Referência do E-Commerce AI Video Maker: Veo 3 vs.

A visualização de produtos desempenha um papel crucial no sucesso do comércio eletrônico , mas criar vídeos de produtos de alta qualidade ainda representa um desafio significativo. Os recentes avanços na tecnologia de geração de vídeos com IA oferecem soluções promissoras.

Comparamos os 6 melhores criadores de vídeo com IA usando 12 conjuntos de imagens e instruções para avaliar suas capacidades na geração de vídeos de demonstração de produtos:

Resultados de teste do criador de vídeos com IA

Figura 1: Sucesso das ferramentas na criação de vídeos seguindo as instruções e imagens de entrada.

Confira nossa metodologia e métricas de avaliação para ver como chegamos a essas classificações.

O Veo 3 é o modelo de melhor desempenho, alcançando as maiores pontuações totais e médias. Ele oferece resultados consistentes e de alta qualidade em praticamente todas as dimensões de avaliação, mantendo um alto nível de realismo, precisão de iluminação e detalhes da marca.

Wan 2.5 e Kling 2.5 formam o segundo nível de desempenho.

• O Wan 2.5 apresenta um desempenho confiável na maioria dos comandos, mas demonstra fragilidades nos comandos da cadeira e das botas, indicando dificuldades com geometria rígida e texturas de calçados.
• O Kling 2.5 tem um desempenho muito bom em cenas simples com um único objeto, como "caneca", "planta" e "lanterna", mas apresenta menor precisão em itens cosméticos complexos e formas irregulares, como "botas" e "batom e blush".

O Hailuo 02 Pro demonstra um desempenho mediano. Ele funciona bem com comandos simples de catálogo, como "planta", "sacola de papel" e "4 batons", mas é menos consistente na fidelidade à marca e em objetos complexos como "bolsas" e "sapatos".

O Sora 2 apresenta desempenho variável. Ele obtém resultados excelentes em comandos estruturados como "caneca" e "sacola de papel", mas tem desempenho ruim em outros, como "botas" e "4 batons". O modelo parece sensível à complexidade da cena e à variação de iluminação.

O Pixverse v5 obteve a pior classificação geral. Seu desempenho foi ruim em diversas tarefas envolvendo calçados, bolsas e cosméticos, o que sugere um gerenciamento deficiente de proporção e identidade do produto.

• O Pixverse não conseguiu gerar a saída para o prompt da cadeira: “O conteúdo não pôde ser processado porque continha material sinalizado por um verificador de conteúdo: 'content_policy_violation'”.
• Os outros modelos processaram com sucesso o comando da cadeira e geraram o vídeo. Isso indica um problema de confiabilidade e uma possível limitação no sistema de filtragem de comandos ou moderação de conteúdo do Pixverse.

Possíveis razões para as diferenças de desempenho

Diferenças na maturidade do modelo e na escala de treinamento

• A maior taxa de sucesso do Veo 3 provavelmente sugere um modelo mais maduro, provavelmente treinado em conjuntos de dados de vídeo, imagem e texto maiores e mais diversificados.
• Ferramentas com desempenho inferior (por exemplo, Pixverse v5, Sora 2) parecem menos capazes ao lidar com categorias de produtos variadas, indicando generalização limitada entre tipos de objetos, materiais e cenas.
• Os modelos de nível intermediário (Wan 2.5, Kling 2.5, Hailuo 02 Pro) apresentam pontos fortes parciais, o que implica uma cobertura de treinamento mais restrita ou desigual.

Sensibilidade à complexidade e geometria dos objetos

O desempenho varia bastante conforme o tipo de produto:

• Objetos simples, rígidos e de objeto único (por exemplo, canecas, plantas, lanternas) são tratados de forma mais confiável em todos os modelos.
• Objetos complexos com geometria irregular, materiais reflexivos ou estruturas articuladas (ex.: botas, bolsas, cosméticos) podem causar distorções e falhas.

Isso sugere diferenças na forma como os modelos aprendem e preservam a estrutura 3D, as proporções e as propriedades da superfície durante a geração de vídeo.

Limitações de seguimento de instruções e alinhamento semântico

Todas as ferramentas apresentam degradação de desempenho à medida que as instruções se tornam mais detalhadas ou envolvem múltiplas ações, objetos ou restrições estilísticas.

• Taxas de sucesso mais elevadas estão correlacionadas com modelos que traduzem melhor a intenção textual em movimento visual e mudanças de cena.

