Comparativa de creadores de video con IA para comercio electrónico: Veo 3 vs Sora 2

La visualización de productos juega un papel crucial en el éxito del comercio electrónico, pero crear videos de productos de alta calidad sigue siendo un desafío significativo. Los avances recientes en tecnología de generación de video con IA ofrecen soluciones prometedoras.

Comparamos los 6 mejores creadores de video con IA utilizando 12 entradas de imagen y prompt para evaluar sus capacidades en la generación de videos de demostración de productos:

Resultados de la comparativa de creadores de video con IA

Figura 1: Éxito de las herramientas al crear videos siguiendo los prompts e imágenes de entrada.

Consulta nuestra metodología y métricas de evaluación para ver cómo decidimos estas calificaciones.

Veo 3 es el modelo de mejor rendimiento, logrando las puntuaciones totales y promedio más altas. Ofrece resultados consistentes y de alta calidad en casi todas las dimensiones de evaluación y mantiene un realismo sólido, precisión en la iluminación y detalles de marca.

Wan 2.5 y Kling 2.5 forman el segundo nivel de rendimiento.

• Wan 2.5 funciona de manera confiable en la mayoría de los prompts, pero muestra debilidades con los prompts de silla y botas, lo que indica desafíos con la geometría rígida y las texturas del calzado.
• Kling 2.5 funciona muy bien en escenas simples de un solo objeto como "taza", "planta" y "linterna", pero muestra menor precisión en artículos cosméticos complejos y formas irregulares como "botas" y "labial y rubor".

Hailuo 02 Pro demuestra un rendimiento de nivel medio. Funciona bien en prompts sencillos de estilo catálogo como "planta", "bolsa marrón" y "4 labiales", pero es menos consistente en la fidelidad de la marca y objetos complejos como "bolsos" y "zapatos".

Sora 2 exhibe un rendimiento variable. Logra resultados sólidos en prompts estructurados como "taza" y "bolsa marrón", pero funciona mal en otros como "botas" y "4 labiales". El modelo parece sensible a la complejidad de la escena y la variación de la iluminación.

Pixverse v5 ocupa el último lugar en general. Funciona mal en múltiples prompts que involucran calzado, bolsos y cosméticos, lo que sugiere un manejo débil de la proporción y la identidad del producto.

• Pixverse no logró generar salida para el prompt de silla: "El contenido no pudo ser procesado porque contenía material marcado por un verificador de contenido: 'content_policy_violation'".
• Los otros modelos procesaron con éxito el prompt de la silla y generaron el video. Esto indica un problema de fiabilidad y una posible limitación en el sistema de filtrado de prompts o moderación de contenido de Pixverse.

Posibles razones detrás de las diferencias de rendimiento

Diferencias en la madurez del modelo y la escala de entrenamiento

• La mayor tasa de éxito de Veo 3 probablemente sugiere un modelo más maduro, probablemente entrenado con conjuntos de datos de video-imagen-texto más grandes y diversos.
• Las herramientas de menor rendimiento (por ejemplo, Pixverse v5, Sora 2) parecen menos capaces al manejar diversas categorías de productos, lo que indica una generalización limitada entre tipos de objetos, materiales y escenas.
• Los modelos en el nivel medio (Wan 2.5, Kling 2.5, Hailuo 02 Pro) muestran fortalezas parciales, lo que implica una cobertura de entrenamiento más estrecha o desigual.

Sensibilidad a la complejidad y geometría del objeto

El rendimiento varía fuertemente según el tipo de producto:

• Los artículos simples, rígidos y de un solo objeto (por ejemplo, tazas, plantas, linternas) se manejan de manera más confiable en todos los modelos.
• Los objetos complejos con geometría irregular, materiales reflectantes o estructuras articuladas (por ejemplo, botas, bolsos, cosméticos) pueden causar distorsiones y fallos.

Esto sugiere diferencias en cómo los modelos aprenden y preservan la estructura 3D, las proporciones y las propiedades de la superficie durante la generación de video.

Limitaciones en el seguimiento de prompts y la alineación semántica

Todas las herramientas muestran degradación a medida que los prompts se vuelven más detallados o involucran múltiples acciones, objetos o restricciones estilísticas.

• Las tasas de éxito más altas se correlacionan con modelos que traducen mejor la intención textual en movimiento visual y cambios de escena.

