Seis meses en lugar de cuatro años. Cincuenta por ciento menos de costos. Diez perforaciones dirigidas en lugar de cien intentos a tientas y locos. Y la capacidad de detectar depósitos minerales ocultos que los métodos tradicionales probablemente jamás habrían encontrado. Esta es la promesa en firme de la inteligencia artificial aplicada a la exploración de minerales críticos.
India ha iniciado una de las transformaciones más significativas en su sector minero al integrar IA y machine learning (ML) en la búsqueda de minerales claves para el futuro que viene; litio, cobre, níquel, cobalto, grafito y tierras raras. Lo hace siguiendo el camino trazado por KoBold Metals, una compañía que se define en su página Web como “una empresa de exploración y desarrollo mineral científico centrada en minerales críticos” y remata con una frase clave, muy propia del modelo siglo XXI: “No nos falta metal. Nos falta información”. Esta minera, se ufana de tener en Zambia a Mingomba “una de las minas de cobre más grandes del mundo”. De hecho, es cierto, se trata del depósito de cobre de alto grado más importante en décadas. Para sacarse el sombrero: 247 millones de toneladas con 3.64% de grado promedio, seis veces superior al promedio de Chile, el mayor productor mundial.
Lo que une a Rajasthan con el Copperbelt zambiano no es geografía sino su mirada sobre el futuro. Ambos están desplegando algoritmos capaces de crear un “Google Maps del subsuelo” —mapas de prospectividad mineral que procesan simultáneamente décadas de datos geológicos, geoquímicos, geofísicos y satelitales para identificar zonas prometedoras mediante el reconocimiento de patrones invisibles para analistas humanos.
Esta convergencia entre política pública, investigación académica de primer nivel y tecnologías de datos avanzados está redefiniendo además quién puede competir en la exploración mineral y, más importante, cuánto tiempo y capital se requiere para pasar de “zona inexplorada” a “depósito caracterizado listo para inversión minera”.
Rajasthan, el laboratorio Indio
El punto de inflexión se produjo el 13 de diciembre de 2025, cuando el gobierno del estado de Rajasthan firmó un memorando de entendimiento de ₹8.5 crore (unos U$S1.03 millones) con el Indian Institute of Technology Hyderabad (IIT Hyderabad), que en 2025 ocupó el séptimo lugar entre los centros de ingeniería más importantes de la India El acuerdo, formalizado en presencia del ministro Principal de Rajasthan, Bhajanlal Sharma, el ministro de Carbón y Minas de la Unión G. Kishan Reddy, y B.S. Murty, Director de IIT Hyderabad, contempla desarrollar un sistema predictivo de exploración basado en IA y ML durante 18 meses, ejecutado en cuatro fases.
El sistema integra datos geológicos, geoquímicos, geofísicos e imágenes satelitales multiespectrales de 39 distritos
El proyecto será liderado por Krishna Mohan, profesor del Departamento de Ciencias de la Computación e Ingeniería de IIT Hyderabad, en colaboración con Critical Mineral Trackers, una startup establecida en el Technology Research Park del instituto. Esta conexión academia-startup tiene un carácter estratégico: IIT Hyderabad también coordina el Australia-India Critical Minerals Research Hub (AICMRH) y un Centro de Excelencia en Minerales Críticos, posicionándose como nodo de conocimiento para todo el proyecto nacional.
El sistema integra datos geológicos, geoquímicos, geofísicos e imágenes satelitales multiespectrales de 39 distritos con el fin de generar mapas de prospectividad mineral basados en IA. Los entregables incluirán modelos de predicción, dashboards de datos por distrito y herramientas de soporte para decisiones que permitirán a la Rajasthan State Mineral Exploration Trust (RSMET) identificar zonas con alta probabilidad de contener depósitos valiosos.
