Estadísticas de consumo energético de la IA

Un pronóstico reciente predice que la IA utilizará más de la mitad de la electricidad de los centros de datos para 2028.¹A medida que se expanden las cargas de trabajo intensivas en computación, como la IA generativa, también se espera que aumente la demanda total de electricidad.

Hemos recopilado datos de la IEA, el MIT y los principales proveedores de nube para identificar las tendencias de eficiencia en el consumo energético de la IA, las respuestas políticas y las mejores prácticas.

Consumo energético de los centros de datos de IA

Recopilamos datos de múltiples organizaciones de investigación y análisis de la industria centrados en el uso de energía en la IA y los centros de datos para el gráfico anterior. Estas fuentes incluyen agencias energéticas globales, estudios académicos e iniciativas de proveedores de tecnología. Conozca cómo recopilamos los datos.

Recomendaciones para gestionar el consumo energético de la IA

Según investigaciones recientes, el consumo energético de la IA está dominado actualmente por la inference y depende menos de las ejecuciones individuales de model que de la escala, los patrones de implementación y las ineficiencias del sistema. Estas son nuestras recomendaciones para gestionar de forma eficaz el consumo energético de la IA:

Priorizar la eficiencia de inference sobre la eficiencia del entrenamiento

La investigación muestra que más del 80 % de la computación de IA se utiliza ahora para inference.

• Trate la energía por inference (o por token / por salida) como un objetivo principal de optimización.
• Optimice las rutas de inference antes de invertir en mejoras marginales de la eficiencia del entrenamiento.
• Centre los esfuerzos de optimización en endpoints de alta frecuencia, no en casos de uso poco frecuentes o de cola larga.

Mida y publique métricas energéticas por tarea, no afirmaciones a nivel de model

Según la investigación del MIT, el consumo energético por tarea (electricidad) varía entre tareas de texto, imagen y vídeo.

• Instrumente los pipelines para medir la energía por tarea, incluida la sobrecarga no asociada a la GPU (memoria, redes, orquestación).

Evite usar models generativos de propósito general para tareas concretas

Un mayor consumo de energía está estrechamente relacionado con los models generativos, que se utilizan para tareas como la clasificación en lugar de models especializados. MIT Technology Review muestra que los models específicos para tareas son menos intensivos en carbono y energía.

• Utilice models especializados por tarea o destilados para clasificación, ranking, extracción y enrutamiento.
• Reserve los grandes models generativos para tareas que requieran generación abierta.
• Introduzca cascadas de model (de un model pequeño a un model grande, si es necesario).

Reduzca el desperdicio a nivel de sistema en el serving de inference

Los estudios de infraestructura muestran que los servidores representan aproximadamente el 60 % del consumo eléctrico de los centros de datos.

• Aumente la utilización del acelerador mediante:
  • Procesamiento por lotes
  • Almacenamiento en caché
  • Planificación más inteligente
• Elimine las llamadas redundantes en los pipelines y microservicios.
• Implemente un autoescalado consciente de la demanda en lugar del aprovisionamiento para picos.

Trate la eficiencia del hardware y la Power Usage Effectiveness (PUE) como cuestiones de software

• Diseñe models que se ajusten de manera eficiente a las limitaciones de memoria y ancho de banda.
• Maximice la utilización del hardware existente antes de ampliar la capacidad.
• Alinee las decisiones de arquitectura de model con los aceleradores disponibles más eficientes energéticamente.

Tenga en cuenta el uso del agua y el ciclo de vida del hardware en el diseño del sistema

La investigación de UNRIC muestra que se prevé que la demanda mundial de agua relacionada con la IA aumente de forma exponencial.

• Favorezca las implementaciones que reduzcan la intensidad de la refrigeración y el consumo de agua.
• Prolongue la vida útil del hardware mediante la eficiencia de model y la reutilización.
• Evite el reentrenamiento o redespliegue innecesarios que aceleren la rotación del hardware.

Estimación de las emisiones de GEI derivadas del uso de la IA: marco para la medición a nivel corporativo

Un marco de Watershed de 2026 propone tres niveles para estimar las emisiones corporativas de IA, según los datos disponibles:

• Basado en el gasto: Multiplique el gasto en proveedores de IA por un factor de emisiones económicas. Este método puede utilizarse cuando no hay datos de uso disponibles, pero el gasto es un proxy débil del consumo eléctrico real.
• Basado en la actividad: Calcule las emisiones a partir del uso de tokens, la energía consumida por token de entrada y salida, la eficiencia del centro de datos (PUE) y la intensidad de carbono de la electricidad que alimenta el centro de datos.
• Basado en el proveedor: Utilice datos de energía y emisiones específicos de model e infraestructura comunicados directamente por el proveedor de IA. Es el enfoque más preciso, pero exige una mayor transparencia del proveedor.

