El sistema de IA minero de China que revoluciona la exploración con el uso de agentes inteligentes
Hace poco más de dos décadas se hubiera tomado como un delirio o la fantasia de un profesional recién recibido haciendo alardes de su imaginación. El 11 de septiembre de 2026, en el marco de la 28.ª Conferencia Internacional de Minería de China, Qu Honggan, un geólogo de tan solo 48 años, levantó la cabeza y orgulloso presentó al mundo el sistema AI-OreSeeking o, en español, Exploración Inteligente de Minerales-
Qu Honggan le le puso la cereza a una dilatada carrera profesional que comenzó en la Universidad de Pekín, en la escuela de Ciencis de la Tierra y el Espacio y ha mantenido colaboraciones académica a largo plazo en el campo de los macrodatos geocientíficos
El anuncio tiene una relevancia que trasciende con creces lo tecnológico. Se trata del primer sistema integral de exploración minera basado en IA, desarrollado de forma independiente por el Servicio Geológico de China, y marca el salto de la exploración minera tradicional, apoyada en la experiencia acumulada de los geólogos a una nueva etapa que se basa en los datos y el conocimiento estructurado.
De esta manera, Qu Honggan le puso la cereza a una dilatada carrera profesional, que comenzó en la Universidad de Pekín (Peking University), específicamente en la Escuela de Ciencias de la Tierra y el Espacio, en la que realizó sus estudios de doctorado y ha mantenido colaboraciones académicas a largo plazo en el campo de los macrodatos geocientíficos.Una curiosidad: La investigación de Qu Honggan se focalizó en el “modelado geológico tridimensional y los sistemas de información geográfica aplicados a la geología urbana”.. Es decir, su vínculo con la aplicación de tecnología informática a la geología no es un destello, viene de sus años de formación doctoral. En enero de 2013, cuando tenía 34 años, Qu Honggang fue seleccionado para el “Plan de Formación de Talentos Geológicos Juveniles” del Servicio Geológico de China, un programa de elite que reconoce el potencial a investigadores jóvenes con liderazgo en el campo de la geología y apadrina a los profesionales de mayor prestigio en sistema geológico nacional chino. Sus objetivos seleccionan anualmente a jóvenes técnicos con logros destacados en investigación geológica básica, tecnologías de prospección de recursos y Transformaciones, convertibles, técnicos- También les brinda apoyo económico y promueve su inserción en el espacio académico internacional. Cada seleccionado recibe 500.000 yuanes por un período de 3 años, destinado a investigación, publicaciones de trabajos, participación en intercambios académicos y actividades de formación.
. A Qu Honggang le sobran pergaminos académicos. Acumula más de 1.500 referencias bibliográficas y ha participado en 79 proyectos de investigación, con un índice H de 3.5, un indicador que revela su productividad y su impacto como investigador de datos para modelos geológicos tridimensionales que fue adoptado oficialmente por el Servicio Geológico de China. Es decir, Qu Honggang no solo dirige proyectos de IA; también ha hecho un aporte relevante a los estándares técnicos que hacen posible que los datos geológicos de todo el país “hablen el mismo idioma”. AI-OrenSeekin, la criatura que presentó junto al Wang Bin, subdirector de la Oficina de Tecnología de la Información del mismo centro, es el resultado de la culminación de una trayectoria personal e institucional de larga data y es una patina del brillo que iluminaba los ojos de Qu Honggan el día que oficializaron el lanzamiento en sociedad de AI – Oseseeking.
El orígen de AI-OreSeeking
El sistema AI-OreSeeking nació de una necesidad concreta: la exploración minera tradicional enfrentaba cuellos de botella severos. Los datos geológicos, geofísicos, geoquímicos y de teledetección estaban dispersos en diferentes plataformas; múltiples programas especializados, que incluían mediciones terrestres, marinas y aéreas con instrumentos especializados (sismógrafos, gravimetros, magnetómetros), incluso desde satélites, que operaban de forma aislada. que muchas veces identifcan señales mineralizantes débiles entre millones de datos y requerían meses de trabajo humano; y un proyecto completo de evaluación predictiva podía extenderse durante semanas o incluso meses.
Qu Honggang lo describió con una metáfora precisa durante la presentación cuando señaló que “el sistema de exploración inteligente equivale a proporcionar a los expertos en exploración minera una ‘caja de herramientas integral’, y también les proporciona un cerebro de IA y subrayó que “en comparación con el modo de procesamiento manual original, la eficiencia de la exploración inteligente puede aumentar en más del 60 por ciento”.