Por exemplo, a falha do Pixverse em gerar resultados para um comando neutro como "cadeira" destaca deficiências na interpretação do comando ou na filtragem de moderação, afetando a confiabilidade em vez de apenas a qualidade visual.

Desafios relacionados à integridade do produto e à fidelidade à marca

Os modelos com pontuação mais baixa frequentemente alteram:

• Proporções e escala do produto
• Texturas, materiais e cores
• Detalhes visuais que definem a marca

A vantagem do Veo 3 parece estar ligada a uma melhor consistência temporal, mantendo a identidade do produto entre os frames, o que impacta diretamente as pontuações em integridade do produto e precisão física.

Essas diferenças provavelmente refletem o quanto os modelos são otimizados para o realismo visual genérico versus a precisão centrada no produto, o que é crucial em contextos de comércio eletrônico.

Consistência de cena e realismo físico

Os modelos diferem em sua capacidade de manter:

• Coherent iluminação e sombras
• Interações plausíveis entre objeto e ambiente
• Movimento estável da câmera

Ferramentas com pontuações mais baixas frequentemente violam as leis da física do mundo real (por exemplo, movimentos não naturais das mãos, objetos flutuantes, reflexos inconsistentes), indicando representações internas mais fracas das restrições físicas.

efeitos do desenho de avaliação

O critério enfatiza o cumprimento imediato das normas, a precisão física e a integridade do produto, o que favorece modelos que priorizam o realismo estruturado em detrimento da variação artística.

O número limitado de sugestões (12) e a dependência de imagens de banco de imagens podem amplificar o impacto de:

• Sensibilidade imediata
• casos de falha única
• pontos fracos específicos da categoria

Como resultado, as diferenças entre os modelos tornam-se mais acentuadas, especialmente em cenários complexos com múltiplos objetos.

Exemplos de criadores de vídeo com IA

Os exemplos a seguir mostram cada comando juntamente com o vídeo de saída correspondente:

1. Os sapatos vermelhos de salto alto e a bolsa preta na foto, mostrados em close-up enquanto a câmera faz uma panorâmica lenta da esquerda para a direita, com reflexos de luz deslizando pelos saltos brilhantes, enquanto a corrente da bolsa dá um brilho metálico sutil, terminando com um foco suave no conjunto.

2. A pequena planta verde no vaso branco da foto, colocada contra um fundo branco limpo, enquanto uma mão entra delicadamente pelo lado direito, levanta o vaso suavemente e o leva para fora do enquadramento.

3. A mochila na foto, apoiada sobre uma superfície de pedra com árvores ao fundo, enquanto a câmera lentamente dá um zoom e uma mão surge lateralmente, pega a mochila pela alça superior e a leva para fora do enquadramento.

4. Os quatro batons na foto estão em pé, com embalagens brilhantes prateadas e pretas, em uma cena subaquática surreal onde bolhas sobem e raios de luz cintilantes filtram-se pela água, enquanto a câmera gira lentamente para destacar cada tom.

5. Na foto, o frasco de perfume está sobre uma superfície escura. Uma mão entra suavemente, pega-o e pressiona o borrifador, liberando uma névoa fina que capta a luz em câmera lenta contra o fundo.

6. Na foto, uma caneca de café de esmalte branco sobre uma mesa de madeira, enquanto uma mão surge de cima e inclina uma chaleira para despejar um fluxo suave de café quente na caneca; o vapor sobe em espirais e ondulações suaves se formam na superfície enquanto a câmera captura um close-up.

7. A bolsa de ombro de couro na foto, exibida sobre um fundo liso, começa a girar suavemente em um giro completo de 360 graus, mostrando todos os ângulos e detalhes das alças, fivelas e costuras, enquanto a câmera permanece centralizada.

8. O vaso rosa com flores coloridas na foto, em contraste com um fundo preto, começa a girar lentamente enquanto pétalas e folhas se desprendem delicadamente em câmera lenta e flutuam para cima como se desafiassem a gravidade, iluminadas por suaves feixes de luz, enquanto o próprio vaso permanece sólido e brilhante na base.

9. As botas de salto alto marrom-escuras na foto, mostradas sendo usadas de forma que apenas a parte inferior das pernas e os pés sejam visíveis, enquanto a pessoa caminha graciosamente sobre uma superfície branca e lisa; a câmera acompanha os passos em close-up, capturando o brilho do couro e o ritmo confiante da caminhada.

