Frente a millonarias pérdidas por demoras y errores en la planificación: Hombre o máquina. La financiarización de la IA.
Cuando uno piensa en una mina a cielo abierto, lo asocia inmediatamente con camiones gigantes, grandes palas mecánicas, explosiones controladas y toneladas de tierra moviéndose. Pero antes de que todo eso acontezca, hay un trabajo silencioso, complejo y absolutamente crucial; la planificación minera estratégica.
Esa es la etapa en la que los ingenieros conversan, discuten y finalmente deciden qué partes del yacimiento se van a extraer, en qué orden, a qué ritmo y con qué supuestos económicos. De la misma manera, que el arquitecto diseña una ciudad antes de que empiecen a ronronear las topadoras.
El problema es que ese arquitecto trabaja con herramientas que no se comunican entre sí. Un software sirve para modelar el yacimiento en tres dimensiones, otro para calcular el valor de cada bloque de roca, otro para optimizar la forma del tajo y otro para proyectar los flujos de caja.
La comunicación entre ellos se hace por lo general de forma manual. Los ingenieros exportan datos a hojas de cálculo (los famosos Excel o similares), los transforman, los importan, los vuelven a exportar. Cada paso se torna lento, pesado y muy propenso a los errores y, sobre todo, muy difícil de rastrear.
Las consecuencias son mucho más graves de lo que parece en una descripción periodística. Un estudio reciente de la consultora Accenture titulado “El punto ciego de 64 mil millones de dólares de la industria minera” advierte que este sector perdió a nivel mundial esta cifra en objetivos de producción en los últimos cinco años.
La principal causa se explica por ciclos de planificación demasiado lentos y manuales. Cuando el precio del cobre sube o baja abruptamente, la minera no puede reaccionar a tiempo porque rehacer el plan lleva semanas o incluso meses.
El análisis de la consultora incluyo a las principales empresas mineras del mundo, sobre la base de casos reales de producción de los cinco años previos a 2025.
El volumen del mineral no producido en ese período ascendió a la friolera de 213 millones de toneladas.
El contexto actual hace que esto resulte aún más urgente. La demanda de minerales críticos como cobre, litio, cobalto y tierras raras está enloqueciendo por el auge de la transición energética. Sube, sube y sube. Y cuando baja es noticia.
Si la planificación minera sigue siendo tan fragmentada y errática, no se logrará extraer lo que se necesita ni en las cantidades ni en los plazos previstos.
Los autos eléctricos, los paneles solares, las turbinas eólicas y las baterías dependen de estos materiales. La Agencia Internacional de la Energía (AIE, por sus siglas en español) proyecta que la demanda se triplicará para 2030 y podría cuadruplicarse en 2040.
Si la planificación minera sigue siendo tan fragmentada y errática, no se logrará extraer lo que se necesita ni en las cantidades ni en los plazos previstos.
Frente a este panorama, un equipo de la Universidad de Arizona publicó hace poco un trabajo que podría cambiar las reglas del juego. Se llama MINDS, acrónimo de Mine Intelligence and Decision Support, algo parecido a Inteligencia Minera y Soporte a Decisiones. Se trata de una “arquitectura de referencia modular” que utiliza la IA para automatizar casi todo el proceso de planificación estratégica.
La denominada arquitectura de referencia es un diseño estándar que otras empresas o investigadores pueden copiar y adaptar. MINDS no es un producto cerrado, sino una receta probada que cualquiera puede implementar con sus propias herramientas.
Lo innovador es que combina dos mundos que hasta ahora no tenían mucha empatía, los métodos numéricos tradicionales de optimización minera, que son deterministas y exactos, con los grandes modelos de lenguaje, que alimentan a ChatGPT y son esencialmente probabilísticos.
Dicho en otras palabras, los algoritmos tradicionales de minería dan siempre el mismo resultado si se les dan los mismos datos. Resultan inrremediablemente predecibles.
Los grandes modelos de lenguaje, en cambio, pueden dar respuestas ligeramente diferentes cada vez. Eso es útil porque permiten proyectar escenarios, pero es un problema cuando se necesita que un plan económico sea reproducible y auditable. MINDS resuelve esta tensión con una arquitectura de capas. Los grandes modelos de lenguaje se usan solo para interpretar órdenes en lenguaje natural y para generar debates entre agentes, pero la optimización final la sigue haciendo un algoritmo determinista clásico, el Lerchs Grossmann, que es el estándar de la industria desde 1965, un método matemático utilizado en la minería a cielo abierto para diseñar la fosa u óptimo final de explotación.