Un dato poco conocido. El sistema no es una herramienta única, sino una plataforma que integra cinco módulos funcionales y más de 200 algoritmos especializados que cubren la cadena completa desde la gestión de datos hasta la generación automática de informes. En sus pruebas de campo ya ha sido validado en más de 100 proyectos distribuidos en diez provincias y regiones autónomas de China, y ha despertado el interés de expertos de Arabia Saudita, Uzbekistán, Marruecos, Laos y Perú, entre otros países que ya participan en intercambios técnicos en distintos proyectos..
Las ventajas que cambian las reglas del juego
La primera ventaja es la velocidad. Lo que antes requería seis meses de trabajo ahora se completa en una semana. Ese dato no es una proyección teórica: es el resultado de pruebas reales documentadas por el propio Servicio Geológico de China. Por ejemplo, en el proyecto de oro de Xiqinling, situado en la región occidental de Qinling —uno de los cinturones metalogénicos más importantes de China—, el sistema procesó 32 hojas geológicas a escala 1:50.000 en apenas cinco días, tarea que a un equipo humano le habría representado meses de trabajo manual.. El resultado fue llamativo, puesto que: dos blancos de exploración de oro identificados y cuatro áreas adicionales consideradas favorables. Ese mismo trabajo, con métodos convencionales, habría requerido al menos 30 días.
La segunda ventaja es la precisión. AI-OreSeeking puede detectar anomalías mineralizantes débiles que pasan desapercibidas al ojo humano. Y no se trata solo de una afirmación cualitativa: los datos de validación de campo muestran que, para los blancos de Categoría I —el nivel de mayor confianza—, la tasa de acierto o proporción de blancos que contienen mineralización, alcanza el 85,71 por ciento. Para los blancos de Categoría II, la tasa es del 23,91%. Para tener una dimensión más clara de lo que representan estos números basta con decir que en exploración minera convencional, una tasa de éxito del 10% en la fase de verificación ya se considera aceptable. El sistema multiplica por más de ocho ese umbral para sus blancos de mayor confianza.
Wang Bin explicó la implicación económica de esta precisión con una frase al señalar que “con cada pozo de perforación costando millones de yuanes, el sistema puede reducir eficazmente los objetivos de exploración favorables antes de la costosa verificación de campo, disminuyendo el costo de la exploración ciega”. Es decir, cada sondeo que no se realiza por estar mal ubicado representa un ahorro directo de millones de yuanes.
La tercera ventaja es la escalabilidad. El sistema puede aplicarse a una amplia gama de minerales que comprenden desde el oro hasta el hierro pasando por el cobre, el aluminio, el litio y también cobalto, níquel, plomo, zinc, cromo, potasio y uranio, entre otros. Y funciona tanto en áreas con afloramientos superficiales evidentes como en regiones de cobertura profunda donde las técnicas tradicionales apenas pueden operar. No hay un “sistema para oro” y otro distinto para el “sistema para litio”: es el mismo cerebro, reconfigurado por los agentes según el objetivo mineralógico.
La cuarta ventaja apunta a la integración. El sistema no es un programa aislado, sino una plataforma que unifica datos, conocimiento, algoritmos, modelos y herramientas. Esto elimina la necesidad de que los geólogos salten entre múltiples programas especializados y permite que todo el flujo de trabajo —desde la extracción de datos brutos hasta la entrega de un informe final— se realice de forma continua y automatizada. “Sin este sistema, no significa que no podamos encontrar mineral, pero con este medio técnico podemos reducir significativamente el alcance de la exploración, comprimir en gran medida el costo de la exploración de campo ciega y acortar el ciclo de trabajo”, explico en su discurso Qu Honggang .
Los cinco módulos que sostienen el sistema
1. Gestión de macrodatos geológicos y mineros
Este primer módulo es la base de todo. AI-OreSeeking incorpora una base de datos geológicos y minerales multiescala que cubre todo el territorio chino, con mapas geológicos y minerales a escalas 1:1.000.000, 1:500.000, 1:250.000, 1:200.000 y 1:50.000, además de conjuntos de datos geofísicos, geoquímicos y de teledetección de alta calidad. Para dimensionar lo que esto significa: una escala 1:1.000.000 permite ver la estructura geológica de una provincia entera en una sola hoja; una escala 1:50.000 permite distinguir cada afloramiento rocoso en un valle concreto. El sistema puede consultar simultáneamente las dos visiones.
