Statistiche sul consumo energetico dell'IA

Una recente previsione stima che l'IA consumerà oltre la metà dell'elettricità dei data center entro il 2028.¹Con l'espansione dei carichi di lavoro ad alta intensità di calcolo come l'IA generativa, si prevede anche un aumento della domanda totale di elettricità.

Abbiamo esaminato i dati di IEA, MIT e dei principali provider cloud per identificare le tendenze di efficienza del consumo energetico dell'IA, nonché le risposte politiche e le migliori pratiche.

Consumo energetico dei data center per l'IA

Abbiamo raccolto dati da molteplici organizzazioni di ricerca e analisi di settore che si concentrano sull'uso dell'energia nell'IA e nei data center per il grafico sopra. Queste fonti includono agenzie energetiche globali, studi accademici e iniziative dei fornitori di tecnologia. Scopri come abbiamo raccolto i dati.

Raccomandazioni per gestire il consumo energetico dell'IA

Secondo ricerche recenti, il consumo energetico dell'IA è oggi dominato dall'inference ed è guidato meno dalle singole esecuzioni dei model che da scala, schemi di distribuzione e inefficienze di sistema. Ecco le nostre raccomandazioni per gestire efficacemente il consumo energetico dell'IA:

Dare priorità all'efficienza dell'inference rispetto all'efficienza dell'addestramento

La ricerca mostra che oltre 80% della capacità di calcolo per l'IA è oggi utilizzata per l'inference.

• Trattare l'energia per inference (o per token / per output) come obiettivo primario di ottimizzazione.
• Ottimizzare i percorsi di inference prima di investire in guadagni marginali nell'efficienza dell'addestramento.
• Concentrare gli sforzi di ottimizzazione sugli endpoint ad alta frequenza, non sui casi d'uso rari o a coda lunga.

Misurare e pubblicare metriche energetiche per attività, non dichiarazioni a livello di model

Sulla base della ricerca del MIT, il consumo energetico per attività (elettricità) varia tra attività di testo, immagini e video.

• Strumentare le pipeline per misurare l'energia per attività, inclusi gli overhead non-GPU (memoria, rete, orchestrazione).

Evitare di usare model generativi generici per compiti ristretti

Un consumo energetico più elevato è strettamente legato ai model generativi, che vengono usati per compiti come la classificazione invece di model specializzati. MIT Technology Review mostra che i model specifici per attività sono meno intensivi in termini di carbonio ed energia.

• Usare model specializzati per attività o distillati per classificazione, ranking, estrazione e routing.
• Riservare i grandi model generativi ai compiti che richiedono generazione aperta.
• Introdurre cascate di model (da model piccoli a model grandi, se necessario).

Ridurre gli sprechi a livello di sistema nel serving dell'inference

Gli studi sulle infrastrutture mostrano che i server rappresentano circa il 60% del consumo elettrico dei data center.

• Aumentare l'utilizzo degli acceleratori tramite:
  • Batching
  • Caching
  • Scheduling più intelligente
• Eliminare le chiamate ridondanti tra pipeline e microservizi.
• Implementare un autoscaling sensibile alla domanda invece del provisioning di picco.

Trattare l'efficienza hardware e la Power Usage Effectiveness (PUE) come questioni software

• Progettare model che si adattino in modo efficiente ai vincoli di memoria e larghezza di banda.
• Massimizzare l'utilizzo dell'hardware esistente prima di scalare la capacità.
• Allineare le scelte di architettura dei model con gli acceleratori disponibili più efficienti dal punto di vista energetico.

Considerare l'uso dell'acqua e il ciclo di vita dell'hardware nella progettazione dei sistemi

La ricerca dell'UNRIC mostra che la domanda globale di acqua legata all'IA è destinata ad aumentare in modo esponenziale.

• Favorire le distribuzioni che riducono l'intensità del raffreddamento e l'uso dell'acqua.
• Estendere la vita utile dell'hardware attraverso l'efficienza dei model e il riutilizzo.
• Evitare riaddestramenti o ridistribuzioni non necessari che accelerano il turnover dell'hardware.