A partir de un modelo de bloques en 3D, evalúa el valor económico de cada bloque y determina cuáles extraer para maximizar la ganancia total.
El corazón del sistema
La parte más atrapante de MINDS es su faceta formada por capas de evaluación económica multiagente. Allí es donde la inteligencia artificial descolla y muestra su potencial.
En un sistema de trabajo tradicional, un ingeniero propone un precio supuesto para el mineral, por ejemplo asumamos que el cobre estará a 6 dólares la libra, y el software optimiza el plan basándose en ese número. No hay más discusión ni verificación ni nada. Si el ingeniero se levantó optimista o demasiado pesimista, el resultado será perdidoso.
MINDS, en cambio, activa un debate estructurado entre tres agentes de IA antes de hacer cualquier optimización. Estos agentes no son personas, sino programas que juegan diferentes roles.
El agente Upside, el optimista, tiene como trabajo defender que el precio podría ser más alto. Analiza noticias del sector, informes de mercado, tendencias alcistas y sentimiento positivo. Si el ingeniero propuso un precio conservador, este agente va a argumentar que se está dejando dinero sobre la mesa.
El agente Downside, el pesimista, actúa como auditor de riesgos. Revisa la volatilidad histórica del precio, las noticias negativas, los posibles colapsos de demanda. Si el ingeniero fue demasiado optimista, este agente va a mostrar por qué ese supuesto se convierte en un boomeran peligroso.
El agente Strategy, el estratega, escucha a los dos anteriores, evalúa sus argumentos y propone una recomendación equilibrada. No es un simple promedio, sino una síntesis racional
El debate sigue un protocolo de dos rondas. En la primera ronda, los tres agentes analizan la situación de forma independiente, sin influenciarse mutuamente.
En la segunda ronda, en tanto, el Upside y el Downside intercambian críticas, señalando debilidades en los argumentos del otro. El estratega observa y al final emite su veredicto.
Este sistema imita lo que haría un comité de inversiones humano: poner diferentes perspectivas a discutir antes de tomar una decisión millonaria. La diferencia es que los agentes de inteligencia artificial pueden hacerlo en menos de 11 segundos y con un costo de 0,0007 dólares por debate.
Resultados de la prueba
Para validar que MINDS funciona, los investigadores usaron un benchmark estándar en la industria minera llamado Marvin. Es un modelo sintético de un yacimiento de cobre y oro, con más de 53 mil bloques de roca, cada uno con su ley, su tonelaje y sus relaciones de precedencia.
Es decir, es un depósito ficticio pero diseñado para ser muy parecido a uno real.
Hicieron dos tipos de pruebas. La primera fue una demostración de extremo a extremo. Un ingeniero simulado pidió al sistema, en lenguaje natural, que evaluara el plan minero con el precio actual del cobre.
Ese día, 3 de febrero de 2026, el precio spot del cobre era de 6,07 dólares por libra. MINDS automáticamente consultó una API financiera para obtener ese dato, activó el debate multiagente, y la conclusión fue: el precio de mercado está en el percentil 96 histórico, hay volatilidad alta, recomendamos ajustar a 5,90 dólares por libra para amortiguar riesgos.
Luego preguntó al ingeniero si aprobaba ese ajuste. Al recibir el sí, ejecutó el algoritmo de optimización y generó mapas interactivos y un informe detallado. Todo esto sin que el ingeniero tocara una sola planilla de cálculo.
La segunda prueba fue una serie de 20 ejecuciones controladas, con tres escenarios diferentes: precio conservador de 5 dólares la libra, moderado de 5,80 dólares y optimista de 6,50 dólares. Los resultados fueron impecables.
El 100% de las ejecuciones se completaron sin errores. Esto es clave porque en un entorno industrial un sistema que falla el 5 o el 10% de las veces es inutilizable.
El tiempo promedio de debate fue de 10,69 segundos. En menos de lo que tarda en prepararse un café, tres agentes leen noticias, analizan datos históricos, discuten entre sí y emiten una recomendación.
El costo por escenario fue de 0,0007 dólares, menos de una milésima de dólar. Con ese costo, se podrían ejecutar más de 4.285 escenarios por el precio de un café en un barrio de la Ciudad de Buenos Aires.
Pero lo más importante es que los agentes no aceptan ciegamente lo que dice el usuario. Cuando el usuario propuso un precio muy optimista de U$S6,50, los agentes recomendaron correcciones a la baja de entre 3,85 y 6,15 por ciento.