10. A simples cadeira de madeira da foto, agora colocada dentro de uma cozinha moderna e iluminada, em frente a uma mesa de jantar, enquanto a câmera muda suavemente de ângulo, de um lado para o outro e ligeiramente de cima, destacando a cadeira em seu novo contexto, com a luz natural entrando abundantemente.

11. O batom e o blush na foto se transformam em uma vitrine de beleza mágica: o batom gira lentamente para cima sozinho, deixando um rastro brilhante de luz rosa no ar, enquanto o blush se abre e libera uma nuvem suave de pó rosa cintilante que envolve delicadamente os dois produtos antes de se assentar novamente.

12. A lanterna na foto está em um ambiente externo escuro, com a vela acesa em seu interior: o pavio pega fogo, a chama cresce suavemente e um brilho dourado e quente se espalha pelo vidro com um leve tremor e reflexos em forma de estrela, enquanto a câmera faz um zoom lento para enfatizar a luz contra o fundo noturno desfocado.

Quais são os problemas com os geradores de vídeo de IA?

Os modelos de geração de vídeo por IA mostram progresso na síntese visual, mas as ferramentas atuais ainda não estão prontas para produzir vídeos de produtos que atendam aos padrões do comércio eletrônico. A avaliação comparativa de seis modelos revela diversas limitações técnicas e funcionais recorrentes.

1. Representação imprecisa das características do produto

A maioria dos geradores de vídeo com IA falha em representar atributos essenciais do produto, como tamanho, cor, material e textura da superfície.

• Os modelos frequentemente distorcem geometrias rígidas (por exemplo, cadeiras, botas) ou representam de forma incorreta materiais reflexivos e texturizados, como couro ou metal.
• Elementos específicos da marca, como logotipos ou detalhes da embalagem, são reproduzidos de forma inconsistente.
• Os vídeos resultantes podem parecer visualmente plausíveis, mas não representam de forma confiável o produto real.

No comércio eletrônico, essas imprecisões podem enganar potenciais compradores e corroer a confiança no conteúdo.

2. Compreensão limitada do contexto e da identidade da marca.

Os sistemas carecem de consciência contextual sobre como um produto deve aparecer em um cenário de marketing ou catálogo.

• Mesmo quando a solicitação indica claramente uma intenção comercial, os resultados tendem a se assemelhar a animações genéricas ou representações artísticas em vez de demonstrações de produtos.
• Variações na iluminação, perspectiva e composição do fundo reduzem a consistência profissional necessária para uso promocional.

Isso indica que a maioria dos modelos ainda não está otimizada para as demandas visuais e semânticas específicas da geração de conteúdo de marca.

3. Desalinhamento entre prompts e outputs

Um problema comum a todas as ferramentas testadas é a falha parcial em seguir as instruções apresentadas.

• Os modelos apresentam um desempenho aceitável em comandos simples com um único objeto (“caneca”, “planta”), mas mostram erros ou omissões em comandos complexos com múltiplos objetos ou comandos descritivos (“batom e blush”, “4 batons”).
• Algumas ferramentas, como o Pixverse, não conseguem gerar resultados para prompts neutros devido a sistemas de filtragem de conteúdo restritivos ou pouco confiáveis.

Esses resultados demonstram que alguns dos geradores de vídeo com IA atuais interpretam as entradas de texto de forma superficial e não conseguem traduzir de forma confiável a intenção descritiva em forma visual.

4. Desempenho e confiabilidade inconsistentes

O desempenho varia significativamente entre os diferentes comandos e modelos.

• Mesmo o sistema de melhor desempenho, o Veo 3, só mantém a consistência dentro de um subconjunto de tipos de prompts.
• Outros modelos, como o Sora 2 e o Hailuo 02 Pro, apresentam variações de qualidade em cenas com diferentes níveis de iluminação ou complexidade de objetos.
• Falhas causadas por filtros de moderação ou erros de geração reduzem ainda mais a confiabilidade dos fluxos de trabalho de produção.

A confiabilidade inconsistente torna essas ferramentas inadequadas para uso comercial, onde a reprodutibilidade dos resultados é essencial.

Recomendações

Para melhorar os vídeos gerados por IA para comércio eletrônico, é necessária uma adaptação técnica em vez de uma simples iteração de ajustes.

