Estadísticas de consumo energético de la IA

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

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

Consumo energético de los centros de datos de IA

Recopilamos datos de múltiples organizaciones de investigación y análisis de la industria que se centran en el uso de energía en la IA y los centros de datos para el gráfico anterior. Estas fuentes incluyen agencias de energía 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 inferencia y depende menos de las ejecuciones individuales de models que de la escala, los patrones de despliegue y las ineficiencias del sistema. Estas son nuestras recomendaciones para gestionar eficazmente el consumo energético de la IA:

Priorizar la eficiencia de la inferencia sobre la eficiencia del entrenamiento

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

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

Medir y publicar métricas de energía por tarea, no afirmaciones a nivel de model

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

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

Evitar el uso de models generativos de propósito general para tareas específicas

Un mayor consumo de energía está estrechamente vinculado a 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.

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

Reducir el desperdicio a nivel de sistema en el servicio de inferencia

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

• Aumente la utilización de aceleradores mediante:
  • Procesamiento por lotes
  • Almacenamiento en caché
  • Programación más inteligente
• Elimine las llamadas redundantes entre pipelines y microservicios.
• Implemente autoescalado consciente de la demanda en lugar de aprovisionamiento en picos.

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

• Diseñe models que se ajusten de manera eficiente a las restricciones 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.

Tener en cuenta el uso de agua y el ciclo de vida del hardware en el diseño de sistemas

Las investigaciones de UNRIC muestran que se prevé que la demanda mundial de agua relacionada con la IA aumente de forma exponencial.

• Favorezca los despliegues que reduzcan la intensidad de refrigeración y el uso de agua.
• Amplíe la vida útil del hardware mediante la eficiencia de los 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, en función de los datos disponibles:

• Basado en el gasto: Multiplique el gasto en proveedores de IA por un factor económico de emisiones. 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 token, 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 suministra al centro de datos.
• Basado en el proveedor: Use datos de energía y emisiones específicos de model e infraestructura reportados directamente por el proveedor de IA. Este es el enfoque más preciso, pero requiere una mayor transparencia del proveedor.

En el ejemplo de Watershed de una empresa que gasta 100.000 dólares 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 inferencia en kgCO₂e por millón de tokens y reportar el consumo de electricidad junto con las emisiones. Una estimación completa debe tener en cuenta tanto el uso activo de GPU como los sistemas host, la capacidad inactiva, los gastos generales del centro de datos, la fabricación de hardware y el entrenamiento de models.

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 aún dependen en gran medida de supuestos.²

Pronóstico 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 en la fuerza laboral) tanto en condiciones de expectativas normales como en tres escenarios explícitos de avance 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 escenario de crecimiento más lento, 4,9 % en un crecimiento moderado y 7,4 % en un escenario de expansión rápida, frente a aproximadamente 1 % en 2024.
• Para 2050, se prevé que estas proporciones aumenten a 5 % (lento), 8,3 % (moderado) y 15 % (rápido).
• Los especialistas en IA y los superpronosticadores prevén una demanda aún mayor en un crecimiento rápido en 2050, y cada uno estima alrededor de 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 inferencia de IA. Sostiene que la inferencia es ahora el principal motor del uso 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 models de IA “cerrados” no divulgan información suficiente para estimar de manera fiable su consumo total de energía o su huella de carbono.⁴

Electricidad y demanda total:

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

Entrenamiento frente a inferencia:

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

Energía por tarea (consumo de electricidad):

• Texto (Llama 3.1 8B): ~114 julios por respuesta si se tiene en cuenta la sobrecarga no relacionada con 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; unos pasos más altos pueden aumentarlo a ~4.402 julios.
• Video (ejemplos de CogVideoX): ~109.000 julios para una salida corta de baja calidad; ~3.4 millones de julios para un video de 5 segundos de mayor calidad.

Emisiones de infraestructura y red:

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

International Energy Agency

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

Consumo mundial de electricidad de los centros de datos:

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

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

• Servidores: alrededor del 60 % de la demanda de electricidad 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 hiperescala eficientes, y más del 30 % en centros de datos empresariales menos eficientes.

Figura 1: Gráfico que muestra los datos de 2024 de la distribución del consumo de electricidad según el tipo de centro de datos y de equipo.

Google Cloud

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

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

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

Afirmaciones de mejora de la eficiencia

• Durante 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 del centro 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 International Energy Agency (IEA)⁷ y 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 hoy en día, pero crece rápidamente y es significativo a nivel local en algunas redes.⁸

Cuotas globales actuales

• Los centros de datos son responsables de más del 1 % de la demanda mundial de electricidad 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 aumenta a 945 TWh para 2030.
• Proporción de la IA en el uso de energía de los centros de datos: aproximadamente del 5 % al 15 % recientemente, y potencialmente del 35 % al 50 % para 2030.

