub.com/wp-content/uploads/2025/07/shutterstock_2420032153_16.jpg?resize=1240%2C697&quality=50&strip=all 1240w, https://b2b-contenthub.com/wp-content/uploads/2025/07/shutterstock_2420032153_16.jpg?resize=150%2C84&quality=50&strip=all 150w, https://b2b-contenthub.com/wp-content/uploads/2025/07/shutterstock_2420032153_16.jpg?resize=854%2C480&quality=50&strip=all 854w, https://b2b-contenthub.com/wp-content/uploads/2025/07/shutterstock_2420032153_16.jpg?resize=640%2C360&quality=50&strip=all 640w, https://b2b-contenthub.com/wp-content/uploads/2025/07/shutterstock_2420032153_16.jpg?resize=444%2C250&quality=50&strip=all 444w" width="1024" height="576" sizes="(max-width: 1024px) 100vw, 1024px">Einen Umweltengel wird Künstliche Intelligenz wohl nie bekommen. Mit mehr Transparenz lässt sich jedoch die Ökobilanz von LLMs verbessern. Sansoen Saengsakaorat – shutterstock.com Mit dem Wettlauf der großen Sprachmodelle und den überall aufkeimenden KI-Agenten gerät ein wichtiger Aspekt der KI-Nutzung zunehmend aus dem Blick: die enormen Auswirkungen der Technologie auf die Umwelt. Das französische KI-Startup Mistral AI hat nun anhand von Mistral Large 2 aufgeschlüsselt, welche ökologischen Kosten über den Lebenszyklus eines LLMs anfallen. Das kostet KI die Umwelt Das große Sprachmodell zu trainieren und im Anschluss 18 Monate zu nutzen verbrauchte demnach: 20,4 Kilotonnen CO₂-Äquivalente, 281.000 Kubikmeter Wasser und 660 Kilogramm Antimon-Äquivalente (Maßeinheit für seltene Erden und Mineralien). Bei der Nutzung des darauf basierenden KI-Assistenten Le Chat für eine Antwort mit 400 Token sieht die Rechnung von Mistral AI nicht viel besser aus. Ohne Einbeziehung der Endgeräte der Nutzer fallen an: 1,14 Gramm CO₂-Äquivalente, 45 Milliliter Wasser und 0,16 Milligramm Antimon-Äquivalente. Training und Inferenz haben den stärksten Einfluss auf die ÖkobilanzMistral AI Noch bedeutender ist die Erkenntnis, dass die Betriebsphasen den größten Umwelteinfluss haben. So verursachen Training und Inferenz 85 Prozent des Wasserverbrauchs – deutlich mehr als die Umweltauswirkungen durch die Herstellung der Hardware oder den Bau von Rechenzentren. Dies deutet darauf hin, dass sich die ökologischen Kosten mit zunehmender Nutzung kontinuierlich aufsummieren. Von dieser Erkenntnis leiten die Forscher von Mistral konkrete Strategien ab, um die Umweltauswirkungen der KI-Nutzung zu reduzieren. So hat etwa der geografische Standort einen erheblichen Einfluss auf den CO₂-Fußabdruck: Modelle, die in Regionen mit erneuerbarer Energie und kühlerem Klima trainiert werden, verursachen deutlich geringere Emissionen. Kleine Modelle schonen die Umwelt Die Studie zeigt zudem eine klare Korrelation zwischen Modellgröße und Umweltkosten: Größere Modelle erzeugen Umweltauswirkungen, die etwa eine Größenordnung höher liegen (bei gleicher Anzahl generierter Token). In der Konsequenz könnten Unternehmen ihre Umweltbilanz verbessern, indem sie gezielt kleinere, zweckoptimierte Modelle für spezifische Anwendungsfälle einsetzten – anstatt pauschal auf große, universelle Systeme zurückzugreifen. Außerdem könnten die Nutzer Anfragen bündeln, um den Rechenaufwand zu reduzieren und so die Effizienz zu steigern, erklärt Mistral. Basierend auf den Studienergebnissen sehen die