El módulo no solo almacena estos datos, sino que los armoniza. Diferentes fuentes usan formatos, proyecciones cartográficas y resoluciones espaciales distintas. El módulo de gestión se encarga de que todos los datos “hablen el mismo idioma” antes de que los algoritmos los procesen. Además, permite la “invocación colaborativa de datos de alta precisión” de proyectos locales: si un equipo de campo ha generado datos más detallados para un área específica, el sistema puede incorporarlos y combinarlos con la base nacional sin necesidad de migraciones manuales. Imagine que en lugar de tener 50 libros de geología dispersos en distintos estantes, cada uno en un idioma diferente, el sistema los traduce a un idioma común y los coloca en una única biblioteca consultable en segundos.
2. Gestión del conocimiento
El segundo módulo construye lo que se denomina un grafo de conocimiento geológico. Se trata de una red de más de un millón de entradas que codifican conocimiento geológico estructurado: contextos geológicos, patrones de mineralización, modelos de depósitos, modelos predictivos y relaciones entre formaciones rocosas y tipos de yacimientos.
Este grafo consiste en un mapa de relaciones que permite al sistema razonar geológicamente. Si el sistema detecta una anomalía geoquímica de cobre en una zona con un tipo específico de roca volcánica, el grafo le indica que, según el saber geológico acumulado, esa combinación es favorable para yacimientos de tipo pórfido. Es como tener un geólogo con décadas de experiencia consultando su memoria en una fracción de segundo. Para dimensionar la magnitud del grafo: si cada entrada se imprimiera en una tarjeta del tamaño de una postal, apiladas formarían una torre de unos 100 metros de altura. Y el sistema puede consultar cualquier combinación de esas entradas en milisegundos.
3. Procesamiento e interpretación de datos
El tercer módulo es el motor de cálculo. Integra más de 200 algoritmos especializados organizados por disciplina. En geología, algoritmos de análisis estructural y reconstrucción de secuencias estratigráficas. En gravimetría, filtros de separación regional-residual y modelado directo de cuerpos anómalos. En magnetometría, reducción al polo, derivadas direccionales y análisis de señales analíticas. En métodos eléctricos, inversión 2D y 3D de datos de resistividad y polarización inducida. En geoquímica, análisis de componentes principales, regresión logística y técnicas de detección de anomalías multielemento. En teledetección, índices de alteración hidrotermal y clasificación supervisada de imágenes. Y en modelado tridimensional, interpolación geoestadística con kriging ordinario y simulación condicional.
La innovación no está en la existencia de estos algoritmos —muchos son estándar en la industria—, sino en su integración automatizada. El sistema no solo los ejecuta secuencialmente, el agente de planificación selecciona dinámicamente qué algoritmos aplicar, en qué orden y con qué parámetros, según el tipo de depósito objetivo y las características de los datos disponibles. Si el objetivo es un yacimiento de pórfido de cobre, el sistema priorizará algoritmos de anomalías geoquímicas de cobre-molibdeno y modelado de alteración hidrotermal. Si el objetivo es oro orogénico, priorizará análisis estructurales y anomalías de arsénico-antimonio. Esta selección contextual es lo que convierte a un conjunto de algoritmos en un sistema experto.
4. Evaluación predictiva inteligente
El cuarto módulo transforma los datos procesados en predicciones concretas. Aquí es donde el sistema aplica modelos de machine learning y algoritmos geoestadísticos para calcular la probabilidad de ocurrencia de mineralización en cada punto del área de estudio. El sistema delimita áreas favorables, identifica blancos de exploración, estima reservas minerales y genera mapas profesionales por lotes. También es capaz de producir informes de evaluación completos de forma automática.
Los usuarios pueden elegir entre tres modos de operación: dirigido por expertos, completamente automatizado o colaborativo humano-IA, según las necesidades del proyecto. Esta flexibilidad es crucial: no todos los proyectos requieren el mismo nivel de intervención humana. En el modo colaborativo, el sistema genera propuestas de blancos de perforación, pero la decisión final recae en el equipo humano. Los resultados del sistema en el proyecto de Xiqinling —dos blancos de oro y cuatro áreas favorables en cinco días— son un ejemplo directo del poder de este módulo.
5. Modelo fundacional “Fuxi”
El quinto módulo es el que tiene un mayor nivel de desarrollo tecnológico. Se trata de: un modelo fundacional especializado en prospección minera llamado Fuxi, en honor al legendario emperador chino considerado el padre de la civilización o el Primer Soberano de los Tres Soberanos que guió hace 8000 años a los pueblos antiguos a salir de la barbarie. No es un detalle menor: nombrar un modelo de IA que “lee” el subsuelo con el nombre del mítico sabio que, según la tradición, descubrió los trigramas y enseñó a los humanos a leer los patrones del mundo natural ya que establece una conexión simbólica entre la sabiduría antigua y la inteligencia artificial moderna.