Por ejemplo, el fallo de Pixverse al generar salida para un prompt neutral de "silla" destaca deficiencias en la interpretación del prompt o el filtrado de moderación, afectando la fiabilidad más que solo la calidad visual.

Desafíos de integridad del producto y fidelidad de la marca

Los modelos con puntuaciones más bajas alteran con frecuencia:

• Proporciones y escala del producto
• Texturas, materiales y colores
• Detalles visuales definitorios de la marca

La ventaja de Veo 3 parece estar vinculada a una mejor consistencia temporal, manteniendo la identidad del producto a través de los fotogramas, lo que impacta directamente en las puntuaciones de integridad del producto y precisión física.

Estas diferencias probablemente reflejan qué tan fuertemente están optimizados los modelos para el realismo visual genérico frente a la precisión centrada en el producto, lo cual es crítico en contextos de comercio electrónico.

Consistencia de la escena y realismo físico

Los modelos difieren en su capacidad para mantener:

• Iluminación y sombras coherentes
• Interacciones plausibles entre objeto y entorno
• Movimiento de cámara estable

Las herramientas con puntuaciones más bajas a menudo violan las leyes de la física del mundo real (por ejemplo, movimiento de manos antinatural, objetos flotantes, reflejos inconsistentes), lo que indica representaciones internas más débiles de las restricciones físicas.

Efectos del diseño de la evaluación

La comparativa enfatiza el cumplimiento del prompt, la precisión física y la integridad del producto, lo que favorece a los modelos que priorizan el realismo estructurado sobre la variación artística.

El número limitado de prompts (12) y la dependencia de imágenes de archivo pueden amplificar el impacto de:

• Sensibilidad del prompt
• Casos únicos de fallo
• Debilidades específicas de la categoría

Como resultado, las diferencias entre modelos se vuelven más pronunciadas, especialmente para escenarios complejos con múltiples objetos.

Ejemplos de creadores de video con IA

Los siguientes ejemplos muestran cada prompt junto con su video de salida correspondiente:

1. Los zapatos de tacón alto rojos y el bolso negro en la foto, mostrados en primer plano mientras la cámara se desplaza lentamente de izquierda a derecha, reflejos de luz deslizándose por los tacones brillantes mientras la cadena del bolso da un brillo metálico sutil, terminando con un enfoque suave en toda la disposición.

2. La pequeña planta verde en el jarrón blanco en la foto, colocada contra un fondo blanco limpio, mientras una mano entra suavemente desde la derecha, levanta el jarrón con suavidad y lo saca del encuadre.

3. La mochila en la foto, descansando sobre una superficie de piedra con árboles de fondo, mientras la cámara hace un zoom lento mientras una mano llega desde el lado, toma la mochila por su asa superior y la saca del encuadre.

4. Los cuatro labiales en la foto de pie con fundas plateadas y negras brillantes, colocados en una escena submarina surrealista donde burbujas flotan hacia arriba y rayos de luz centelleantes filtran a través del agua, mientras la cámara gira lentamente para resaltar cada tono.

5. El frasco de perfume en la foto de pie sobre una superficie oscura, mientras una mano entra suavemente, lo toma y presiona el spray para liberar una fina niebla que atrapa la luz en cámara lenta contra el fondo.

6. La taza de café de esmalte blanco en la foto sobre una mesa de madera, mientras una mano entra desde arriba e inclina una tetera para verter un flujo suave de café caliente en la taza; el vapor se enrolla hacia arriba y se forman ondas suaves en la superficie mientras la cámara mantiene un primer plano.

7. El bolso de hombro de cuero en la foto exhibido sobre un fondo liso, mientras comienza a rotar suavemente en un giro completo de 360 grados, mostrando todos los ángulos y detalles de las correas, hebillas y costuras mientras la cámara se mantiene centrada.

8. El jarrón rosa con flores coloridas en la foto, colocado contra un fondo negro, comienza a rotar lentamente mientras los pétalos y las hojas se desprenden suavemente en cámara lenta y flotan hacia arriba como si desafiaran la gravedad, iluminados por haces de luz suave y brillante, mientras el jarrón en sí se mantiene sólido y brillante en la base.

9. Las botas de tacón alto marrón oscuro en la foto, mostradas siendo usadas mientras solo se ven las piernas inferiores y los pies, caminando grácilmente sobre una superficie blanca lisa; la cámara sigue los pasos en primer plano, capturando el brillo del cuero y el ritmo seguro de la caminata.