“El Estado aplicará AI y ML para la exploración de minerales críticos y estratégicos bajo los programas nacionales de Atmanirbhar Bharat y Digital India”, explicó Tarun Ravikant, secretario Principal del Departamento de Minas, Geología y Petróleo del Gobierno de Rajasthan. “La exploración basada en IA ahorra tiempo, costo y trabajo mientras aumenta la precisión científica de la detección mineral. El proyecto se completará en cuatro fases durante 18 meses, y se espera que respalde un modelo de desarrollo mineral y una hoja de ruta a largo plazo para el estado”, indicó Ravikant.
Los proyectos piloto iniciales se concentran en distritos estratégicos como Bhilwara, Bharatpur y zonas seleccionadas de Chittorgarh, enfocándose en cobre, grafito, zinc, litio, cobalto, níquel y tierras raras.
Simultáneamente, Rajasthan firmó un segundo memorando con IIT (Indian School of Mines) Dhanbad para realizar una evaluación científica de 80 escombreras mineras y relaves identificados en todo el estado. Este proyecto, gestionado a través del Technology Innovation in Exploration & Mining Foundation (TEXMiN), busca determinar la presencia, grado y recuperabilidad de tungsteno, litio, cobalto, níquel y elementos de tierras raras en estos residuos mineros heredados, transformando lo que tradicionalmente se consideraban pasivos ambientales en activos estratégicos.
La prueba: 70,000 km² procesados por el equipo de Mandal
El trabajo de Partha Pratim Mandal, profesor del Departamento de Geofísica Aplicada de IIT-ISM Dhanbad, ofrece la evidencia más contundente del impacto transformador de la IA en exploración mineral india. Su equipo ha aplicado herramientas de IA/ML en más de 70,000 km² de cinturones minerales en Jharkhand, sur de Rajasthan, Karnataka y Andhra Pradesh.
Un caso destacado se dio en el sur de Rajasthan, donde el equipo de Mandal integró 14,000 km² de datos geológicos, geofísicos y geoquímicos para producir mapas de prospectividad mineral en seis meses. “Sin IA, el mismo proceso habría requerido de tres a cuatro años antes de que pudiera comenzar la exploración dirigida”, indicó Mandal en una entrevista.
Al reducir notoriamente los tiempos, la IA también disminuye costos de forma llamativa. “Una reducción aproximada del 50% en los costos de exploración es obvia cuando la duración del proyecto cae en más de la mitad”, señaló.
Su sistema avanzado de mapeo mineral CricSM AI (Critical and Strategic Mineral Mapping with AI) obtuvo el primer premio (₹10 lakh / US$12.000) en el IndiaAI Hackathon on Mineral Targeting 2025, anunciado el 5 de noviembre de 2025 por IndiaAI (División de Digital India Corporation) y Geological Survey of India (GSI).
Desarrollado por sRCg Solution, liderado por Prof. Partha Pratim Mandal (IIT-ISM Dhanbad), el equipo —Pradeep Kumar Shukla, Litan Dutta, Dinesh Munda, Tanmay Singh y Sai Satyam Jena— comercializa actualmente su tecnología como startup incubada en IIT-ISM Dhanbad.
Pero, cómo funciona CricSM AI
La tecnología va mucho más allá de simples superposiciones de Sistemas de Información Geográfica (GIS). El equipo de Mandal utiliza:
- Ensemble machine learning (aprendizaje automático en conjunto): combina múltiples algoritmos para mejorar predicciones
- Redes neuronales convolucionales (CNN): especialmente efectivas para procesar datos espaciales y geofísicos
- Un modelo de lenguaje grande llamado “Naini”, que escaneó décadas de informes históricos de GSI para extraer conocimiento geológico previo y patrones de mineralización.
El sistema integra grandes modelos de lenguaje (LLMs), el modelo de Naini, técnicas de aprendizaje automático en conjunto y redes neuronales convolucionales (CNNs) para predecir depósitos de oro, diamante, grafito, tierras raras, cobre, hierro y manganeso, con cuantificación de incertidumbre.