No es un chatbot genérico, sino un modelo entrenado específicamente con datos geológicos, conocimiento del grafo y modelos de depósitos. Según la documentación oficial, el sistema “construyó el modelo fundacional y los agentes inteligentes ‘Fuxi’ para la exploración minera”. Este modelo, combinado con restricciones del grafo de conocimiento —es decir, con las reglas geológicas que el sistema debe respetar—, es lo que permite que las predicciones no sean meras correlaciones estadísticas, sino que estén alineadas con los principios de mineralización establecidos. El modelo fundacional es el “cerebro” que da coherencia a todo el sistema.
Agentes inteligentes: el corazón del sistema
La verdadera revolución de AI-OreSeeking se explica porque el sistema incorpora un modelo fundacional con agentes inteligentes que actúan como especialistas digitales. Estos son componentes autónomos capaces de percibir el estado del sistema, razonar sobre qué pasos seguir a continuación y ejecutar acciones para lograr un objetivo. La documentación formal describe agentes con capacidades de consulta inteligente, consulta de datos, construcción de modelos predictivos, planificación y ejecución de flujos de trabajo, y generación automática de informes.
Sin embargo, en la práctica, los agentes operan siguiendo una lógica por la cual un geólogo introduce un objetivo en el sistema. Por caso, “evaluar el potencial aurífero en el sector norte de esta faja”. El modelo fundacional descompone esa tarea en subtareas más pequeñas: qué datos necesita, qué algoritmos debe aplicar, qué modelos debe construir, en qué orden debe ejecutarlos. Luego asigna cada subtarea al agente especializado correspondiente. Un agente de datos consulta la base de datos geológicos y extrae las capas relevantes. Luego, un agente de modelado selecciona el algoritmo más adecuado para ese tipo de depósito y ajusta sus parámetros. Un agente de validación cruza los resultados con el grafo de conocimiento para verificar que las predicciones sean geológicamente coherentes. Finalmente, un agente de informes genera el documento final con mapas, tablas y recomendaciones.
Capa 1: El agente gestor (orquestador). Es el punto de entrada del sistema. Recibe la solicitud del geólogo —por ejemplo, “evaluar el potencial aurífero en el sector norte de esta faja”— y la descompone en subtareas. Luego decide qué grupos de agentes invocar, en qué orden y con qué prioridad, ya sea de forma serial o paralela.
Capa 2: Los grupos de agentes especializados. El superagente incluye cuatro grupos principales: el geológico, el geofísico, el geoquímico y el de teledetección. Cada grupo contiene múltiples agentes individuales o subgrupos, y cada uno accede a herramientas específicas (algoritmos de interpolación, generadores de gráficos, modelos de inversión) y a datos concretos.
Capa 3: Los agentes operativos documentados. La documentación oficial de AI-OreSeeking menciona cinco capacidades de agente directamente implementadas: consulta inteligente, consulta de datos, construcción de modelos predictivos, planificación y ejecución de flujos de trabajo, y generación automática de informes
En AI-OreSeeking, este mecanismo se concreta en tres modos de operación: dirigido por expertos, completamente automatizado y colaborativo humano-IA. Los agentes generan propuestas de blancos de perforación, pero la decisión final recae en el equipo humano. Además, los agentes de consulta permiten a los geólogos interrogar al sistema en lenguaje natural y auditar las razones detrás de cada predicción, manteniendo la trazabilidad del razonamiento.
Este enfoque multiagente es lo que permite que el sistema opere de forma casi autónoma. La literatura científica china sobre el tema describe esta arquitectura como un “superagente” compuesto por un agente gestor y grupos de agentes especializados. Un artículo publicado en la revista Earth Science Frontiers en 2025 firmado por Wang Yongzhi, Wen Shibo, Wang Bin y colaboradores describe el método con precisión. “Con modelos multimodales como DeepSeek y Tongyi Qianwen como base, se crea un superagente compuesto por un agente gestor y grupos de agentes. Los grupos comprenden el grupo de agentes geológicos, el grupo de agentes geofísicos, el grupo de agentes geoquímicos, el grupo de agentes de teledetección, etc. Cada uno de ellos contiene múltiples agentes individuales o subgrupos, y cada agente accede a herramientas específicas y datos”.