10. La silla de madera simple en la foto, ahora colocada dentro de una cocina moderna y brillante frente a una mesa de comedor, mientras la cámara cambia suavemente de ángulos de lado a lado y ligeramente desde arriba, resaltando la silla en su nuevo entorno con luz natural entrando.

11. El labial y el rubor en la foto se transforman en una exhibición mágica de belleza, mientras el labial se retuerce lentamente hacia arriba por sí solo y deja un rastro brillante de luz rosa en el aire, mientras el compacto de rubor se abre y libera una nube suave de polvo rosa centelleante que gira suavemente alrededor de ambos productos antes de asentarse de nuevo.

12. La linterna en la foto se sienta en un entorno exterior oscuro mientras la vela dentro se enciende: la mecha se prende, la llama florece suavemente y un resplandor dorado cálido se extiende a través del vidrio con un parpadeo suave y destellos en forma de estrella, mientras la cámara hace un empuje lento para enfatizar la luz contra el fondo nocturno borroso.

¿Cuáles son los problemas con los generadores de video con IA?

Los modelos de generación de video con IA muestran progreso en la síntesis visual, pero las herramientas actuales no están listas para producir videos de productos que cumplan con los estándares del comercio electrónico. La evaluación comparativa de seis modelos revela varias limitaciones técnicas y funcionales recurrentes.

1. Representación inexacta de las características del producto

La mayoría de los generadores de video con IA no logran representar atributos clave del producto como tamaño, color, material y textura de la superficie.

• Los modelos a menudo distorsionan geometrías rígidas (por ejemplo, sillas, botas) o malinterpretan materiales reflectantes y texturizados como cuero o metal.
• Las características específicas de la marca, como logotipos o detalles de empaque, se reproducen de manera inconsistente.
• Los videos resultantes pueden parecer visualmente plausibles, pero no son representaciones confiables del producto real.

En el comercio electrónico, estas inexactitudes corren el riesgo de engañar a los compradores potenciales y erosionar la confianza en el contenido.

2. Comprensión limitada del contexto y la identidad de la marca

Los sistemas carecen de conciencia contextual de cómo debe aparecer un producto dentro de un escenario de marketing o catálogo.

• Incluso cuando el prompt indica claramente una intención comercial, las salidas tienden a parecer animaciones genéricas o representaciones artísticas en lugar de demostraciones de productos.
• Las variaciones en la iluminación, perspectiva y composición del fondo reducen la consistencia profesional requerida para uso promocional.

Esto indica que la mayoría de los modelos aún no están fine-tuned para las demandas visuales y semánticas específicas de la generación de contenido de marca.

3. Desalineación entre prompts y salidas

Un problema común en todas las herramientas probadas es el fallo parcial al seguir las instrucciones del prompt.

• Los modelos funcionan aceptablemente en prompts simples de un solo objeto ("taza", "planta") pero muestran errores u omisiones en prompts complejos de múltiples objetos o descriptivos ("labial y rubor", "4 labiales").
• Algunas herramientas, como Pixverse, no logran generar salidas para prompts neutrales debido a sistemas de filtrado de contenido restrictivos o poco fiables.

Estos resultados demuestran que algunos de los generadores de video con IA actuales interpretan las entradas de texto superficialmente y no pueden traducir de manera confiable la intención descriptiva en forma visual.

4. Rendimiento y fiabilidad inconsistentes

El rendimiento varía significativamente entre prompts y modelos.

• Incluso el sistema de mejor rendimiento, Veo 3, solo mantiene la consistencia dentro de un subconjunto de tipos de prompts.
• Otros, como Sora 2 y Hailuo 02 Pro, fluctúan en calidad a través de escenas con diferentes iluminaciones o complejidad de objetos.
• Los fallos causados por filtros de moderación o errores de generación reducen aún más la fiabilidad para flujos de trabajo de producción.

La fiabilidad inconsistente hace que estas herramientas no sean adecuadas para uso comercial donde la reproducibilidad de la salida es esencial.

Recomendaciones

Para mejorar los videos generados por IA para el comercio electrónico, es necesaria una adaptación técnica en lugar de una simple iteración de prompts.