• Melhore a qualidade das respostas: Inclua descrições estruturadas dos atributos do produto, materiais, iluminação e contexto de uso pretendido.
• Ajuste fino com base em dados específicos: Utilize catálogos de produtos e elementos visuais da marca para treinar ou condicionar os modelos com base em padrões específicos da marca.
• Integrar sistemas baseados em recuperação: Utilizar geração aumentada por recuperação contextual ou agente (RAG) para fornecer informações relevantes sobre produtos e marcas durante a geração.

Essas medidas podem ajudar a preencher a lacuna entre a síntese de vídeo genérica e a representação precisa e contextualizada do produto.

ferramentas de geração de vídeo com IA

*As ferramentas oferecem um sistema de créditos, e os créditos gastos dependem de vários fatores, como a resolução, a duração do vídeo e o modelo usado na criação.

Para calcular o preço no PixVerse: Preço ≈ (duração ÷ 5 s) × (créditos para qualidade de 5 s) × $0,01. Por exemplo, vídeo de 10 segundos em 720p: (10 ÷ 5) × 60 × $0,01 = $1,20 .

Veo

A Veo oferece ferramentas para análise automatizada de vídeo, busca visual, detecção de objetos e compreensão de cenas.

O Veo 3.1 é a versão mais recente do modelo de geração de vídeo do Google, e a recente atualização "Ingredientes para Vídeo" traz diversas melhorias focadas em expressividade, controle criativo e saída de maior qualidade ao gerar vídeos a partir de imagens de referência:

• Expressividade de vídeo aprimorada: os vídeos gerados a partir de imagens de ingredientes agora apresentam movimentos e narrativas mais ricos. Isso permite que os resultados pareçam mais dinâmicos e envolventes, mesmo com instruções simples.
• Melhor consistência de personagens: O modelo mantém a identidade visual dos personagens em todas as cenas, de modo que pessoas ou objetos tenham a mesma aparência ao longo de uma sequência.
• Consistência de cena e objeto: Cenários, planos de fundo e objetos podem ser preservados entre videoclipes, possibilitando narrativas mais coerentes.
• Suporte nativo para vídeos verticais (9:16): O Veo 3.1 agora gera vídeos verticais otimizados para plataformas de formato curto com foco em dispositivos móveis, como o YouTube Shorts, sem cortes na horizontal.
• Aumento de resolução para 1080p e 4K: Os usuários podem gerar vídeos em resoluções 1080p e 4K, adequadas para fluxos de trabalho profissionais e de nível de transmissão.

IA Wan

A série Wan2.6 introduz novas funcionalidades que ampliam a capacidade dos usuários de gerar e personalizar conteúdo de IA, particularmente narrativas em vídeo:

• Geração de vídeo de referência: Permite que os usuários carreguem um vídeo de referência curto que inclua a aparência e a voz de um sujeito e, em seguida, gerem novas cenas com esse mesmo personagem. Isso preserva a identidade visual e as características de áudio, permitindo que pessoas, animais ou objetos apareçam de forma consistente em todo o conteúdo de vídeo gerado.
• Narrativa multimodal e vídeo com múltiplas tomadas: Em seus modelos de vídeo ( texto para vídeo e imagem para vídeo), o Wan2.6 introduz a narrativa inteligente com múltiplas tomadas, permitindo que os criadores construam narrativas mais expressivas com continuidade visual em várias cenas.
• Duração de vídeo estendida: Os modelos suportam saídas de vídeo de até 15 segundos, proporcionando aos criadores maior flexibilidade para narrativa e ritmo cinematográfico.
• Sincronização audiovisual aprimorada: A série melhora o alinhamento dos elementos visuais com a duração natural dos diálogos, os efeitos sonoros e a geração de áudio para vídeo.
• Compreensão avançada de estímulos multimodais: Os modelos aprimoraram a compreensão de longos textos em chinês e inglês, auxiliando na geração de conteúdo visualmente expressivo que reflete melhor as nuances da entrada e a intenção artística.