Cuando el usuario fue demasiado conservador con 5 dólares, los agentes recomendaron subir el precio un 15 por ciento. Esto demuestra que el sistema cumple su función de evitar el sesgo de confirmación, ese fenómeno psicológico por el que las personas tienden a buscar información que confirme sus creencias previas.
Innovación silenciona y revolucionaria
Más allá de la velocidad y el bajo costo, la verdadera innovación de MINDS es la trazabilidad total. En los métodos tradicionales, si un plan minero fracasa años después, es muy difícil saber por qué ocurrió lo que ocurrió. Los archivos se pierden, los correos electrónicos desaparecen porque se borran, las planillas se sobrescriben.
No hay una cadena clara que conecte la decisión final con sus supuestos originales. Mientras que MINDS registra todo en una base de datos relacional.
Cada decisión queda documentada con el texto exacto que escribió el usuario, los datos de mercado recuperados en ese momento, las intervenciones de cada agente, la recomendación final del estratega, el valor de ajuste aprobado por el humano, los parámetros usados en el optimizador y los resultados de la optimización.
De esta manera, años después, un auditor puede consultar la base de datos y reconstruir por qué y con qué criterios se tomó cada decisión.
Si el plan fracasó porque el precio del cobre cayó inesperadamente, se podrá ver que los agentes de inteligencia artificial ya habían advertido sobre la volatilidad, pero el ingeniero decidió ignorar la recomendación. O al contrario, quedará en evidencia que el sistema agente sugirió una corrección y que falló o que se produjeron cambios externos impensandos que precipitaron el error.
En un contexto donde la inteligencia artificial recibe críticas constantes de múltiples espacios por ser una caja negra, MINDS ofrece un modelo de inteligencia artificial explicable y auditable. Esto no es un detalle menor. Es podría ser un argumento confiable de por qué las grandes mineras, naturalmente muy reacias al riesgo, podrían llegar a adoptar este tipo de sistemas.
Quiénes dieron a luz a Minds
El trabajo fue desarrollado en la Escuela de Ingeniería Minera y Recursos Minerales de la Universidad de Arizona, una institución con gran prestigio en el sector. Las cabezas del trabajo son tres.
Ricardo Nunes es el desarrollador principal. Está realizando su doctorado en Ingeniería Minera y Geológica. Nació en Brasil brasileño y tiene experiencia previa en la industria, lo que le da un pie en el mundo académico y otro en el mundo real de las minas.
Nathalie Risso es doctora y directora del Laboratorio de Automatización y Sistemas Autónomos de la Universidad de Arizona. Es ingeniera electrónica de la Universidad de Concepción en Chile y tiene un doctorado en Ingeniería Eléctrica y Computación. Su especialidad es combinar la robótica con la seguridad minera. En Chile, donde la minería es una industria central, su trabajo tiene enorme relevancia.
Moe Momayez es doctor, profesor asociado y jefe asociado del Departamento de Ingeniería Minera. Fue incorporado a la Academia Nacional de Inventores de Estados Unidos en 2023, un honor reservado a los innovadores más destacados. También dirige el Centro de Excelencia para la Seguridad Minera de la Universidad de Arizona.
El hecho de que los tres estén en la misma universidad pero con formaciones complementarias, minas, electrónica, robótica e inteligencia artificial, es lo que hizo posible un proyecto interdisciplinario como MINDS. No es solo un trabajo de programación, es de ingeniería de minas con inteligencia artificial aplicada.
Limitaciones, sesgos y dinero
Por supuesto, MINDS es aún una prueba de concepto. Eso significa que funciona en laboratorio, con un modelo sintético y con datos de mercado públicos, pero no se ha probado en una mina real con toda su complejidad. Los autores lo reconocen abiertamente en el artículo científico.
Hay tres limitaciones principales. Primero, la naturaleza probabilística de los grandes modelos de lenguaje. Aunque en las 20 pruebas el sistema fue cien por ciento estable, en teoría podría dar respuestas ligeramente diferentes en cada ejecución. Para uso industrial, habrá que agregar capas adicionales de control que garanticen la reproducibilidad.
Segundo, la calidad de los datos. En la prueba, MINDS usó datos de interfaces públicas de programación de aplicaciones. En una mina real, los datos son más complejos, ruidosos y a menudo incompletos. El sistema tendrá que ser más robusto.