Mediante la síntesis de conjuntos de datos geocientíficos multidisciplinares, el equipo de Mandel, produjo un mapa de prospectividad mineral muy preciso, incluyendo evaluación de profundidad para depósitos ocultos y profundos. Esto supone un gran avance en la geociencia asistida por IA y la exploración de recursos.
Estos algoritmos pueden manejar cientos de variables de forma simultánea, detectando “firmas” de mineralización que frecuentemente pasan desapercibidas para los especialistas humanos. La plataforma analiza múltiples capas de información: formaciones rocosas y estructura tectónica (geología clásica), composición de suelos y sedimentos (geoquímica), anomalías magnéticas y gravimétricas (geofísica), e imágenes satelitales multiespectrales.
En términos prácticos: donde antes un grupo de geólogos revisaba manualmente datos durante años y después realizaba perforaciones exploratorias “a ciegas” en áreas vastas (100 puntos o más), ahora los modelos de IA procesan toda la información disponible y generan “mapas de probabilidad” que señalan zonas de alta prospectividad.
El resultado concreto: en vez de perforar 100 puntos, se perforan 10 (los que la IA identificó como de mayor probabilidad). Esto no solo reduce costos —cada perforación exploratoria puede costar entre U$S50,000 y U$S200,000— sino que también minimiza el impacto ambiental de la exploración.
El impulso nacional: hackathon y competencia entre equipos
El IndiaAI Hackathon on Mineral Targeting se centró en identificar nuevas áreas potenciales para minerales críticos como elementos de tierras raras (REE), depósitos de níquel-grupo del platino (Ni-PGE) y cobre, así como diamantes, hierro, manganeso y oro dentro de un área predefinida de 39,000 km² en Karnataka y Andhra Pradesh.
Los participantes del hackathon desarrollaron algoritmos de IA/ML para limpieza, integración, modelado y validación de datos, con énfasis en localizar cuerpos mineralizados ocultos y profundos mediante modelado de profundidad.
La misión de Minerales Críticos
Esta expansión de la IA en exploración minera se enmarca dentro de una estrategia nacional más amplia. El 29 de enero de 2025, el Gabinete de la Unión aprobó la National Critical Mineral Mission (NCMM) con un presupuesto de ₹34.300 crore (US$4.100 millones) repartidos en siete años (2024-25 a 2030-31). El desembolso inicial aprobado es de ₹16.300 crore (US$1.950 millones), con una inversión esperada adicional de ₹18.000 crore (US$2.150 millones) por parte de empresas del sector público.
La NCMM busca establecer un marco efectivo para la autosuficiencia de India en el sector de minerales críticos, abarcando toda la cadena de valor. Entre sus objetivos destacan:
- 1.200 proyectos de exploración doméstica por parte de GSI hasta 2030-31
- Compra de 50 activos mineros en el extranjero
- Generación de 1.000 patentes en toda la cadena de valor de minerales críticos
- Esquema de incentivos para reciclaje mineral (₹1.500 crore / US$180 millones) con la meta de recuperar 400 kilotones (equivalantes a 400,000 toneladas) de material reciclado.
- ₹3.000 crore (US$360 millones) al National Mineral Exploration Trust (NMET)
- ₹4.000 crore (US$480 millones) a GSI para fortalecer los esfuerzos de exploración
Infraestructura digital, el componente crítico
Un componente crítico de esta transformación es la infraestructura digital. La GSI ha lanzado el National Geoscience Data Repository (NGDR), un portal digital que alberga más de 15,000 informes de exploración heredados, y está construyendo un Data Processing, Integration and Interpretation Centre (DPIIC) que funcionará como la columna vertebral analítica de la futura exploración habilitada por IA.
“En la actualidad, todos los datos de campo de GSI se capturan digitalmente, con información geológica y geoquímica cargada en tiempo real. Nuestros oficiales de campo ahora usan dispositivos digitales de adquisición de datos, garantizando que la información geológica se cargue en tiempo real”, explicó Janardan Prasad Sengupta, funcionario de GSI.