IA Kling

O Kling VIDEO 3.0, a versão mais recente da Kling AI, apresenta geração de vídeos nativos mais longos, maior controle narrativo e integração audiovisual:

• O modelo 3.0 suporta a geração de vídeos de 15 segundos com controle flexível de duração entre 3 e 15 segundos, ampliando o limite anterior de 10 segundos do Kling. Isso possibilita cenas mais completas e uma progressão narrativa mais fluida em uma única geração.
• O sistema também introduz a edição multiplano por meio de um "Diretor de IA" , permitindo até seis cortes de câmera por vídeo. Os usuários podem definir quadros de storyboard personalizados, enquanto o modelo agenda automaticamente as tomadas e aplica transições profissionais, como padrões de plano e contraplano para cenas de diálogo.
• Com a variante Omni , o Kling oferece sincronização audiovisual nativa, gerando diálogos, música e efeitos sonoros diretamente junto com o vídeo em uma única passagem, melhorando a coerência entre os elementos visuais e o áudio.
• O sistema Elements 3.0 aprimora a consistência do sujeito, preservando a identidade do personagem em fluxos de trabalho de imagem para vídeo, usando capturas de referência visuais e de áudio. Isso ajuda a manter características consistentes do personagem em várias cenas e tomadas.

Hailuo AI

O Hailuo AI foi projetado para que artistas e criadores transformem imagens estáticas em vídeos animados.

Seu modelo mais recente, Hailuo 2.3, suporta a geração de vídeo a partir de texto e de imagem. O modelo aprimora a estabilidade do estilo artístico para animes e outros visuais estilizados, melhora movimentos corporais e de dança complexos, oferece detalhes faciais e microexpressões mais realistas e aumenta a confiabilidade em cenas comerciais e de comércio eletrônico por meio de um melhor processamento de movimento de produtos.

Em contraste, o Hailuo 2.3-Fast suporta apenas a conversão de imagem para vídeo e é otimizado para geração mais rápida a um custo menor, tornando-o mais adequado para iteração e testes rápidos. No geral, o Hailuo 2.3 visa a criação de vídeos expressivos e de alta qualidade, enquanto o Hailuo 2.3-Fast enfatiza a velocidade e a eficiência.

OpenAI Sora

Sora 2 é um modelo de IA multimodal da OpenAI projetado para tarefas de raciocínio e compreensão visual de alto desempenho. Suas principais funcionalidades incluem:

• Raciocínio visual aprimorado: Sora 2 consegue entender e interpretar imagens detalhadas e complexas, incluindo diagramas, infográficos, plantas arquitetônicas, figuras científicas e capturas de tela de UX/UI.
• Compreensão multimodal: O modelo processa texto e imagens simultaneamente, permitindo que os usuários façam perguntas sobre elementos visuais em contexto, por exemplo, explicando uma função a partir de um esquema, identificando erros em um fluxograma ou resumindo o conteúdo de slides.
• Respostas estruturadas: O Sora 2 pode gerar resultados organizados, incluindo tabelas, instruções passo a passo e comparações que ajudam os usuários a agir com base em informações visuais de forma mais eficaz.

Em março de 2026, a OpenAI decidiu encerrar o Sora, apesar da popularidade da ferramenta e do grande apoio financeiro, incluindo uma parceria planejada de US$ 1 bilhão com a Disney para usar seus personagens. ¹

Segundo o WSJ, ² Uma das principais razões por trás da decisão da OpenAI é que a empresa está priorizando ferramentas de IA práticas e geradoras de receita em vez de produtos experimentais para o consumidor.

Outros motivos incluíam:

• Altos custos de computação: A geração de vídeo consumiu grandes quantidades de chips de IA, que são escassos.
• Falta de rentabilidade: Segundo relatos, o produto gerava prejuízos de cerca de 1 milhão de dólares por dia.
• Baixa retenção de usuários: o interesse inicial desapareceu rapidamente e o uso diminuiu significativamente.

PixVerse

PixVerse AI é uma plataforma de geração de vídeos com inteligência artificial que cria vídeos curtos a partir de textos ou imagens estáticas, ideal para a criação de conteúdo para redes sociais. Inclui recursos como geração automática de áudio, sincronização labial e movimentos de câmera cinematográficos.

Com base em nossos resultados de benchmark, apesar de suas capacidades, o PixVerse V5 apresenta limitações no processamento de cenas complexas, na obtenção de precisão artística e na oferta de saída em alta resolução em seu plano gratuito.