• Mejorar la calidad del prompt: Incluir descripciones estructuradas de atributos del producto, materiales, iluminación y contexto de uso previsto.
• Fine-tune en datos de dominio: Usar catálogos de productos y visuales de marca para entrenar o condicionar los modelos en estándares de marca específicos.
• Integrar sistemas basados en recuperación: Emplear contextual o generación aumentada por recuperación agéntica (RAG) para suministrar información relevante del producto y la marca durante la generación.

Estas medidas pueden ayudar a cerrar la brecha entre la síntesis de video genérica y la representación precisa y consciente del contexto del producto.

Herramientas de generación de video con IA

*Las herramientas proporcionan un sistema de créditos, y los créditos gastados dependen de muchos factores, como la resolución, la duración del video y el modelo utilizado en la creación.

Para calcular el precio de PixVerse: Precio ≈ (duración ÷ 5 s) × (créditos para calidad de 5 s) × $0.01. Por ejemplo, video de 10 segundos a 720p: (10 ÷ 5) × 60 × $0.01 = $1.20.

Veo

Veo ofrece herramientas para análisis automatizado de video, búsqueda visual, detección de objetos y comprensión de escenas.

Veo 3.1 es la última versión del modelo de generación de video de Google, y la actualización reciente de Ingredientes a Video trae varias mejoras enfocadas en expresividad, control creativo y salida de mayor calidad al generar videos a partir de imágenes de referencia:

• Expresividad de video mejorada: Los videos generados a partir de imágenes de ingredientes ahora muestran movimiento y narrativa más ricos. Esto permite que las salidas se sientan más dinámicas y atractivas, incluso con prompts simples.
• Mejor consistencia de personajes: El modelo mantiene la identidad visual de los personajes a través de escenas, por lo que las personas u objetos se ven iguales a lo largo de una secuencia.
• Consistencia de escena y objeto: Los entornos, fondos y objetos pueden preservarse a través de clips de video, permitiendo narrativas más coherentes.
• Soporte nativo de video vertical (9:16): Veo 3.1 ahora genera videos verticales optimizados para plataformas móviles y de formato corto como YouTube Shorts sin recortar desde el paisaje.
• Escalado a 1080p y 4K: Los usuarios pueden generar videos en resoluciones de 1080p y 4K, adecuados para flujos de trabajo profesionales y de grado de transmisión.

Wan AI

La serie Wan2.6 introduce nuevas capacidades que expanden la capacidad de los usuarios para generar y personalizar contenido con IA, particularmente narrativas de video:

• Generación de referencia a video: Permite a los usuarios subir un video de referencia corto que incluye la apariencia y voz de un sujeto, y luego generar nuevas escenas con ese mismo personaje. Esto preserva la identidad visual y las características de audio, permitiendo que personas, animales u objetos aparezcan consistentemente en el contenido de video generado.
• Narrativa multimodal y video de múltiples tomas: En sus modelos de video (texto a video e imagen a video), Wan2.6 introduce narrativa inteligente de múltiples tomas, permitiendo a los creadores construir narrativas más expresivas con continuidad visual a través de múltiples escenas.
• Longitud de video extendida: Los modelos soportan salidas de video de hasta 15 segundos, proporcionando a los creadores mayor flexibilidad para el ritmo narrativo y cinematográfico.
• Sincronización audio-visual mejorada: La serie mejora la alineación de visuales con el tiempo de diálogo natural, efectos de sonido y generación de audio a video.
• Comprensión avanzada de prompts multimodales: Los modelos tienen una comprensión mejorada de prompts de texto largos en chino e inglés, ayudando a la generación de contenido visualmente expresivo que refleja mejor la entrada matizada y la intención artística.

Kling AI

Kling VIDEO 3.0, las últimas actualizaciones de Kling AI, introduce generación de video nativa más larga, control narrativo más fuerte e integración audio-visual:

• El modelo 3.0 soporta generación de video de 15 segundos con control de duración flexible entre 3 y 15 segundos, extendiendo el límite anterior de 10 segundos de Kling. Esto permite escenas más completas y progresión narrativa más suave dentro de una sola generación.
• También introduce edición de múltiples tomas a través de un sistema "Director IA", permitiendo hasta seis cortes de cámara por video. Los usuarios pueden definir marcos de storyboard personalizados, mientras que el modelo programa automáticamente las tomas y aplica transiciones profesionales, como patrones de toma-toma inversa para escenas de diálogo.
• Con la variante Omni, Kling proporciona sincronización audio-visual nativa, generando diálogo, música y efectos de sonido directamente junto con el video en un solo paso, mejorando la coherencia entre visuales y audio.
• El sistema Elements 3.0 mejora la consistencia del sujeto preservando la identidad del personaje a través de flujos de trabajo de imagen a video, utilizando capturas de referencia visuales y de audio. Esto ayuda a mantener rasgos de personajes consistentes a través de múltiples escenas y tomas.