Tercero, el alcance del debate. Por ahora, los agentes solo discuten sobre el precio del commodity. Pero en un plan minero real hay muchos otros supuestos críticos como el costo de la energía, la tasa de cambio, los plazos de construcción y las restricciones ambientales. El trabajo futuro consiste en extender el debate a esas otras dimensiones.
MINDS no es una varita mágica ni una promesa futurista. Es un trabajo académico sólido, publicado en una revista con revisión por pares, con datos concretos y autores identificables. Demuestra que es posible integrar
A pesar de estas limitaciones, los autores son optimistas. La arquitectura modular de MINDS permite ir reemplazando componentes sin tener que reescribir todo el sistema. Se puede cambiar el optimizador, la fuente de datos de mercado, e incluso el mecanismo de debate, por ejemplo sustituir los grandes modelos de lenguaje por algoritmos econométricos deterministas si se prefiere. Esto hace que MINDS sea un sistema evolutivo, no una solución congelada.
Un paso hacia la minería inteligente
La minería ha sido tradicionalmente una industria conservadora, y con razón. Moviliza inversiones de miles de millones de dólares y opera en entornos de alto riesgo. Pero el mundo está cambiando rápido, y la presión por extraer minerales críticos para la transición energética no va a esperar a que la minería se modernice por sí sola.
MINDS no es una varita mágica ni una promesa futurista. Es un trabajo académico sólido, publicado en una revista con revisión por pares, con datos concretos y autores identificables. Demuestra que es posible integrar IA generativa en los flujos de planificación minera sin perder de vista la gobernanza, la auditabilidad y el control humano.
Las compañías mineras que exploren arquitecturas como MINDS podrán reaccionar más rápido a los cambios de mercado, reducir las pérdidas millonarias por planificación ineficiente y, quizás lo más importante, documentar cada decisión para aprender de los errores y aciertos.
El próximo paso, naturalmente, es llevar esto a una mina real. Y para eso, nada mejor que contactar a los autores y proponer un piloto industrial. En la cancha se ven los pingos, suelen decir en la Argentina.
Sin embargo, el modelo MINDS plantea interrogantes estructurales que el entusiasmo tecnológico de este artículo no debe omitir.
La arquitectura multiagente tiene un alto nivel de sofisticación, pero en esencia sigue dependiendo de supuestos económicos inciertos y de datos de entrada cuya calidad define el resultado final.
Pequeños errores, grandes costos
En minería, pequeños errores en leyes del mineral, costos energéticos, recuperación metalúrgica o estabilidad geotécnica alteran la rentabilidad de un proyecto.
Un sistema capaz de debatir precios del cobre en segundos no necesariamente resuelve el problema más profundo: la incertidumbre física y geológica del subsuelo.
La IA puede acelerar decisiones, pero no elimina la naturaleza inherentemente probabilística de la minería.
También existe un riesgo organizacional casi invisible. Cuanto más automatizado y eficiente parece un sistema, mayor es la tendencia humana a delegar el espíritu crítico en la máquina.
Aunque MINDS mantiene un “humano en el circuito”, en la práctica podría producir un fenómeno de automatización psicológica donde los ingenieros validen recomendaciones algorítmicas por excesiva confianza en el sistema.
Esto es delicado en una industria donde las decisiones impactan inversiones de miles de millones de dólares, empleo regional, consumo de agua y pasivos ambientales de largo plazo.
La trazabilidad no garantiza mejores decisiones; solo permite reconstruirlas después del error y hacer un estudio ulterior, cuando el acierto o el error tienen un carácter irreversible.
Por último, el modelo refleja una visión con una mirada financiera de la planificación minera.
Los agentes debaten precios, volatilidad y escenarios económicos, pero el artículo deja en segundo plano variables sociales, ambientales y políticas que en la actualidad tienen un peso determinante en la viabilidad real de una mina.
MINDS representa un avance importante en automatización analítica, pero dista de constituir una verdadera inteligencia minera integral capaz de incorporar la complejidad sistémica del negocio extractivo del siglo XXI.
Conflictos comunitarios, restricciones regulatorias, estrés hídrico, licencias ambientales o cambios geopolíticos paralizan proyectos mucho más rápido que una mala estimación del precio del cobre.
En ese sentido, MINDS representa un avance importante en automatización analítica, pero dista de constituir una verdadera inteligencia minera integral capaz de incorporar la complejidad sistémica del negocio extractivo del siglo XXI.
Cómo acceder al paper y contactar a los investigadores
El artículo científico completo está disponible en acceso abierto en la revista Mining del grupo MDPI. Se puede leer, descargar y compartir sin restricciones en el siguiente enlace.