En el ejemplo de Watershed de una empresa que gasta $100,000 al año en una API de model de frontera, el enfoque basado en el gasto estima 13.4 tCO₂e/año, en comparación con 3.7–5.4 tCO₂e utilizando datos de actividad detallados y 3.2–4.5 tCO₂e utilizando datos del proveedor.

El marco recomienda medir la inference en kgCO₂e por millón de tokens e informar del consumo eléctrico junto con las emisiones. Una estimación completa debe tener en cuenta tanto el uso activo de la GPU como los sistemas host, la capacidad inactiva, la sobrecarga del centro de datos, la fabricación de hardware y el entrenamiento de model.

La principal limitación actual es la disponibilidad de datos: la mayoría de los clientes de IA no disponen de cifras de energía específicas por model y región de sus proveedores, por lo que las estimaciones siguen dependiendo en gran medida de supuestos.²

Previsión de los efectos económicos de la IA

Los participantes en el estudio Forecasting the Economic Effects of IA (2026) proporcionaron estimaciones de variables económicas clave (PIB, consumo de energía, productividad, participación laboral) tanto en condiciones normales como en tres escenarios explícitos de progreso de la IA (lento, moderado, rápido):

• Para 2030, los participantes estiman que el consumo de electricidad de EE. UU. podría representar 2,3 % en un caso de crecimiento más lento, 4,9 % con un crecimiento moderado, y 7,4 % en un escenario de expansión rápida, frente al 1 % aproximadamente en 2024.
• Para 2050, se prevé que estas cuotas aumenten a 5 % (lento), 8,3 % (moderado) y 15 % (rápido).
• Los especialistas en IA y los superpronosticadores anticipan una demanda aún mayor con un crecimiento rápido en 2050, y cada uno estima alrededor del 19,5 %.³

Estudio de MIT Technology Review

MIT Technology Review (2025) divide el consumo energético de la IA en dos fases principales: entrenamiento de model e inference de IA. Sostiene que la inference es ahora el principal impulsor del consumo de energía porque las funciones de IA se están integrando en la vida cotidiana a través de productos y servicios.

También destaca una brecha de transparencia. La mayoría de los grandes proveedores de model de IA “cerrados” no divulgan información suficiente para estimar de forma fiable su consumo total de energía o su huella de carbono.⁴

Electricidad y demanda total:

• Centros de datos de EE. UU.: el 4,4 % de la electricidad total de EE. UU. se destina a los centros de datos.
• IA dentro de los centros de datos de EE. UU.: los servidores específicos para IA utilizaron un estimado de 53-76 teravatios-hora (TWh) en 2024, y las proyecciones sugieren 165-326 TWh para 2028.

Entrenamiento frente a inference:

• Cuota de inference: se estima que el 80 %-90 % de la computación de IA se utiliza para inference.
• Ejemplo de energía de entrenamiento: el entrenamiento de GPT-4 se describe como de unos 50 GWh.

Energía por tarea (consumo eléctrico):

• Texto (Llama 3.1 8B): ~114 julios por respuesta si se tiene en cuenta la sobrecarga no asociada a la GPU.
• Texto (Llama 3.1 405B): ~6.706 julios por respuesta con sobrecarga.
• Imágenes (Stable Diffusion 3 Medium, 1024×1024): ~2.282 julios en total; pasos más altos pueden elevar esta cifra a ~4.402 julios.
• Vídeo (ejemplos de CogVideoX): ~109.000 julios para una salida corta de baja calidad; ~3.4 millones de julios para un vídeo de 5 segundos de mayor calidad.

Infraestructura y emisiones de la red:

• La intensidad de carbono de la electricidad de los centros de datos es un 48 % superior a la media de Estados Unidos.
• Los sistemas de refrigeración de los centros de datos pueden utilizar grandes cantidades de agua, a veces agua potable.