Hailuo AI

Hailuo AI está diseñado para artistas y creadores para transformar imágenes estáticas en videos animados.

Su último modelo, Hailuo 2.3, soporta tanto generación de texto a video como de imagen a video. El modelo mejora la estabilidad del estilo artístico para anime y otras visuales estilizados, mejora movimientos corporales y de baile complejos, entrega detalles faciales más realistas y microexpresiones, e incrementa la fiabilidad en escenas comerciales y de comercio electrónico a través de un mejor manejo del movimiento del producto.

En contraste, Hailuo 2.3-Fast solo soporta conversión de imagen a video y está optimizado para generación más rápida a menor costo, haciéndolo más adecuado para iteración y prueba rápidas. En general, Hailuo 2.3 apunta a la creación de video de mayor calidad y expresiva, mientras que Hailuo 2.3-Fast enfatiza velocidad y eficiencia.

OpenAI Sora

Sora 2 es el modelo multimodal de IA de OpenAI diseñado para tareas de comprensión y razonamiento visual de alto rendimiento. Las capacidades clave incluyen:

• Razonamiento visual mejorado: Sora 2 puede entender e interpretar imágenes detalladas y complejas, incluidos diagramas, infografías, planos arquitectónicos, figuras científicas y capturas de pantalla de UX/UI.
• Comprensión multimodal: El modelo maneja texto e imágenes juntos, permitiendo a los usuarios hacer preguntas sobre visuales en contexto, por ejemplo, explicando una función de un esquema, identificando errores en un diagrama de flujo o resumiendo contenido en diapositivas.
• Respuestas estructuradas: Sora 2 puede producir salidas organizadas, incluidas tablas, instrucciones paso a paso y comparisones que ayudan a los usuarios a actuar sobre ideas visuales de manera más efectiva.

A partir de marzo de 2026, OpenAI decidió cerrar Sora, a pesar de la popularidad de la herramienta y el respaldo importante, incluida una asociación planificada de $1B con Disney para usar sus personajes.¹

Según WSJ,² una de las razones principales detrás de la decisión de OpenAI es que la empresa está priorizando actualmente herramientas de IA prácticas y generadoras de ingresos sobre productos experimentales para consumidores.

Otras razones incluyeron:

• Altos costos de computación: La generación de video consumió grandes cantidades de chips de IA escasos.
• Falta de rentabilidad: El producto reportedly perdió alrededor de $1 millón por día.
• Retención de usuarios débil: El interés inicial se desvaneció rápidamente y el uso disminuyó significativamente.

PixVerse

PixVerse AI es una plataforma de generación de video con IA que crea videos cortos a partir de prompts de texto o imágenes estáticas, adecuada para la creación de contenido para redes sociales. Incluye características como generación automática de audio, sincronización labial y movimientos de cámara cinematográficos.

Según nuestros hallazgos de comparativa, a pesar de sus capacidades, PixVerse V5 tiene limitaciones al manejar escenas complejas, lograr precisión artística y ofrecer salida de alta resolución en su plan gratuito.

PixVerse V5.6 es la última versión del modelo de generación de video con IA, que se enfoca en realismo, control creativo y calidad de salida inmersiva:

• Calidad visual cinematográfica: El modelo produce visuales de grado de estudio con iluminación mejorada, texturas y fidelidad visual general, haciendo que las escenas generadas se vean más como material filmado profesionalmente.
• Audio y voces auténticos: V5.6 mejora la generación de audio para entregar habla que suena natural en múltiples idiomas.
• Movimiento más suave: El control de movimiento se refina para reducir el warping visual y las distorsiones, resultando en un movimiento más fluido y realista para personajes y objetos.
• Realismo físico mejorado: El modelo exhibe una mejor comprensión de comportamientos físicos, como cómo se drapean las telas o fluyen los líquidos, resultando en escenas más creíbles e inmersivas.