Stima delle emissioni di GHG derivanti dall'uso dell'IA: framework per la misurazione a livello aziendale

Un framework Watershed del 2026 propone tre livelli per stimare le emissioni aziendali dell'IA, a seconda dei dati disponibili:

• Basato sulla spesa: moltiplicare la spesa per i fornitori di IA per un fattore di emissioni economiche. Può essere usato quando non sono disponibili dati sull'utilizzo, ma la spesa è un proxy debole per il consumo elettrico effettivo.
• Basato sull'attività: calcolare le emissioni dall'uso dei token, dall'energia consumata per token di input e output, dall'efficienza del data center (PUE) e dall'intensità di carbonio dell'elettricità che alimenta il data center.
• Basato sul provider: utilizzare dati energetici e di emissioni specifici per model e infrastruttura riportati direttamente dal provider di IA. Questo è l'approccio più preciso ma richiede maggiore trasparenza da parte del provider.

Nell'esempio di Watershed di un'azienda che spende $100,000 all'anno per un'API di un model di frontiera, l'approccio basato sulla spesa stima 13.4 tCO₂e/anno, rispetto a 3.7–5.4 tCO₂e usando dati di attività dettagliati e 3.2–4.5 tCO₂e usando i dati del provider.

Il framework raccomanda di misurare l'inference in kgCO₂e per milione di token e di riportare il consumo di elettricità insieme alle emissioni. Una stima completa dovrebbe considerare sia l'uso attivo della GPU sia i sistemi host, la capacità inattiva, l'overhead del data center, la produzione di hardware e l'addestramento dei model.

Il limite principale oggi è la disponibilità dei dati: la maggior parte dei clienti di IA non dispone di dati energetici specifici per model e regione dai propri provider, quindi le stime dipendono ancora fortemente da ipotesi.²

Previsione degli effetti economici dell'IA

I partecipanti allo studio Previsione degli effetti economici dell'IA (2026) hanno fornito stime di variabili economiche chiave (PIL, consumo energetico, produttività, partecipazione alla forza lavoro) sia in condizioni di aspettative normali sia in tre scenari espliciti di progresso dell'IA (lento, moderato, rapido):

• Entro il 2030, i partecipanti stimano che il consumo di elettricità degli Stati Uniti potrebbe rappresentare il 2,3% in uno scenario di crescita più lenta, il 4,9% in caso di crescita moderata e il 7,4% in uno scenario di rapida espansione, rispetto a circa l'1% nel 2024.
• Entro il 2050, si prevede che queste quote aumentino a 5% (lento), 8,3% (moderato) e 15% (rapido).
• Gli specialisti di IA e i superprevisori prevedono una domanda ancora più elevata in caso di crescita rapida nel 2050, stimando ciascuno circa il 19,5%.³

Studio di MIT Technology Review

MIT Technology Review (2025) suddivide il consumo energetico dell'IA in due fasi principali: addestramento dei model e inference dell'IA. Sostiene che l'inference è oggi il motore dominante del consumo energetico perché le funzionalità di IA vengono integrate nella vita quotidiana attraverso prodotti e servizi.

Evidenzia anche una lacuna di trasparenza. La maggior parte dei principali provider di model di IA “chiusi” non divulga informazioni sufficienti per stimare in modo affidabile il loro consumo energetico totale o l'impronta di carbonio.⁴

Elettricità e domanda totale:

• Data center statunitensi: il 4,4% dell'elettricità totale degli Stati Uniti è utilizzato dai data center.
• IA all'interno dei data center statunitensi: i server specifici per IA hanno utilizzato circa 53-76 terawattora (TWh) nel 2024 e le proiezioni suggeriscono 165-326 TWh entro il 2028.

Addestramento vs inference:

• Quota dell'inference: si stima che l'80%-90% del calcolo per l'IA sia usato per l'inference.
• Esempio di energia per l'addestramento: l'addestramento di GPT-4 è descritto come circa 50 GWh.

Energia per attività (consumo di elettricità):

• Testo (Llama 3.1 8B): ~114 joule per risposta considerando l'overhead non-GPU.
• Testo (Llama 3.1 405B): ~6.706 joule per risposta con overhead.
• Immagini (Stable Diffusion 3 Medium, 1024×1024): ~2.282 joule totali; un numero maggiore di step può portare questo valore a ~4.402 joule.
• Video (esempi CogVideoX): ~109.000 joule per un output breve di bassa qualità; ~3.4 milioni di joule per un video di 5 secondi di qualità superiore.