KoBold Metals, en Zambia
En febrero de 2024, KoBold Metals sorprendió a la industria minera global con un anuncio que parecía imposible al caracterizar un depósito de cobre extraordinario en Zambia. Los números eran contundentes: 247 millones de toneladas de mineral con un grado promedio de 3.64% de cobre, con porciones que superan el 5 por ciento.
Este grado es seis veces superior al promedio de Chile, el mayor productor de cobre del mundo. Es comparable al yacimiento Kamoa-Kakula en la República Democrática del Congo, que produjo casi 400,000 toneladas de cobre en 2023.
Este grado es seis veces superior al promedio de Chile, el mayor productor de cobre del mundo. Es comparable al yacimiento Kamoa-Kakula en la República Democrática del Congo, que produjo casi 400,000 toneladas de cobre en 2023.
Pero lo verdaderamente extraordinario no era solo el tamaño del depósito de Mingomba, sino la metodología: en esa misma región del Copperbelt zambiano, se habían perforado pozos desde la década de 1950. Durante 70 años, geólogos experimentados exploraron el área sin reconocer el potencial de la extensión profunda de alta ley que yacía más de un kilómetro bajo sus pies.
KoBold Metals, una startup de Berkeley, California, respaldada por Bill Gates, Jeff Bezos, Jack Ma y el gigante minero BHP, logró lo que ellos no pudieron mediante una combinación revolucionaria de tres tipos distintos de inteligencia artificial.
El rol de Gates, Bezos y los inversionistas tecnológicos
KoBold Metals fue fundada en 2018 con una pregunta simple ¿por qué la exploración mineral, con más de 100 años de datos geológicos acumulados, no había sido transformada por la ciencia de datos y la IA de la misma manera que otros sectores?
Bill Gates y Jeff Bezos no son inversionistas individuales directos en KoBold, sino que lo hacen a través de Breakthrough Energy Ventures (BEV), un fondo de capital de riesgo fundado por Gates en 2015 y enfocado en tecnologías para combatir el cambio climático. Bezos es uno de los inversionistas en BEV, junto con Michael Bloomberg, Ray Dalio (fundador de Bridgewater Associates), Reid Hoffman (cofundador de LinkedIn) y Mukesh Ambani (presidente de Reliance Industries).
La apuesta de estos inversionistas tecnológicos se basa en una lógica clara: el cuello de botella en la exploración mineral nunca fue la falta de datos sino en entender qué significaban todos esos datos
BEV respaldó a KoBold desde sus rondas iniciales y continuó invirtiendo en la Serie C de 2024-2025, cuando la compañía recaudó U$S537 millones adicionales y alcanzó una valuación de U$S2.960 millones en enero de 2025. Otros inversionistas en KoBold incluyen Andreessen Horowitz, T. Rowe Price, Durable Capital Partners y, crucialmente, BHP, la minera más grande del mundo, que convalidad este negocio.
La apuesta de estos inversionistas tecnológicos se basa en una lógica clara: el cuello de botella en la exploración mineral nunca fue la falta de datos —encuestas geológicas, registros de perforación y análisis geoquímicos se han acumulado durante más de 100 años— sino en entender qué significaban todos esos datos.
La transición energética global requiere un incremento fuerte y consolidado de la producción de cobre, litio, níquel y cobalto. Se estima que la industria del cobre necesita invertir más de USD 100 mil millones para construir minas capaces de cerrar lo que podría ser un déficit anual de .7 millones de toneladas para 2030. Pero los grandes depósitos de cobre de alto grado son cada vez más raros. La IA ofrece una posible solución para acelerar descubrimientos.
Una arquitectura integrada
Lo que distingue a KoBold Metals —y lo que muchos reportes simplificaron como “IA genérica”— es el uso integrado de tres tipos distintos de inteligencia artificial:
El primer nivel de IA que KoBold empleó fue aprendizaje no supervisado, diseñado para buscar patrones y anomalías en grandes conjuntos de datos sin etiquetas de referencia. En Mingomba, esta IA analizó datos históricos de perforación, composición geoquímica y geofísica para identificar anomalías tanto espaciales como composicionales.