O PixVerse V5.6 é a versão mais recente do modelo de geração de vídeo por IA, que se concentra no realismo, no controle criativo e na qualidade de saída imersiva:

• Qualidade visual cinematográfica: O modelo produz visuais com qualidade de estúdio, com iluminação, texturas e fidelidade visual geral aprimoradas, fazendo com que as cenas geradas se pareçam mais com filmagens profissionais.
• Áudio e voz autênticos: a versão 5.6 aprimora a geração de áudio para oferecer uma fala com som natural em vários idiomas.
• Movimentos mais suaves: O controle de movimento foi aprimorado para reduzir distorções e deformações visuais, resultando em movimentos mais fluidos e realistas para personagens e objetos.
• Realismo físico aprimorado: O modelo demonstra uma melhor compreensão dos comportamentos físicos, como o caimento dos tecidos ou o fluxo de líquidos, resultando em cenas mais verossímeis e imersivas.

Metodologia

Produtos utilizados

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

Nota: Todos os produtos serão testados em outubro de 2025.

Classificação e objetivos da imagem de teste

Nosso estudo utilizou três categorias distintas de imagens de produtos, cada uma projetada para testar as capacidades específicas das ferramentas de geração de vídeo por IA:

Produtos com fundo branco

Objetivo: Avaliar capacidades duplas

1. Manipulação básica: Movimentação e rotação do produto em posição neutra.
2. Adaptação ambiental: Integração de produtos em novos contextos

Foco do teste: capacidade da IA de manter a integridade do produto ao adicionar ou alterar ambientes.

Imagens contextuais do produto

Objetivo: Avaliar as capacidades de animação ambiental

1. Precisão na conversão de cena em vídeo
2. Manutenção da iluminação e atmosfera existentes.
3. Adicionar elementos dinâmicos a um cenário já estabelecido.

Foco do teste: a capacidade da IA de dar vida a fotos estáticas de produtos em ambientes reais.

cenas com múltiplos produtos

Objetivo: Testar relações e interações complexas entre produtos.

1. Interações físicas entre produtos
2. Manutenção consistente da escala
3. Dinâmica de movimento de grupo
4. Efeitos de iluminação coletiva

Foco do teste: a capacidade da IA de lidar com múltiplos produtos, mantendo a integridade individual e as interações naturais.

Essa abordagem em três categorias nos permite avaliar não apenas a renderização de produtos individuais e a criação de ambientes, mas também a capacidade da IA de gerenciar cenários complexos com múltiplos produtos, proporcionando uma avaliação mais completa de aplicações de comércio eletrônico no mundo real.

Nossos critérios de avaliação são:

Cumprimento imediato: (3 pontos)

• Consistência entre os requisitos imediatos e o resultado gerado para o produto.
• Consistência entre os requisitos imediatos e a saída gerada para o ambiente.
• Consistência entre os requisitos de áudio e a saída gerada pela câmera e pela filmagem.

Precisão física: (3 pontos)

• Aderência à física do mundo real
• Precisão das interações com objetos (contato com a superfície, movimento)
• Comportamento da luz e das sombras

Integridade do produto: (4 pontos)

• Consistência na aparência do produto ao longo da geração do vídeo.
• Preservação das características e detalhes específicos do produto/marca
• Manutenção das proporções e da escala do produto
• Precisão na renderização de textura, cor e material

Cada vídeo gerado é avaliado numa escala de 0 a 10 com base nessas métricas.

Conjunto de dados: Utilizamos imagens de banco de imagens do Pexels. ³

Perguntas frequentes

Leitura complementar

Descubra mais sobre as capacidades, casos de uso e ferramentas da IA generativa:

• Aplicações de IA generativa com exemplos da vida real
• Ferramentas de IA generativa por popularidade e categoria

Links de referência

1.

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

BBC News

2.

Exclusive | The Sudden Fall of OpenAI’s Most Hyped Product Since ChatGPT - WSJ

3.

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

Sıla Ermut

Analista do setor

Siga-nos

Sıla Ermut é analista de mercado na AIMultiple, com foco em marketing por e-mail e vídeos de vendas. Anteriormente, trabalhou como recrutadora em empresas de gestão de projetos e consultoria. Sıla possui mestrado em Psicologia Social e bacharelado em Relações Internacionais.

Ver perfil completo

Pesquisado por

Şevval Alper

Pesquisador de IA

Siga-nos

Şevval é analista da AIMultiple, especializada em ferramentas de codificação de IA, agentes de IA e tecnologias quânticas.

Ver perfil completo

Seja o primeiro a comentar

Seu endereço de e-mail não será publicado. Todos os campos são obrigatórios.

Nome

Endereço de email

Comentário

0/450

Postar comentário