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

Metodología

Productos utilizados

• Veo 3
• Wan 2.5 Preview
• Kling 2.5 Turbo Pro
• Hailuo 02 Pro
• Sora 2
• Pixverse v5

Nota: Todos los productos se probaron en octubre de 2025.

Clasificación de imágenes de prueba y objetivos

Nuestro estudio utilizó tres categorías distintas de imágenes de productos, cada una diseñada para probar las capacidades específicas de las herramientas de generación de video con IA:

Productos con fondo blanco

Propósito: Evaluar capacidades duales

1. Manipulación básica: Movimiento y rotación del producto en un entorno neutral
2. Adaptación ambiental: Integración de productos en nuevos contextos

Enfoque de prueba: Capacidad de la IA para mantener la integridad del producto mientras agrega o cambia entornos.

Imágenes de productos contextuales

Propósito: Evaluar capacidades de animación ambiental

1. Precisión de conversión de escena a video
2. Mantenimiento de iluminación y atmósfera existentes
3. Agregado de elementos dinámicos a un entorno establecido

Enfoque de prueba: Capacidad de la IA para dar vida a tomas de productos ambientales estáticas.

Escenas de múltiples productos

Propósito: Probar relaciones e interacciones complejas de productos

1. Interacciones físicas entre productos
2. Mantenimiento consistente de escala
3. Dinámicas de movimiento de grupo
4. Efectos de iluminación colectiva

Enfoque de prueba: Capacidad de la IA para manejar múltiples productos mientras mantiene la integridad individual e interacciones naturales.

Este enfoque de tres categorías nos permite evaluar no solo la renderización individual de productos y la creación de entornos, sino también la capacidad de la IA para manejar escenarios complejos de múltiples productos, proporcionando una evaluación más completa de aplicaciones de comercio electrónico del mundo real.

Nuestras métricas de evaluación son:

Cumplimiento del prompt: (3 puntos)

• Consistencia entre los requisitos del prompt y la salida generada para el producto
• Consistencia entre los requisitos del prompt y la salida generada para el entorno
• Consistencia entre los requisitos del prompt y la salida generada para la cámara y la toma.

Precisión física: (3 puntos)

• Adherencia a las leyes de la física del mundo real
• Precisión de las interacciones de objetos (contacto de superficie, movimiento)
• Comportamiento de iluminación y sombras

Integridad del producto: (4 puntos)

• Consistencia en la apariencia del producto a lo largo de la generación del video
• Preservación de características y detalles específicos del producto/marca
• Mantenimiento de proporciones y escala del producto
• Precisión en la renderización de textura, color y material

Cada video generado se califica sobre 10 basado en estas métricas.

Conjunto de datos: Usamos imágenes de archivo de pexels.³

Preguntas frecuentes

Lectura adicional

Descubre más sobre capacidades, casos de uso y herramientas de IA generativa:

• Aplicaciones de IA generativa con ejemplos de la vida real
• Herramientas de IA generativa por popularidad y categoría

Cita este benchmark

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 and Alper, Şevval},
  title  = {{Comparativa de creadores de video con IA para comercio electrónico: Veo 3 vs Sora 2}},
  year   = {2026},
  month  = jun,
  howpublished    = {\url{https://aimultiple.com/ai-video-maker}},
  note   = {AIMultiple. Recuperado el 24 de Junio de 2026}
}

Enlaces de referencia

1.

Sora: OpenAI closes AI video app and cancels $1bn Disney deal

BBC News

2.

Free Stock Photos, Royalty Free Stock Images & Copyright Free Pictures · Pexels

3.

Free Stock Photos, Royalty Free Stock Images & Copyright Free Pictures · Pexels

Sıla Ermut

Analista de la industria

Síguenos

Sıla Ermut es analista de la industria en AIMultiple, especializada en marketing por correo electrónico y vídeos de ventas. Anteriormente trabajó como reclutadora en empresas de gestión de proyectos y consultoría. Sıla es licenciada en Psicología Social y en Relaciones Internacionales.

Ver perfil completo

Investigado por

Şevval Alper

Investigador de IA

Síguenos

Şevval es analista del sector en AIMultiple, especializado en herramientas de codificación de IA, agentes de IA y tecnologías cuánticas.

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