Franzosen drei Indikatoren, um die ökologischen Auswirkungen von LLMs vollständig darzustellen – und zu steuern: die absoluten Auswirkungen des Modelltrainings, die marginalen Auswirkungen der Inferenz (Nutzung), sowie das Verhältnis der gesamten Inferenz-Auswirkungen zu den gesamten Lebenszyklusauswirkungen. Die ersten beiden Indikatoren könnten laut Mistral AI als Pflichtangaben vorgeschrieben werden, um die Öffentlichkeit über die Auswirkungen zu informieren, während Indikator drei optional bleiben könne. Schließlich sei er von entscheidender Bedeutung, um ein vollständiges Bild der Auswirkungen des Lebenszyklus zu erhalten und sicherzustellen, dass die Trainingsphasen der Modelle sich amortisieren und nicht verschwendet werden. „Auch wenn in letzter Zeit einige Initiativen wie die Coalition for Sustainable AI gestartet wurden, bleibt noch viel zu tun“, erklärt Mistral AI. Ohne mehr Transparenz werde es für öffentliche Institutionen, Unternehmen und selbst für Nutzer unmöglich sein, Modelle zu vergleichen, fundierte Kaufentscheidungen zu treffen, den außerfinanziellen Berichtspflichten von Unternehmen gerecht zu werden oder die mit dem Einsatz von KI verbundenen Umweltauswirkungen zu reduzieren.
Mistral beziffert die Umweltkosten seiner KI srcset="https://b2b-contenthub.com/wp-content/uploads/2025/07/shutterstock_2420032153_16.jpg?quality=50&strip=all 5056w, https://b2b-contenthub.com/wp-content/uploads/2025/07/shutterstock_2420032153_16.jpg?resize=300%2C168&quality=50&strip=all 300w, https://b2b-contenthub.com/wp-content/uploads/2025/07/shutterstock_2420032153_16.jpg?resize=768%2C432&quality=50&strip=all 768w, https://b2b-contenthub.com/wp-content/uploads/2025/07/shutterstock_2420032153_16.jpg?resize=1024%2C576&quality=50&strip=all 1024w, https://b2b-contenthub.com/wp-content/uploads/2025/07/shutterstock_2420032153_16.jpg?resize=1536%2C864&quality=50&strip=all 1536w, https://b2b-contenthub.com/wp-content/uploads/2025/07/shutterstock_2420032153_16.jpg?resize=2048%2C1152&quality=50&strip=all 2048w, https://b2b-contenthub.com/wp-content/uploads/2025/07/shutterstock_2420032153_16.jpg?resize=1240%2C697&quality=50&strip=all 1240w, https://b2b-contenthub.com/wp-content/uploads/2025/07/shutterstock_2420032153_16.jpg?resize=150%2C84&quality=50&strip=all 150w, https://b2b-contenthub.com/wp-content/uploads/2025/07/shutterstock_2420032153_16.jpg?resize=854%2C480&quality=50&strip=all 854w, https://b2b-contenthub.com/wp-content/uploads/2025/07/shutterstock_2420032153_16.jpg?resize=640%2C360&quality=50&strip=all 640w, https://b2b-contenthub.com/wp-content/uploads/2025/07/shutterstock_2420032153_16.jpg?resize=444%2C250&quality=50&strip=all 444w" width="1024" height="576" sizes="(max-width: 1024px) 100vw, 1024px">Einen Umweltengel wird Künstliche Intelligenz wohl nie bekommen. Mit mehr Transparenz lässt sich jedoch die Ökobilanz von LLMs verbessern. Sansoen Saengsakaorat – shutterstock.com Mit dem Wettlauf der großen Sprachmodelle und den überall aufkeimenden KI-Agenten gerät ein wichtiger Aspekt der KI-Nutzung zunehmend aus dem Blick: die enormen Auswirkungen der Technologie auf die Umwelt. Das französische KI-Startup Mistral AI hat nun anhand von Mistral Large 2 aufgeschlüsselt, welche ökologischen Kosten über den Lebenszyklus