A partir de las perforaciones históricas existentes desde los años 1950, en combinación con esta técnica, “se desenrolló un dominio de considerable interés”, según describe la documentación técnica del descubrimiento. La IA detectó patrones que sugerían que la mineralización de alto grado se extendía mucho más profundo de lo que las exploraciones tradicionales habían asumido.
El segundo tipo de IA que KoBold aplicó fue aprendizaje supervisado —redes neuronales, machine learning profundo— entrenado con datos de depósitos conocidos. Basándose en yacimientos existentes en la región, estos algoritmos generaron mapas de prospectividad mineral y modelos geológicos 3D.
En el Copperbelt, la IA supervisada utilizó el conocimiento acumulado sobre depósitos de cobre hospedados en sedimentos, estudiados durante más de 100 años, para identificar patrones que correlacionaban con mineralización de alto grado.
En tercer lugar, el “Intelligent Prospector”. Aquí es donde la tecnología de KoBold se vuelve verdaderamente revolucionaria. El tercer tipo de IA no es machine learning tradicional en absoluto, sino un agente inteligente basado en POMDPs (Procesos de Decisión de Markov Parcialmente Observables), la misma clase de algoritmos que utilizan vehículos autónomos, control de tráfico aéreo y sistemas avanzados de ajedrez.
El “Intelligent Prospector”, desarrollado por Jef Caers y John Mern en Stanford Mineral-X en colaboración directa con KoBold Metals, fue publicado en papers científicos revisados por pares (Mern & Caers, 2023; Mern et al., 2024). Su función es radicalmente diferente: planifica secuencialmente dónde perforar el siguiente basándose en la información actual, con el objetivo de reducir la incertidumbre máxima con cada perforación.
Cómo funciona en la práctica
Los geólogos expertos plantean hipótesis falsificables sobre cómo se formó el depósito, un modelo predictivo que establece qué evidencias concretas deben hallarse en el subsuelo si un yacimiento existe, de modo que la ausencia de esas evidencias permita descartar el modelo y redirigir la inversión.
En Mingomba, trabajando con los geólogos de cobre hospedado en sedimentos más establecidos del mundo, el equipo desarrolló múltiples hipótesis sobre la presencia de fallas de rifting (críticas para la formación de estos depósitos), cómo estas fallas se adelgazan y cómo las alteraciones geoquímicas están distribuidas espacialmente. Luego, el sistema genera más de 10,000 modelos 3D del depósito basados en estas hipótesis geológicas. Para cada posible próxima perforación, el algoritmo calcula qué ubicación reducirá máximamente la incertidumbre sobre el grado, el espesor y cuál hipótesis geológica es más plausible. Crucialmente, el sistema detecta temprano si las hipótesis humanas son incorrectas, evitando perder millones de dólares en perforaciones inútiles.
“Este enfoque es muy diferente de la perforación basada en cuadrículas estándar y las interpolaciones geoestadísticas, muchas de las cuales ignoran la incertidumbre epistémica de la existencia de múltiples hipótesis”, explica la documentación técnica. “Es el r.econocimiento de la incertidumbre lo que hace que la perforación sea más eficiente, algo que los humanos encuentran contraintuitivo”, concluye el informe,
La tendencia natural del ser humano, cuando tenemos una teoría que nos gusta, consiste en buscar pruebas que la confirmen. La IA, en cambio, actúa de forma opuesta ya que busca datos que la refuten para descartar asi caminos equivocados lo antes posible. Reconocer que no tenemos certezas y diseñar un plan para minimizar esa inseguridad de la forma más rápida es la esencia de la eficiencia. A modo de síntesis: la gran ventaja no descansa en que la IA “sepa más”, sino que gestiona la incertidumbre de forma más racional y eficiente que el instinto humano, convirtiendo la duda en una herramienta de planificación. En el campo minero, se traduce en menos perforaciones fallidas, menos tiempo y ahorro de decenas de millones de dólares.
Verónica Dataína / Centauro IA