Infrastruttura ed emissioni della rete elettrica:

• L'intensità di carbonio dell'elettricità dei data center è superiore del 48% rispetto alla media statunitense.
• I sistemi di raffreddamento nei data center possono usare grandi quantità di acqua, talvolta potabile.

International Energy Agency

L'IEA (2025) inquadra le richieste energetiche dell'IA attraverso la lente dei data center e dei loro componenti. Fornisce una suddivisione di dove viene consumata l'elettricità all'interno di un data center e offre una prospettiva globale sulla crescita del consumo elettrico dei data center.⁵

Consumo globale di elettricità dei data center:

• Stimati circa 415 TWh nel 2024, pari a circa l'1,5% del consumo globale di elettricità.
• Si prevede che raggiunga ~945 TWh entro il 2030, ovvero meno del 3% del consumo globale di elettricità nello scenario base dell'IEA.

Consumo elettrico dei data center per tipo di apparecchiatura:

• Server: circa il 60% della domanda di elettricità nei data center moderni (varia in base al tipo).
• Sistemi di storage: circa il 5%.
• Apparecchiature di rete: fino al 5%.
• Sistemi di raffreddamento e controllo ambientale: circa il 7% nei data center hyperscale efficienti e oltre il 30% nei data center aziendali meno efficienti.

Figura 1: grafico che mostra i dati 2024 sulla quota di consumo elettrico in base al data center e al tipo di apparecchiatura.

Google Cloud

Google ha pubblicato nel 2025 una metodologia per misurare l'impatto ambientale dell'inference dell'IA per i prompt di Gemini, inclusi elettricità, emissioni di carbonio e consumo di acqua. Presenta le mediane per prompt e rivendica significativi miglioramenti dell'efficienza nell'arco di un periodo di 12 mesi.⁶

Impatti mediani per prompt (prompt di testo delle app Gemini):

• 0.24 Wh di energia
• 0.03 gCO₂e di emissioni
• 0.26 millilitri di acqua

Dichiarazioni sul miglioramento dell'efficienza

• Negli ultimi 12 mesi, Google ha dichiarato che l'energia per prompt mediano è diminuita di 33×, e l'impronta di carbonio totale è diminuita di 44×.

Efficienza e infrastruttura dei data center

• La media aziendale della Power Usage Effectiveness (PUE) è 1.09 per i data center di Google.
• Si afferma che l'ultima generazione di TPU di Google, Ironwood, sia 30× più efficiente dal punto di vista energetico rispetto alla prima TPU disponibile al pubblico.

Carbon Brief Organization

Carbon Brief (2025) sintetizza l'International Energy Agency (IEA)⁷ e altre fonti in una serie di grafici che mostrano impatti di base, proiezioni di crescita e rischi di concentrazione regionale. Sottolinea che il settore è piccolo a livello globale oggi, ma cresce rapidamente ed è rilevante localmente in alcune reti elettriche.⁸

Quote globali attuali

• I data center sono responsabili di oltre l'1% della domanda globale di elettricità e dello 0,5% delle emissioni di CO₂ (vedi Figura 2).

Crescita

• Scenario centrale IEA: il consumo elettrico dei data center sale a 945 TWh entro il 2030.
• Quota dell'IA sul consumo energetico dei data center: circa dal 5% al 15%, potenzialmente dal 35% al 50% entro il 2030.

Esempi di concentrazione regionale:

• Irlanda: circa il 21% dell'elettricità nazionale è usata per i data center, potenzialmente il 32% entro il 2026.
• Virginia (USA): 26% dell'elettricità consumata dai data center (come citato).

Mix di approvvigionamento energetico per i data center (globale)

• Combustibili fossili: quasi il 60%
• Rinnovabili: 27%
• Nucleare: 15%

Figura 2: basata sul Global Energy Review 2025 dell'IEA e sul suo rapporto Energy and IA, questa figura confronta il consumo di elettricità (TWh) e le emissioni di CO₂ (MtCO₂) dei data center globali nel 2024 con quelli di altri settori.