Ejemplos de concentración regional:

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

Combinación de suministro eléctrico para centros de datos (global)

• Combustibles fósiles: casi 60 %
• Renovables: 27 %
• Nuclear: 15 %

Figura 2: Basada en el Global Energy Review 2025 de la IEA y su informe Energy and IA, esta figura compara el consumo de electricidad (TWh) y las emisiones de CO₂ (MtCO₂) de los centros de datos globales en 2024 con las 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, despliegue, inferencia, mantenimiento) y hardware (materiales, fabricación, construcción, residuos electrónicos). Enfatiza que el consumo de electricidad 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 (categorías de electricidad, agua y 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 mayoría 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 uso anual de agua de Dinamarca.
  • Producir una computadora de 2 kilogramos puede requerir alrededor de 800 kilogramos de materias primas, incluidos minerales raros.
• Uso y crecimiento de la electricidad
  • Una consulta de ChatGPT puede usar 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 globales en 2021, pero la demanda está creciendo rápidamente.
  • Algunas empresas tecnológicas reportan un crecimiento anual de más del 100 % en la demanda de cómputo para el entrenamiento y la inferencia de IA.
• Expansión de los centros de datos
  • Los centros de datos representaron alrededor del 1 % de la demanda mundial de electricidad en 2022.
  • En Irlanda, los centros de datos representaron el 17 % del uso nacional de electricidad en 2022.
  • El número de centros de datos en todo el mundo ha pasado de 500.000 en 2012 a alrededor de 8 millones en la actualidad.

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 ser intensiva en recursos y distingue entre entrenamiento e inferencia. 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 mundial de electricidad de los centros de datos se cita en 460 TWh en 2022 y se proyecta en ~1.050 TWh para 2026.

Ejemplo de entrenamiento de model

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

Informe sobre el uso 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 proporciona rangos de escenarios hasta 2028. Vincula explícitamente el punto de inflexión del crecimiento posterior a 2017 con los 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.
• Equivalente 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 mantenían estable la demanda, incluidos mejores sistemas de refrigeración, gestión de energía, mayores tasas de utilización y menor consumo 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 (inferencia), en lugar de centrarse meramente en el entrenamiento. El artículo se basa en un estudio preliminar 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 proviene de su uso. Debido a que los models populares se despliegan millones o miles de millones de veces, las emisiones de la inferencia diaria pueden superar rápidamente las emisiones del entrenamiento.¹²

Energía e intensidad de carbono por tarea:

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 automóvil 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 models generativos grandes consumen mucha más energía porque están diseñados para realizar muchas tareas (generar, clasificar, resumir). 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 especializados más pequeños son sistemáticamente menos intensivos en carbono para aplicaciones específicas.

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 después de aproximadamente 590 millones de usos.
• Para models extremadamente populares como ChatGPT, las emisiones por uso podrían superar las emisiones del entrenamiento en cuestión de semanas, debido a los enormes volúmenes diarios de usuarios.
• Esto sucede porque el entrenamiento ocurre una sola vez, mientras que la inferencia se produce de forma continua a escala.

Implicaciones más amplias y opiniones de expertos:

• Los expertos señalan que las emisiones por tarea fueron más altas de lo esperado, lo que genera preocupación a medida que la IA generativa se integra en el software cotidiano (correo electrónico, búsqueda, procesamiento de texto).
• Los investigadores subrayan que los models más nuevos y grandes son considerablemente 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 inferencia 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 de gama alta típicas.¹³

Meta anunció cuatro nuevos aceleradores de inferencia MTIA (MTIA 300/400/450/500); los chips enfocados en IA ofrecen aproximadamente de 18 a 27.6 TB/s de ancho de banda de memoria y está previsto que se implementen 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, desarrollada conjuntamente con Meta, y cuenta con OpenAI como usuario temprano.

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

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

Muchos informes utilizan diferentes unidades de medida o terminología, como la participación de la IA y el ML en la electricidad global, el uso de energía en entrenamiento frente a inferencia y la participación de los centros de datos en la electricidad global, 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 mundial de electricidad de los centros de datos.
• Proporción de la IA en el consumo de electricidad dentro de los centros de datos.
• Consumo de electricidad de los centros de datos en Estados Unidos, para destacar las diferencias entre el uso energético mundial 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.

Forecasting the Economic Effects of AI

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 – Analysis - 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