Agencia Internacional de la Energía

La IEA (2025) enmarca las demandas energéticas de la IA desde la óptica de los centros de datos y sus componentes. Ofrece un desglose de dónde se consume la electricidad dentro de un centro de datos y una perspectiva global sobre el crecimiento del consumo eléctrico de los centros de datos.⁵

Consumo eléctrico mundial de los centros de datos:

• Se estiman ~415 TWh en 2024, aproximadamente el 1,5 % del consumo eléctrico mundial.
• Se prevé que alcancen ~945 TWh para 2030, por debajo del 3 % del consumo eléctrico mundial en el escenario base de la IEA.

Consumo eléctrico de los centros de datos por tipo de equipamiento:

• Servidores: alrededor del 60 % de la demanda eléctrica en los centros de datos modernos (varía según el tipo).
• Sistemas de almacenamiento: alrededor del 5 %.
• Equipos de red: hasta el 5 %.
• Sistemas de refrigeración y control ambiental: alrededor del 7 % en centros de datos hiperscale eficientes y más del 30 % en centros de datos empresariales menos eficientes.

Figura 1: Gráfico que muestra los datos de 2024 de la proporción del consumo eléctrico según el tipo de centro de datos y equipamiento.

Google Cloud

Google publicó en 2025 una metodología para medir el impacto ambiental de la inference de IA para los prompts de Gemini, incluida la electricidad, las emisiones de carbono y el consumo de agua. Presenta medianas por prompt y afirma importantes mejoras de eficiencia en un período reciente de 12 meses.⁶

Impactos medianos por prompt (prompt de texto de Gemini Apps):

• 0.24 Wh de energía
• 0.03 gCO₂e de emisiones
• 0.26 mililitros de agua

Afirmaciones de mejora de la eficiencia

• En los últimos 12 meses, Google afirmó que la energía por prompt mediana se redujo en 33×, y la huella de carbono total se redujo en 44×.

Eficiencia e infraestructura de los centros de datos

• La Power Usage Effectiveness (PUE) media de toda la flota es de 1.09 para los centros de datos de Google.
• Se afirma que la TPU de última generación de Google, Ironwood, es 30× más eficiente energéticamente que su primera TPU disponible públicamente.

Organización Carbon Brief

Carbon Brief (2025) sintetiza la Agencia Internacional de la Energía (IEA)⁷y otras fuentes en un conjunto de gráficos que muestran los impactos de referencia, las proyecciones de crecimiento y los riesgos de concentración regional. Destaca que el sector es pequeño a nivel mundial en la actualidad, pero crece rápidamente y tiene importancia local en algunas redes.⁸

Cuotas globales actuales

• Los centros de datos son responsables de más del 1 % de la demanda eléctrica mundial y del 0,5 % de las emisiones de CO₂ (véase la Figura 2).

Crecimiento

• Escenario central de la IEA: El consumo eléctrico de los centros de datos se eleva a 945 TWh para 2030.
• Cuota de la IA en el consumo eléctrico de los centros de datos: Aproximadamente del 5 % al 15 %, potencialmente del 35 % al 50 % para 2030.

Ejemplos de concentración regional:

• Irlanda: Alrededor del 21 % de la electricidad nacional se destina a centros de datos, potencialmente el 32 % para 2026.
• Virginia (EE. UU.): el 26 % de la electricidad consumida por los centros de datos (según se cita).

Combinación de fuentes de energía para centros de datos (global)

• Combustibles fósiles: Casi el 60 %
• Renovables: 27 %
• Nuclear: 15 %

Figura 2: Sobre la base del Global Energy Review 2025 de la IEA y su informe Energy and IA, esta figura compara el consumo eléctrico (TWh) y las emisiones de CO₂ (MtCO₂) de los centros de datos mundiales en 2024 con los de otros sectores.

Centro Regional de Información de las Naciones Unidas para Europa Occidental (UNRIC)

UNRIC (2025) enmarca la huella ambiental de la IA a lo largo de todo el ciclo de vida: software (entrenamiento, implementación, inference, mantenimiento) y hardware (materiales, fabricación, construcción, residuos electrónicos). Enfatiza que el consumo eléctrico y el uso de agua en los centros de datos son impactos directos y aboga por medidas políticas para mejorar la divulgación y la rendición de cuentas.⁹

Estadísticas y desglose por categorías (electricidad, agua, categorías del ciclo de vida): El artículo de UNRIC es más categórico que numérico en las secciones extraídas. Agrupa explícitamente los impactos de la IA en efectos directos, indirectos y de orden superior. Estos son algunos de los hallazgos clave:

• Categorías de impacto ambiental
  • Directo: Consumo de electricidad y agua, emisiones de gases de efecto invernadero, extracción de minerales, contaminación y residuos electrónicos.
  • Indirecto: Emisiones de aplicaciones y servicios habilitados por IA.
  • De orden superior: Amplificación de las desigualdades y problemas relacionados con datos de entrenamiento sesgados o de baja calidad.
• Centros de datos y uso de recursos
  • Los centros de datos consumen grandes cantidades de electricidad, la mayor parte aún suministrada por combustibles fósiles.
  • Se requieren cantidades significativas de agua para los sistemas de refrigeración y la construcción.
  • Se espera que la demanda mundial de agua relacionada con la IA alcance 4.2–6.6 mil millones de metros cúbicos para 2027, superando el consumo anual de agua de Dinamarca.
  • Producir un ordenador de 2 kilogramos puede requerir alrededor de 800 kilogramos de materias primas, incluidos minerales raros.
• Uso de electricidad y crecimiento
  • Una consulta de ChatGPT puede utilizar alrededor de 10× más electricidad que una búsqueda de Google, según la estimación de la IEA.
  • La IA y el machine learning representaron <0,2 % del uso mundial de electricidad y <0,1 % de las emisiones mundiales en 2021, pero la demanda está aumentando rápidamente.
  • Algunas empresas tecnológicas informan de un crecimiento anual superior al 100 % en la demanda informática para el entrenamiento y la inference de IA.
• Expansión de los centros de datos
  • Los centros de datos representaron alrededor del 1 % de la demanda eléctrica mundial en 2022.
  • En Irlanda, los centros de datos representaron 17 % del consumo eléctrico nacional en 2022.
  • El número de centros de datos en todo el mundo ha pasado de 500.000 en 2012 a unos 8 millones.

No te pierdas nuestros análisis comparativos e insights basados en datos. El botón abre Google; seleccionar AIMultiple confirma que deseas ver AIMultiple con más frecuencia en los resultados de búsqueda de Google.

Añadir como fuente preferida

MIT News sobre el impacto ambiental de la IA generativa

MIT News (2025) explica por qué la IA generativa puede consumir muchos recursos y distingue entre entrenamiento e inference. Destaca la densidad de potencia, los problemas de fiabilidad de la red y la falta de incentivos para que los usuarios reduzcan el uso cuando los impactos son invisibles.¹⁰

Densidad de potencia

• Un clúster de entrenamiento de IA generativa podría consumir entre 7 y 8 veces más energía que una carga de trabajo informática típica.

Consumo eléctrico de los centros de datos

• El consumo eléctrico mundial de los centros de datos se cita como 460 TWh en 2022 y se prevé que sea de ~1.050 TWh para 2026.

Ejemplo de entrenamiento de model

• El entrenamiento de GPT-3 se estima en 1.287 MWh y unas 552 toneladas de CO₂.

Informe sobre el consumo de energía de los centros de datos de Estados Unidos

El informe United States Data Center Energy Usage Report (2024) estima el consumo eléctrico histórico de los centros de datos de EE. UU. y ofrece rangos de escenarios hasta 2028. Vincula explícitamente el punto de inflexión del crecimiento posterior a 2017 con servidores acelerados, incluidas las unidades de procesamiento gráfico utilizadas para ejecutar models de IA.¹¹

Consumo eléctrico total de los centros de datos de EE. UU.:

• ~60 TWh (2014–2016), relativamente estable.
• 76 TWh para 2018, aproximadamente el 1,9 % del consumo eléctrico de EE. UU.
• 176 TWh para 2023, aproximadamente el 4,4 % del consumo eléctrico de EE. UU.

Rango de escenarios para 2028:

• 325 a 580 TWh para 2028.
• Equivale al 6,7 % a 12,0 % del consumo eléctrico previsto de EE. UU. en 2028.

Impulsores y categorías:

• El crecimiento está impulsado por servidores acelerados por GPU para inteligencia artificial, que ahora representan una parte significativa de la base instalada.
• Describe estrategias de eficiencia que anteriormente mantuvieron estable la demanda, incluidas la mejora de los sistemas de refrigeración, la gestión de la energía, mayores tasas de utilización y la reducción de la energía en reposo.