United Nations Regional Information Centre for Western Europe (UNRIC)

L'UNRIC (2025) inquadra l'impronta ambientale dell'IA lungo l'intero ciclo di vita: software (addestramento, deployment, inference, manutenzione) e hardware (materiali, produzione, costruzione, rifiuti elettronici). Sottolinea che il consumo di elettricità e l'uso dell'acqua nei data center sono impatti diretti e sostiene misure politiche per migliorare la divulgazione e la responsabilità.⁹

Statistiche e suddivisione per categorie (elettricità, acqua, categorie del ciclo di vita): l'articolo dell'UNRIC è più categoriale che numerico nelle sezioni estratte. Raggruppa esplicitamente gli impatti dell'IA in effetti diretti, indiretti e di ordine superiore. Ecco alcuni dei risultati principali:

• Categorie di impatto ambientale
  • Diretti: consumo di elettricità e acqua, emissioni di gas serra, estrazione di minerali, inquinamento e rifiuti elettronici.
  • Indiretti: emissioni da applicazioni e servizi abilitati dall'IA.
  • Di ordine superiore: amplificazione delle disuguaglianze e problemi legati a dati di addestramento distorti o di scarsa qualità.
• Data center e uso delle risorse
  • I data center consumano grandi quantità di elettricità, la maggior parte ancora fornita da combustibili fossili.
  • Quantità significative di acqua sono necessarie per i sistemi di raffreddamento e la costruzione.
  • Si prevede che la domanda globale di acqua legata all'IA raggiunga 4.2–6.6 miliardi di metri cubi entro il 2027, superando il consumo idrico annuale della Danimarca.
  • La produzione di un computer da 2 chilogrammi può richiedere circa 800 chilogrammi di materie prime, inclusi minerali rari.
• Uso dell'elettricità e crescita
  • Una query di ChatGPT può usare circa 10× più elettricità di una ricerca su Google, secondo la stima dell'IEA.
  • L'IA e il machine learning hanno rappresentato <0,2% del consumo globale di elettricità e <0,1% delle emissioni globali nel 2021, ma la domanda sta aumentando rapidamente.
  • Alcune aziende tecnologiche segnalano una crescita annua di oltre il 100% della domanda di calcolo per l'addestramento e l'inference dell'IA.
• Espansione dei data center
  • I data center hanno rappresentato circa l'1% della domanda globale di elettricità nel 2022.
  • In Irlanda, i data center hanno rappresentato il 17% del consumo elettrico nazionale nel 2022.
  • Il numero di data center nel mondo è cresciuto da 500.000 nel 2012 a circa 8 milioni.

Non perderti i nostri benchmark e approfondimenti basati sui dati. Il pulsante apre Google; selezionare AIMultiple conferma che desideri vedere AIMultiple più spesso nei risultati di ricerca di Google.

Aggiungi come fonte preferita

MIT News sull'impatto ambientale dell'IA generativa

MIT News (2025) spiega perché l'IA generativa può essere ad alta intensità di risorse e distingue tra addestramento e inference. Sottolinea la densità di potenza, i problemi di affidabilità della rete elettrica e la mancanza di incentivi per gli utenti a ridurre l'uso quando gli impatti sono invisibili.¹⁰

Densità di potenza

• Un cluster di addestramento di IA generativa può consumare da 7 a 8× più energia rispetto a un carico di lavoro di calcolo tipico.

Consumo elettrico dei data center

• Il consumo elettrico globale dei data center è citato come 460 TWh nel 2022 e proiettato a ~1.050 TWh entro il 2026.

Esempio di addestramento di un model

• L'addestramento di GPT-3 è stimato in 1.287 MWh e circa 552 tonnellate di CO₂.

Rapporto sull'utilizzo energetico dei data center negli Stati Uniti

Il rapporto United States Data Center Energy Usage Report (2024) stima il consumo elettrico storico dei data center negli Stati Uniti e fornisce intervalli di scenario fino al 2028. Collega esplicitamente l'accelerazione della crescita post-2017 ai server accelerati, comprese le unità di elaborazione grafica usate per eseguire i model di IA.¹¹

Consumo elettrico totale dei data center negli Stati Uniti:

• ~60 TWh (2014–2016), relativamente stabile.
• 76 TWh entro il 2018, circa l'1,9% del consumo elettrico statunitense.
• 176 TWh entro il 2023, circa il 4,4% del consumo elettrico statunitense.

