Estadísticas de consumo energético de la IA

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

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

Consumo energético de los centros de datos de IA

Reunimos 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 energéticas globales, estudios académicos e iniciativas de proveedores de tecnología. Conozca cómo reunimos los datos.

Recomendaciones para gestionar el consumo energético de la IA

Según investigaciones recientes, el consumo energético de la IA está ahora dominado por la inferencia y está menos impulsado por ejecuciones de modelos individuales que por la escala, los patrones de despliegue y las ineficiencias del sistema. Aquí están nuestras recomendaciones para gestionar eficazmente el consumo energético de la IA:

Priorizar la eficiencia de la inferencia sobre la eficiencia del entrenamiento

Investigaciones muestran 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 en la eficiencia del entrenamiento.
• Centre los esfuerzos de optimización en los endpoints de alta frecuencia, no en casos de uso raros o de larga cola.

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

Basado en 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, incluyendo la sobrecarga no relacionada con la GPU (memoria, redes, orquestación).

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

Un mayor uso de energía está estrechamente vinculado a los modelos generativos, que se utilizan para tareas como la clasificación en lugar de modelos especializados. MIT Technology Review muestra que los modelos específicos para tareas consumen menos carbono y energía.

• Utilice modelos especializados o destilados para clasificación, ranking, extracción y enrutamiento.
• Reserve los grandes modelos generativos para tareas que requieran generación abierta.
• Introduzca cascadas de modelos (de un modelo 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 de electricidad de los centros de datos.

• Aumente la utilización de aceleradores mediante:
  • Procesamiento por lotes
  • Almacenamiento en caché
  • Programación más inteligente
• Elimine llamadas redundantes a través de pipelines y microservicios.
• Implemente autoescalado basado en la demanda en lugar de aprovisionamiento máximo.

Tratar la eficiencia del hardware y la Efectividad del Uso de Energía (PUE) como preocupaciones de software

• Diseñe modelos que se ajusten eficientemente dentro de las limitaciones de memoria y ancho de banda.
• Maximice la utilización del hardware existente antes de escalar la capacidad.
• Alinee las elecciones de arquitectura del modelo con los aceleradores disponibles más eficientes energéticamente.

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

Investigaciones de UNRIC muestran que se proyecta que la demanda mundial de agua relacionada con la IA aumente exponencialmente.

• Favorezca despliegues que reduzcan la intensidad de refrigeración y el uso de agua.
• Extienda la vida útil del hardware mediante la eficiencia del modelo y la reutilización.
• Evite el reentrenamiento o redespliegue innecesarios que aceleren la rotación del hardware.

Estimación de Emisiones de GEI por el 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, dependiendo de los datos disponibles:

• Basado en gastos: Multiplicar el gasto en proveedores de IA por un factor de emisiones económicas. Esto se puede usar cuando no hay datos de uso disponibles, pero el gasto es un proxy débil para el consumo real de electricidad.
• Basado en actividad: Calcular 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 suministra el centro de datos.
• Basado en proveedor: Utilizar datos de energía y emisiones específicos del modelo y la 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 al año en una API de modelo de frontera, el enfoque basado en gastos estima 13.4 tCO₂e/año, en comparación con 3.7–5.4 tCO₂e utilizando datos detallados de actividad y 3.2–4.5 tCO₂e utilizando datos del proveedor.

El marco recomienda medir la inferencia en kgCO₂e por millón de tokens e informar 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 del modelo.

La principal limitación hoy es la disponibilidad de datos: la mayoría de los clientes de IA no tienen cifras de energía específicas por modelo y región de sus proveedores, por lo que las estimaciones aún dependen en gran medida de suposiciones.²

Pronóstico de los Efectos Económicos de la IA

Los participantes del estudio Pronóstico de los Efectos Económicos de la IA (2026) proporcionaron estimaciones de variables económicas clave (PIB, consumo de energía, productividad, participación en la fuerza laboral) tanto bajo expectativas normales como bajo tres escenarios explícitos de progreso de la IA (lento, moderado, rápido):

• Para 2030, los participantes estiman que el uso de electricidad en EE. UU. podría representar 2.3 % en un caso de crecimiento más lento, 4.9 % bajo un crecimiento moderado, y 7.4 % en un escenario de expansión rápida, frente a aproximadamente el 1 % en 2024.
• Para 2050, se proyecta 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 bajo un crecimiento rápido en 2050, estimando cada uno alrededor del 19.5 %.³

Estudio de MIT Technology Review

MIT Technology Review (2025) divide el consumo de energía de la IA en dos fases principales: entrenamiento de modelos e inferencia de IA. Sostiene que la inferencia es ahora el impulsor dominante 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 principales proveedores de modelos de IA "cerrados" no revelan suficiente información para estimar de manera fiable su uso total de energía o su huella de carbono.⁴

Electricidad y demanda total:

• Centros de datos en EE. UU.: 4.4 % de la electricidad total de EE. UU. se destina a centros de datos.
• IA dentro de los centros de datos de EE. UU.: Los servidores específicos de IA utilizaron un estimado de 53-76 teravatios-hora (TWh) en 2024, y las proyecciones sugieren 165-326 TWh para 2028.