eines LLMs anfallen. Das kostet KI die Umwelt Das große Sprachmodell zu trainieren und im Anschluss 18 Monate zu nutzen verbrauchte demnach: 20,4 Kilotonnen CO₂-Äquivalente, 281.000 Kubikmeter Wasser und 660 Kilogramm Antimon-Äquivalente (Maßeinheit für seltene Erden und Mineralien). Bei der Nutzung des darauf basierenden KI-Assistenten Le Chat für eine Antwort mit 400 Token sieht die Rechnung von Mistral AI nicht viel besser aus. Ohne Einbeziehung der Endgeräte der Nutzer fallen an: 1,14 Gramm CO₂-Äquivalente, 45 Milliliter Wasser und 0,16 Milligramm Antimon-Äquivalente. Training und Inferenz haben den stärksten Einfluss auf die ÖkobilanzMistral AI Noch bedeutender ist die Erkenntnis, dass die Betriebsphasen den größten Umwelteinfluss haben. So verursachen Training und Inferenz 85 Prozent des Wasserverbrauchs – deutlich mehr als die Umweltauswirkungen durch die Herstellung der Hardware oder den Bau von Rechenzentren. Dies deutet darauf hin, dass sich die ökologischen Kosten mit zunehmender Nutzung kontinuierlich aufsummieren. Von dieser Erkenntnis leiten die Forscher von Mistral konkrete Strategien ab, um die Umweltauswirkungen der KI-Nutzung zu reduzieren. So hat etwa der geografische Standort einen erheblichen Einfluss auf den CO₂-Fußabdruck: Modelle, die in Regionen mit erneuerbarer Energie und kühlerem Klima trainiert werden, verursachen deutlich geringere Emissionen. Kleine Modelle schonen die Umwelt Die Studie zeigt zudem eine klare Korrelation zwischen Modellgröße und Umweltkosten: Größere Modelle erzeugen Umweltauswirkungen, die etwa eine Größenordnung höher liegen (bei gleicher Anzahl generierter Token). In der Konsequenz könnten Unternehmen ihre Umweltbilanz verbessern, indem sie gezielt kleinere, zweckoptimierte Modelle für spezifische Anwendungsfälle einsetzten – anstatt pauschal auf große, universelle Systeme zurückzugreifen. Außerdem könnten die Nutzer Anfragen bündeln, um den Rechenaufwand zu reduzieren und so die Effizienz zu steigern, erklärt Mistral. Basierend auf den Studienergebnissen sehen die Franzosen drei Indikatoren, um die ökologischen Auswirkungen von LLMs vollständig darzustellen – und zu steuern: die absoluten Auswirkungen des Modelltrainings, die marginalen Auswirkungen der Inferenz (Nutzung), sowie das Verhältnis der gesamten Inferenz-Auswirkungen zu den gesamten Lebenszyklusauswirkungen. Die ersten beiden Indikatoren könnten laut Mistral AI als Pflichtangaben vorgeschrieben werden, um die Öffentlichkeit über die Auswirkungen zu informieren, während Indikator drei optional bleiben könne. Schließlich sei er von entscheidender Bedeutung, um ein vollständiges Bild der Auswirkungen des Lebenszyklus zu erhalten und sicherzustellen, dass die Trainingsphasen der Modelle sich amortisieren und nicht verschwendet werden. „Auch wenn in letzter Zeit einige Initiativen wie die Coalition for Sustainable AI gestartet wurden, bleibt noch viel zu tun“, erklärt Mistral AI. Ohne mehr Transparenz werde es für öffentliche Institutionen, Unternehmen und selbst für Nutzer unmöglich sein, Modelle zu vergleichen, fundierte Kaufentscheidungen zu treffen, den außerfinanziellen Berichtspflichten von Unternehmen gerecht zu werden oder die mit dem Einsatz von KI verbundenen Umweltauswirkungen zu reduzieren.