Intervallo di scenario per il 2028:

• da 325 a 580 TWh entro il 2028.
• Equivalente a 6,7% - 12,0% del consumo elettrico previsto negli Stati Uniti nel 2028.

Fattori trainanti e categorie:

• La crescita è guidata dai server accelerati da GPU per l'intelligenza artificiale, che ora rappresentano una quota significativa della base installata.
• Descrive strategie di efficienza che in precedenza hanno mantenuto stabile la domanda, tra cui sistemi di raffreddamento migliorati, gestione dell'energia, tassi di utilizzo più elevati e riduzione della potenza inattiva.

MIT Technology Review

MIT Technology Review (2023) riferisce di uno dei primi tentativi di quantificare il consumo energetico e le emissioni di carbonio dell'IA durante l'uso quotidiano (inference), invece di concentrarsi solo sull'addestramento. L'articolo si basa su uno studio preprint di ricercatori di Hugging Face e della Carnegie Mellon University.

Lo studio mostra che, sebbene l'addestramento di grandi model di IA sia altamente energivoro, la maggior parte dell'impronta di carbonio di un model di IA nell'arco della sua vita deriva dal suo utilizzo. Poiché i model più diffusi vengono distribuiti milioni o miliardi di volte, le emissioni quotidiane dell'inference possono superare rapidamente quelle dell'addestramento.¹²

Energia per attività e intensità di carbonio:

I ricercatori hanno misurato il consumo energetico su 10 attività comuni di IA sulla piattaforma Hugging Face, testando 88 model diversi ed eseguendo 1.000 prompt per attività utilizzando lo strumento di misurazione Code Carbon. I confronti principali sono:

• Generazione di immagini: generare una singola immagine con un model potente consuma all'incirca la stessa energia necessaria per caricare completamente uno smartphone.
  • Generare 1.000 immagini con un model come Stable Diffusion XL produce emissioni di CO₂ paragonabili a percorrere circa 4.1 miglia con un'auto a benzina.
  • La generazione di immagini è di gran lunga l'attività di IA più energivora e ad alta intensità di carbonio tra quelle misurate.
• Generazione di testo: generare testo è significativamente meno energivoro.
  • Produrre 1.000 output di testo consuma circa il 16% della carica di uno smartphone.
  • Il model di testo meno intensivo in termini di carbonio tra quelli studiati ha emesso l'equivalente di percorrere 0.0006 miglia.

Dimensione dei model e specializzazione per attività:

Lo studio evidenzia un importante divario di efficienza tra i model generativi general-purpose e i model specifici per attività:

• I grandi model generativi consumano molta più energia perché sono progettati per svolgere molti compiti (generare, classificare, summarize). Ad esempio, usare un model generativo per classificare le recensioni di film richiede circa 30× più energia rispetto all'uso di un model più piccolo fine-tuned specificamente per la classificazione del sentiment.
• I model più piccoli e specializzati sono costantemente meno intensivi in termini di carbonio per applicazioni ristrette.

Emissioni da utilizzo vs emissioni da addestramento:

I ricercatori hanno confrontato le emissioni di addestramento con le emissioni cumulative da utilizzo:

• L'addestramento del più grande model BLOOM di Hugging Face è stato superato dopo circa 590 milioni di utilizzi.
• Per model estremamente popolari come ChatGPT, le emissioni da utilizzo potrebbero superare quelle di addestramento nel giro di settimane, a causa degli enormi volumi giornalieri di utenti.
• Ciò accade perché l'addestramento avviene una sola volta, mentre l'inference avviene continuamente su larga scala.

Implicazioni più ampie e opinioni degli esperti:

• Gli esperti osservano che le emissioni per attività erano più alte del previsto, sollevando preoccupazioni man mano che l'IA generativa viene integrata nel software di uso quotidiano (email, ricerca, elaborazione di testi).
• I ricercatori sottolineano che i model più recenti e più grandi sono sostanzialmente più intensivi in termini di carbonio rispetto ai sistemi di IA di pochi anni fa.