MIT Technology Review

MIT Technology Review (2023) informa sobre uno de los primeros intentos de cuantificar el consumo de energía y las emisiones de carbono de la IA durante el uso cotidiano (inference), en lugar de centrarse meramente en el entrenamiento. El artículo se basa en un estudio preprint de investigadores de Hugging Face y la Universidad Carnegie Mellon.

El estudio muestra que, si bien el entrenamiento de grandes models de IA consume mucha energía, la mayor parte de la huella de carbono de un model de IA a lo largo de su vida útil procede de su uso. Dado que los models populares se implementan millones o miles de millones de veces, las emisiones diarias de inference pueden superar rápidamente a las emisiones del entrenamiento.¹²

Energía por tarea e intensidad de carbono:

Los investigadores midieron el consumo de energía en 10 tareas comunes de IA en la plataforma Hugging Face, probando 88 models diferentes y ejecutando 1.000 prompts por tarea con la herramienta de medición Code Carbon. Las comparaciones clave son:

• Generación de imágenes: Generar una sola imagen con un model potente consume aproximadamente la misma energía que cargar por completo un teléfono inteligente.
  • Generar 1.000 imágenes con un model como Stable Diffusion XL produce emisiones de CO₂ comparables a conducir unas 4.1 millas en un coche de gasolina.
  • La generación de imágenes es, con diferencia, la tarea de IA medida más intensiva en energía y carbono.
• Generación de texto: Generar texto es significativamente menos intensivo en energía.
  • Producir 1.000 salidas de texto utiliza aproximadamente el 16 % de la carga de un teléfono inteligente.
  • El model de texto menos intensivo en carbono estudiado emitió el equivalente a conducir 0.0006 millas.

Tamaño de model y especialización de tareas:

El estudio destaca una gran brecha de eficiencia entre los models generativos de propósito general y los models específicos para tareas:

• Los grandes models generativos consumen mucha más energía porque están diseñados para realizar muchas tareas (generar, clasificar, summarize). Por ejemplo, utilizar un model generativo para clasificar reseñas de películas requiere ~30× más energía que utilizar un model más pequeño fine-tuned específicamente para la clasificación de sentimientos.
• Los models más pequeños y especializados son sistemáticamente menos intensivos en carbono para aplicaciones concretas.

Emisiones por uso frente a emisiones por entrenamiento:

Los investigadores compararon las emisiones del entrenamiento con las emisiones acumuladas del uso:

• El entrenamiento del mayor model BLOOM de Hugging Face fue superado tras unos 590 millones de usos.
• En el caso de models extremadamente populares como ChatGPT, las emisiones por uso podrían superar a las emisiones de entrenamiento en semanas, debido al enorme volumen diario de usuarios.
• Esto ocurre porque el entrenamiento se produce una sola vez, mientras que la inference ocurre de forma continua y a escala.

Implicaciones más amplias y opiniones de expertos:

• Los expertos señalan que las emisiones por tarea eran más altas de lo esperado, lo que suscita preocupación a medida que la IA generativa se integra en el software cotidiano (correo electrónico, búsqueda, procesamiento de textos).
• Los investigadores subrayan que los models más nuevos y grandes son sustancialmente más intensivos en carbono que los sistemas de IA de hace unos años.

Innovaciones recientes en eficiencia del hardware

Varios lanzamientos de hardware de 2026 muestran grandes avances en la eficiencia de la IA. Por ejemplo, el chip de inference FuriosaAI RNGD comenzó a enviarse en volumen en enero de 2026 con un TDP de 180W ¹³, muy por debajo de los aproximadamente 600W+ que consumen las GPUs típicas de gama alta.¹³

Meta anunció cuatro nuevos aceleradores de inference MTIA (MTIA 300/400/450/500); los chips centrados en IA ofrecen aproximadamente de 18 a 27.6 TB/s de ancho de banda de memoria y está previsto que se desplieguen en 2027.¹⁴

Por último, Arm anunció su primera CPU para centros de datos (la 3nm AGI CPU) con hasta 136 núcleos Neoverse V3 ¹⁵, codearrollada con Meta, y cuenta con OpenAI como usuario pionero.

Metodología sobre cómo recopilamos los datos de consumo energético de la IA

• Utilizamos cifras y proyecciones futuras de análisis recientes sobre el consumo energético que estiman el uso eléctrico mundial en los centros de datos y su crecimiento.
• Cuando están disponibles, hacemos referencia a metodologías de medición públicas de grandes proveedores de nube (por ejemplo, los datos de impacto ambiental de Google Cloud) que divulgan métricas específicas, como la energía por inference.