Entrenamiento vs inferencia:

• Cuota de inferencia: 80 %-90 % de la computación de IA se estima que se utiliza para la inferencia.
• Ejemplo de energía de entrenamiento: GPT-4 se describe con un entrenamiento de aproximadamente 50 GWh.

Energía por tarea (consumo de electricidad):

• Texto (Llama 3.1 8B): ~114 julios por respuesta al contabilizar 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 totales; pasos más altos pueden elevarlo 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.

Infraestructura y emisiones de la red:

• La intensidad de carbono de la electricidad del centro de datos es un 48 % más alta que el promedio de EE. UU.
• Los sistemas de refrigeración en los centros de datos pueden usar grandes cantidades de agua, a veces agua potable.

Agencia Internacional de la Energía

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 de electricidad de los centros de datos.⁵

Consumo global de electricidad de los centros de datos:

• Estimado en ~415 TWh en 2024, aproximadamente el 1.5 % del consumo global de electricidad.
• Proyectado para alcanzar ~945 TWh para 2030, por debajo del 3 % del consumo global de electricidad en el caso base de la IEA.

Consumo de electricidad del centro 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: aproximadamente el 7 % en centros de datos a hiperescala eficientes, y más del 30 % en centros de datos empresariales menos eficientes.

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

Google Cloud

Google publicó una metodología en 2025 para medir el impacto ambiental de la inferencia de IA para los prompts de Gemini, incluyendo electricidad, emisiones de carbono y consumo de agua. Presenta medianas por prompt y afirma haber logrado mejoras significativas en la eficiencia durante 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 eficiencia

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

Eficiencia e infraestructura del centro de datos

• La Efectividad del Uso de Energía (PUE) promedio de toda la flota es de 1.09 para los centros de datos de Google.
• La TPU de última generación de Google, Ironwood, se afirma que es 30× más eficiente energéticamente que su primera TPU disponible públicamente.

Organización Carbon Brief

Carbon Brief (2025) sintetiza los datos de la Agencia Internacional de la Energía (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, pero está creciendo rápidamente y es localmente significativo en algunas redes.⁸

Cuotas globales actuales

• Los centros de datos son responsables de más del 1 % de la demanda global de electricidad y del 0.5 % de las emisiones de CO₂ (ver Figura 2).

Crecimiento

• Escenario central de la IEA: El consumo de electricidad de los centros de datos aumenta a 945 TWh para 2030.
• Cuota de la IA en el uso de energía de los centros de datos: Aproximadamente del 5 % al 15 % recientemente, 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, potencialmente el 32 % para 2026.
• Virginia (EE. UU.): 26 % de la electricidad consumida por los centros de datos (según se cita).

Mezcla de suministro eléctrico para centros de datos (global)

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

Figura 2: Basada en la Revisión Energética Global 2025 de la IEA y su informe Energía e IA, esta figura compara el consumo de electricidad (TWh) y las emisiones de CO₂ (MtCO₂) de los centros de datos globales 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, 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 (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 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 de ella 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, incluyendo minerales raros.
• Uso de electricidad y crecimiento
  • Una consulta a ChatGPT puede usar alrededor de 10× más electricidad que una búsqueda en Google, según la estimación de la IEA.
  • La IA y el machine learning representaron <0.2 % del uso global de electricidad y <0.1 % de las emisiones globales en 2021, pero la demanda está aumentando rápidamente.
  • Algunas empresas tecnológicas reportan un crecimiento anual de más del 100 % en la demanda de computación para el entrenamiento y la inferencia de IA.
• Expansión de los centros de datos
  • Los centros de datos representaron aproximadamente el 1 % de la demanda global 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 crecido 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 confiabilidad 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 de 7 a 8 veces más energía que una carga de trabajo informático típica.

Consumo de electricidad de los centros de datos

• El consumo global de electricidad de los centros de datos se cita en 460 TWh en 2022 y se proyecta ~1.050 TWh para 2026.

Ejemplo de entrenamiento de modelo

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

Informe de Uso de Energía de los Centros de Datos de los Estados Unidos

El informe de Uso de Energía de los Centros de Datos de los Estados Unidos (2024) estima el consumo histórico de electricidad de los centros de datos de EE. UU. y proporciona rangos de escenarios hasta 2028. Vincula explícitamente la inflexión del crecimiento posterior a 2017 con los servidores acelerados, incluyendo las unidades de procesamiento gráfico utilizadas para ejecutar modelos de IA.¹¹

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

• ~60 TWh (2014–2016), relativamente estable.
• 76 TWh para 2018, aproximadamente el 1.9 % del consumo de electricidad de EE. UU.
• 176 TWh para 2023, aproximadamente el 4.4 % del consumo de electricidad de EE. UU.