Recenti innovazioni nell'efficienza hardware

Diverse uscite hardware del 2026 mostrano grandi miglioramenti nell'efficienza dell'IA. Ad esempio, il chip per inference FuriosaAI RNGD ha iniziato la produzione in volumi nel gennaio 2026 con un TDP di 180W ¹³, molto inferiore ai circa 600W+ consumati dalle tipiche GPU di fascia alta.¹³

Meta ha annunciato quattro nuovi acceleratori per inference MTIA (MTIA 300/400/450/500); i chip focalizzati sull'IA offrono circa da 18 a 27.6 TB/s di larghezza di banda della memoria e il loro rilascio è previsto per il 2027.¹⁴

Infine, Arm ha annunciato la sua prima CPU per data center (la 3nm AGI CPU) con fino a 136 core Neoverse V3 ¹⁵, sviluppata insieme a Meta, e annovera OpenAI tra i primi utilizzatori.

Metodologia su come abbiamo raccolto i dati sul consumo energetico dell'IA

• Abbiamo utilizzato cifre e proiezioni future da recenti analisi sul consumo energetico che stimano l'uso globale di elettricità nei data center e la loro crescita.
• Dove disponibili, facciamo riferimento a metodologie di misurazione pubblicamente accessibili di grandi provider cloud (ad esempio, i dati sull'impatto ambientale di Google Cloud) che divulgano metriche specifiche, come l'energia per inference.

Molti report utilizzano unità di misura o terminologie diverse, come la quota dell'IA e del ML sul consumo globale di elettricità, l'uso di energia per addestramento e inference e la quota dei data center sull'elettricità globale, rendendo difficile confrontarli in un unico grafico. Per garantire che tutti i valori potessero essere presentati insieme in un unico grafico, abbiamo incluso gli studi che utilizzavano definizioni e unità di misura comparabili:

• Consumo globale di elettricità dei data center.
• Quota dell'IA sul consumo elettrico all'interno dei data center.
• Consumo elettrico dei data center negli Stati Uniti, per evidenziare le differenze tra uso energetico globale e statunitense.

FAQ

Cita questa ricerca

Scegli il formato adatto a dove pubblicherai. Incollare la versione con link nel tuo CMS preserva il backlink.

@misc{ermut2026,
  author = {Ermut, Sıla},
  title  = {{Statistiche sul consumo energetico dell'IA}},
  year   = {2026},
  month  = aug,
  howpublished    = {\url{https://aimultiple.com/ai-energy-consumption}},
  note   = {AIMultiple. Consultato il 7 agosto 2026}
}

Registro delle modifiche

4 aggiornamenti

2026

1. 7 ago

   Aggiunta una sezione sulla stima delle emissioni aziendali di IA tramite il framework Watershed.

2. 18 mag

   Aggiunta una sezione "Recenti innovazioni nell'efficienza hardware" su FuriosaAI RNGD, i chip MTIA di Meta e la CPU per data center di Arm.

3. 6 apr

   Aggiunta una sezione "Forecasting the Economic Effects of AI, 2026" con proiezioni della quota elettrica statunitense per il 2030 e il 2050.

4. 19 gen

   Aggiornata l'introduzione alla sezione delle statistiche sul consumo energetico dell'IA.

Collegamenti di riferimento

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 di settore

Segui

Sıla Ermut è un'analista di settore presso AIMultiple e si occupa di modelli di IA, infrastrutture di IA, governance dell'IA e applicazioni aziendali dell'IA. La sua ricerca si concentra principalmente sull'uso dell'IA nel marketing, nella sanità, nelle catene di approvvigionamento e nella sostenibilità.
In precedenza ha lavorato come reclutatrice in società di project management e consulenza. Sıla ha conseguito un Master of Science in Psicologia Sociale e un Bachelor of Arts in Relazioni Internazionali.

Visualizza il profilo completo

Sii il primo a commentare

Il tuo indirizzo email non verrà pubblicato. Tutti i campi sono obbligatori. I commenti vengono lasciati nella loro lingua originale.

Nome

Indirizzo e-mail

Commento

0/450

Pubblica un commento