Muchos informes utilizan diferentes unidades de medida o terminología, como la cuota de la IA y el ML en la electricidad mundial, el uso de energía de entrenamiento frente a inference y la cuota de los centros de datos en la electricidad mundial, lo que dificulta compararlos en un único gráfico. Para garantizar que todos los valores pudieran presentarse juntos en un único gráfico, incluimos los estudios que utilizaban definiciones y unidades de medida comparables:

• Consumo eléctrico mundial de los centros de datos.
• Cuota de la IA en el consumo eléctrico dentro de los centros de datos.
• Consumo eléctrico de los centros de datos en Estados Unidos, para destacar las diferencias entre el uso de energía global y el de EE. UU.

Preguntas frecuentes

Cita esta investigación

Elige el formato que se ajuste al lugar donde vas a publicar. Pegar la versión con enlace en tu CMS conserva el enlace de retroceso.

@misc{ermut2026,
  author = {Ermut, Sıla},
  title  = {{Estadísticas de consumo energético de la IA}},
  year   = {2026},
  month  = aug,
  howpublished    = {\url{https://aimultiple.com/ai-energy-consumption}},
  note   = {AIMultiple. Recuperado el 7 de agosto de 2026}
}

Registro de cambios

4 actualizaciones

2026

1. 7 de ago

   Se añadió una sección sobre la estimación de emisiones corporativas de IA con el marco de Watershed.

2. 18 de may

   Añadida una sección "Innovaciones recientes en eficiencia de hardware" sobre FuriosaAI RNGD, los chips MTIA de Meta y la CPU para centros de datos de Arm.

3. 6 de abr

   Se añadió una sección "Forecasting the Economic Effects of AI, 2026" con proyecciones de la cuota eléctrica de EE. UU. para 2030 y 2050.

4. 19 de ene

   Actualizada la introducción a la sección de estadísticas de consumo de energía de IA.

Enlaces de referencia

1.

DOE Releases New Report Evaluating Increase in Electricity Demand from Data Centers | Department of Energy

2.

Estimating GHG Emissions from AI Use

3.

https://static1.squarespace.com/static/635693acf15a3e2a14a56a4a/t/69cbb9d509ada447b6d9013f/1774959061185/forecasting-the-economic-effects-of-ai.pdf

4.

We did the math on AI’s energy footprint. Here’s the story you haven’t heard. | MIT Technology Review

MIT Technology Review

5.

Energy demand from AI - Energy and AI - IEA

6.

Measuring the environmental impact of AI inference | Google Cloud Blog

Google Cloud

7.

Global EnergyReview 2025

8.

AI: Five charts that put data-centre energy use – and emissions – into context - Carbon Brief

Carbon Brief

9.

Artificial intelligence: How much energy does AI use? - United Nations Western Europe

United Nations

10.

Explained: Generative AI’s environmental impact | MIT News | Massachusetts Institute of Technology

11.

2024 United States Data Center Energy Usage Report

12.

Making an image with generative AI uses as much energy as charging your phone | MIT Technology Review

MIT Technology Review

13.

RNGD Enters Mass Production for Data Center AI

FuriosaAI

14.

Meta reveals four new MTIA chips built for AI inference — to be released on a six-month cadence | Tom's Hardware

Tom's Hardware

15.

Arm moves beyond IP with AGI CPU silicon — 136-core data center chip targets AI infrastructure with Meta as lead partner | Tom's Hardware

Tom's Hardware

Sıla Ermut

Analista de la industria

Síguenos

Sıla Ermut es analista de la industria en AIMultiple y cubre modelos de IA, infraestructura de IA, gobernanza de IA y aplicaciones empresariales de IA. Su investigación se centra principalmente en el uso de la IA en marketing, atención sanitaria, cadenas de suministro y sostenibilidad.
Anteriormente trabajó como reclutadora en empresas de gestión de proyectos y consultoría. Sıla tiene un máster en Psicología Social y una licenciatura en Relaciones Internacionales.

Ver perfil completo

Sé el primero en comentar

Tu dirección de correo electrónico no será publicada. Todos los campos son obligatorios. Los comentarios se dejan en su idioma original.

Nombre

Dirección de correo electrónico

Comentario

0/450

Publicar comentario