Rango de escenarios para 2028:

• 325 a 580 TWh para 2028.
• Equivalente al 6.7 % al 12.0 % del consumo de electricidad previsto en 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 la demanda plana, incluyendo sistemas de refrigeración mejorados, gestión de energía, mayores tasas de utilización y reducción de la energía inactiva.

MIT Technology Review

MIT Technology Review (2023) informa sobre uno de los primeros intentos de cuantificar el uso de energía y las emisiones de carbono de la IA durante el uso diario (inferencia), 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 entrenar grandes modelos de IA consume mucha energía, la mayor parte de la huella de carbono de por vida de un modelo de IA proviene de su uso. Debido a que los modelos populares se despliegan millones o miles de millones de veces, las emisiones de inferencia diarias pueden superar rápidamente las emisiones de entrenamiento.¹²

Energía e intensidad de carbono por tarea:

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

• Generación de imágenes: Generar una sola imagen con un modelo potente consume aproximadamente la misma energía que cargar completamente un smartphone.
  • Generar 1.000 imágenes con un modelo 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 mucho, la tarea de IA más intensiva en energía y carbono medida.
• Generación de texto: Generar texto es significativamente menos intensivo en energía.
  • Producir 1.000 salidas de texto usa aproximadamente el 16 % de la carga de un smartphone.
  • El modelo de texto menos intensivo en carbono estudiado emitió el equivalente a conducir 0.0006 millas.

Tamaño del modelo y especialización de tareas:

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

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

Emisiones de uso vs emisiones de entrenamiento:

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

• El entrenamiento del modelo BLOOM más grande de Hugging Face fue superado después de aproximadamente 590 millones de usos.
• Para modelos extremadamente populares como ChatGPT, las emisiones de uso podrían superar las emisiones de entrenamiento en semanas, debido a los enormes volúmenes diarios de usuarios.
• Esto sucede porque el entrenamiento ocurre una vez, mientras que la inferencia ocurre continuamente 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 textos).
• Los investigadores enfatizan que los modelos más nuevos y grandes son sustancialmente más intensivos en carbono que los sistemas de IA de hace unos años.

Innovaciones recientes en eficiencia de hardware

Varios lanzamientos de hardware en 2026 muestran grandes ganancias en eficiencia de IA. Por ejemplo, el chip de inferencia FuriosaAI RNGD comenzó a enviarse en volumen en enero de 2026 con un TDP de 180W ¹³ , mucho más bajo que los aproximadamente 600W+ consumidos por las GPUs típicas de alta gama.¹³

Meta anunció cuatro nuevos aceleradores de inferencia MTIA (MTIA 300/400/450/500); los chips enfocados en IA ofrecen aproximadamente 18 a 27.6 TB/s de ancho de banda de memoria y están programados para su lanzamiento 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 , co-desarrollada con Meta, y cuenta con OpenAI como uno de los primeros usuarios.

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

• Utilizamos cifras y proyecciones futuras de análisis recientes de consumo de energía que estiman el uso global de electricidad en los centros de datos y su crecimiento.
• Cuando está disponible, hacemos referencia a metodologías de medición disponibles públicamente de grandes proveedores de 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 cuota de IA y ML en la electricidad global, el uso de energía de entrenamiento vs. inferencia, y la cuota de los centros de datos en la electricidad global, lo que dificulta compararlos en un solo gráfico. Para garantizar que todos los valores pudieran presentarse juntos en un solo gráfico, incluimos los estudios que utilizaron definiciones y unidades de medida comparables:

• Consumo global de electricidad por parte de los centros de datos.
• Cuota de la IA en el consumo de electricidad dentro de los centros de datos.
• Consumo de electricidad por parte de los centros de datos en los Estados Unidos, para resaltar 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}
}

Enlaces de referencia

1.

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

2.

https://cdn.sanity.io/files/3ogo9b9g/production/a5c1f64ca5864e61b47e6384ee4d0ed31bc861f4.pdf

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 – Analysis - IEA

6.

Measuring the environmental impact of AI inference | Google Cloud Blog

Google Cloud

7.

https://iea.blob.core.windows.net/assets/5b169aa1-bc88-4c96-b828-aaa50406ba80/GlobalEnergyReview2025.pdf

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.

https://escholarship.org/content/qt32d6m0d1/qt32d6m0d1.pdf?v=lg

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 que 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, salud, 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