Mistral : état des lieux technique d’un acteur européen de l’IA et retour d’expérience : usage dans un agent N8N

Le MIC
12 sept.
4 min de lecture

Dernière mise à jour : 12 nov.

Au-delà de son image d'acteur européen de l’IA, il est intéressant d’examiner ce que Mistral apporte réellement d’un point de vue technique.

Diversité des modèles

Mistral propose une gamme diversifiée de modèles : génération de texte, de code et d’images. Cette variété permet de couvrir différents cas d’usage !

Mistral développe également des SLM (Small Language Models), conçus pour fonctionner localement avec une consommation limitée en ressources de calcul. Un atout non négligeable d'un point de vue écologique et pour les usages embarqués ou les environnements où la puissance de calcul est restreinte.

Une orientation open source

Une particularité notable est le choix de publier une partie significative des modèles en open source. Cette démarche se distingue de la majorité des acteurs du marché et permet :

une possibilité accrue d’adaptation et d’optimisation par les utilisateurs ;
une transparence renforcée quant au fonctionnement des modèles.

Intégration et API

Pour faciliter l’utilisation de ses modèles, Mistral propose une API. Chaque modèle est pensé pour des usages ciblés, ce qui permet une intégration relativement simple dans des environnements existants.

Positionnement comparatif

Face aux acteurs dominants comme OpenAI ou Gemini, la comparaison se fait principalement sur deux critères : le coût et les performances.

Selon différents benchmarks, Mistral apparaît compétitif en termes de prix et obtient des résultats solides dans de nombreux tests. Toutefois, il reste généralement en retrait sur deux aspects :

La rapidité de réponse ;
Le niveau perçu de « Intelligence » des modèles.

Retour d’expérience : usage dans un agent N8N

Nous avons effectué un test avec Mistral afin d’évaluer ses performances. Pour cela, nous avons tenté de l’inclure dans un système RAG mis en place avec N8N.

Lors de nos tests, nous avons constaté que les modèles de Mistral se montrent efficaces pour des tâches comme la génération de texte ou la création d’embeddings. En revanche, leur utilisation dans un cadre plus complexe soulève certaines limites. Par exemple, lorsque nous avons tenté de les employer comme moteurs d’orchestration capables d’appeler différents outils en fonction des besoins, le modèle avait du mal à suivre précisément les instructions de routage définies dans le prompt. Cela nous a conduits à envisager une reconstruction complète de l’architecture RAG afin de limiter le rôle du modèle à la reformulation des réponses issues des documents, plutôt que de lui confier une fonction d’orchestrateur. Par ailleurs, Mistral ne propose pas encore de modèle de reranking intégré, ce qui constitue un manque pour améliorer la pertinence des résultats dans ce type d’infrastructure.

Mistral AI et l'impact environnemental

La question est sur toutes les lèvres et les réponses fiables difficiles à trouver : « Quel est l’impact écologique réel de l’IA ? » Méconnu, sous-estimé ou surestimé, il est très difficile de mesurer aujourd’hui la consommation liée à la fabrication des méga infrastructures, à l’entraînement des modèles ou à l’impact d’une seule requête.

Pourtant, une entreprise française, Mistral AI, tente de prouver qu’une autre voie est possible. Avec son outil d’IA, Le Chat, elle allie performance, transparence et engagement environnemental. Une approche audacieuse qui tranche avec les pratiques parfois opaques de certains acteurs.

On vous aide à y voir plus clair.

Mistral AI : l’IA française qui mise sur la transparence écologique

En juillet 2025, Mistral AI a publié son rapport détaillé sur le cycle de vie complet de son modèle Mistral Large 2, une première dans le secteur. L’entreprise y révèle que son modèle a généré 20 400 tonnes de CO₂ sur 18 mois (comprenant entraînement et inférence), soit l’équivalent de plus de 11 500 allers-retours Paris-New York en avion.

Du côté des autres acteurs, il est difficile d’avoir des chiffres globaux. Google et OpenAI misent plutôt sur une « transparence » partielle, avec des chiffres par requête :

Google avec Gemini annonce 0,24 Wh, 0,03g de CO₂ et 5 gouttes d’eau par requête (Quelle consommation énergétique pour l’IA de Google ? Nous avons fait le calcul.)
OpenAI avec GPT-4 : 0,34 Wh et 1/15 de cuillère à café d’eau par requête, selon Sam Altman dans son billet de blog
De leur côté, Mistral annonce pour un texte d’une page environ : 1,14g de CO₂, 45 mL d’eau et 0,16 mh de Sb eq (les ressources minérales)

Pourquoi une telle différence ?

Une transparence totale : Mistral comptabilise toutes les étapes du cycle de vie d’une IA : la création des data centers, l’entraînement des modèles et leur usage par les utilisateurs, là où d’autres acteurs se limitent à quelques chiffres liés à la consommation par requête, c’est-à-dire l’usage en production.
Une méthodologie rigoureuse : Mistral s’appuie sur des partenaires reconnus (ADEME, Carbone 4) et inclut tous les impacts (électricité, eau, ressources minérales, …) tentant ainsi d’appeler les différents acteurs à établir un standard collectif de mesure de l’impact de l’IA.
Optimisation des infrastructures : Mistral construit ses data centers en France en tirant parti d’une électricité bas carbone et d’un climat tempéré pour réduire les émissions de gaz à effet de serre et la consommation d’eau.

Conclusion

En misant sur la transparence, Mistral ne se contente pas de publier des chiffres : l’entreprise veut poser les bases d’une norme commune pour mesurer l’impact environnemental des modèles d’intelligence artificielle. En rendant publics les impacts réels de son IA, elle offre aux utilisateurs et aux décideurs une grille de lecture claire pour adapter leurs usages et encourager une consommation raisonnée de l’IA.

Pour Mistral, intégrer l’efficacité énergétique et la taille des modèles dans les critères d’achat pourrait redéfinir les standards du secteur et accélérer l’adoption d’une IA plus sobre.

Mistral propose également une offre techniquement intéressante, notamment grâce à ses modèles diversifiés, ses SLM et à son orientation open source. Ses modèles peuvent être intégrés dans des flux d’automatisation ou des agents IA, mais certaines limites demeurent dans des architectures complexes comme le RAG, où un travail supplémentaire est nécessaire.

Sources :