El mismo artículo describe cómo funciona la orquestación en la práctica al indicar que “el superagente de predicción inteligente percibe automáticamente los requerimientos externos; el agente gestor invoca secuencial o paralelamente múltiples grupos de agentes, agentes individuales (como generar un mapa 2D), herramientas (como interpolación) y acceso a datos para completar la tarea de predicción inteligente de recursos minerales”).
Otro aspecto notable es la capacidad de razonamiento en cadena. Los agentes no solo ejecutan tareas aisladas, sino que encadenan pasos de razonamiento. Un agente de planificación descompone el problema; un agente de ejecución aplica herramientas; un agente de verificación comprueba los resultados contra el conocimiento establecido; y si detecta inconsistencias, retroalimenta al agente de planificación para que ajuste la estrategia. Este bucle de retroalimentación es lo que distingue a un sistema multiagente avanzado de un simple pipeline automatizado. La integración de agentes con aprendizaje por refuerzo también está en el horizonte: investigaciones recientes proponen el uso de modelos multimodales como DeepSeek o Tongyi Qianwen como base, sobre los cuales se construyen agentes capaces de tomar decisiones secuenciales optimizadas para maximizar la precisión de las predicciones.
Humanos en el bucle
A pesar del nivel de automatización, AI-OreSeeking está diseñado explícitamente como un sistema de apoyo a la decisión, no como un sustituto del geólogo. Los tres modos de operación —dirigido por expertos, automatizado y colaborativo humano-IA— permiten calibrar el nivel de intervención humana según la complejidad del proyecto y la confianza del equipo. En el modo colaborativo, los agentes generan propuestas de blancos de perforación, pero la decisión final recae en el equipo humano. Además, los agentes de consulta permiten a los geólogos interrogar al sistema en lenguaje natural y auditar las razones detrás de cada predicción. Esto mantiene la trazabilidad del razonamiento y permite que los expertos validen o corrijan las recomendaciones del sistema.
La investigación sobre sistemas multiagente para exploración minera subraya la importancia del mecanismo de “human-in-the-loop”: cuando el sistema detecta alta incertidumbre en una predicción, activa una revisión por parte de expertos humanos, creando un bucle de retroalimentación continua que refina tanto los resultados como el conocimiento del sistema. En esencia: la IA propone, el geólogo dispone.
Lo que aún no está resuelto
Sería ingenuo presentar AI-OreSeeking como una solución perfecta. El propio sistema enfrenta desafíos significativos que la documentación oficial y la literatura científica reconocen con honestidad. El primero es la calidad y estandarización de los datos. La inteligencia artificial necesita datos consistentes, pero los datos geológicos chinos —y mundiales— provienen de fuentes heterogéneas, con diferentes resoluciones, proyecciones y niveles de precisión. Un estudio de los especialistas Seungyeol Lee, afiliado al Departamento de Ciencias de la Tierra y Medio Ambiente de la Universidad Nacional de Chungbuk en Cheongju, Corea, y de Inkyeong Moon del Instituto Coreano de Ciencia y Tecnología Oceánica (KIOST) sobre IA en exploración minera señala que “la escasez y el sesgo espacial de los datos de entrenamiento, las dificultades en la transferencia entre regiones y la inconsistencia física y geológica de las predicciones del modelo” siguen siendo limitaciones comunes.
El segundo desafío es la explicabilidad. Aunque el sistema incorpora restricciones del grafo de conocimiento para alinear las predicciones con la geología conocida, los modelos profundos pueden producir recomendaciones difíciles de interpretar geológicamente. Esto exige mecanismos de auditoría robustos y una formación adecuada de los geólogos para que puedan evaluar críticamente los resultados del sistema.
El tercer reto importante descansa en la brecha de adopción. El costo de implementación —que incluye infraestructura de cómputo con GPU, almacenamiento de alta capacidad, licencias del modelo fundacional, integración con sistemas existentes y capacitación del personal— puede ser prohibitivo para operaciones mineras de pequeñas dimensiones. Aunque no existe una cifra oficial publicada para el sistema completo, los componentes individuales son costosos: un proyecto de adquisición y procesamiento de datos geofísicos para validación en una mina de oro en Yunnan representó un costo de 1.498.600 RMB (unos U$S200.000) solo para esa fase. Una implementación completa en una operación mediana podría oscilar entre varios cientos de miles y varios millones de dólares, dependiendo del grado de customización y del volumen de datos históricos a integrar. Los análisis sectoriales señalan que el costo y la barrera técnica siguen siendo limitantes para unidades de exploración pequeñas.