Exploración asistida por inteligencia artificial
El primer paso de la cadena no comienza en la mina, sino en un servidor. Este fenómeno se irá afianzando en la misma medida y velocidad que avance el desarrollo de la inteligencia artificial en el sector minero.
Un estudio de recursos convencional demora dos años desde el comienzo hasta la evaluación preliminar. La IA está reduciendo este ciclo a una velocidad llamativa y de manera documentada.
La exploración de yacimientos de litio, ya sea en pegmatitas de roca dura (del cual Australia es el mayor productor del mundo) o en las salmueras del Triángulo Latinoamericano, históricamente demandaba muchos años de trabajo de campo, perforaciones costosas y análisis geoquímicos manuales.
Un estudio de recursos convencional demora dos años desde el comienzo hasta la evaluación preliminar. La IA está reduciendo este ciclo a una velocidad llamativa y de manera documentada. Arun Misra, presidente del Comité Nacional de Minería de la CII y director ejecutivo de Hindustan Zinc, advirtió este fenómeno durante la Cumbre Minera de la India de 2025: “La Inteligencia artificial y las nuevas empresas están transformando la exploración mineral, reduciendo riesgos y mejorando las tasas de éxito”.
En la India, la Misión Nacional de Minerales Críticos, que se puso en marcha en enero de 2025, designó a cuatro prestigiosos Institutos Indios de Tecnología; Bombay, Hyderabad, Dhanbad y Roorkee, como centros de excelencia para la investigación en minerales críticos.
Esto incluye la exploración asistida por inteligencia artificial, el uso de gemelos digitales y de herramientas de inteligencia geoespacial.
En este contexto de panacea academicista, el Instituto Indio de Tecnología de Dhanbad, conocido como IIT ISM Dhanbad, a través de su centro especializado TEXMiN, participó en mayo de 2026 en un diálogo de alto nivel con miembros del think thank indio (NITI) Aayog, el principal grupo de reflexión estratégica del gobierno de la India.
El eje central de esta mesa de trabajo fue la transición del sector minero indio hacia sistemas autónomos orientados al desarrollo del litio, el cobalto y las tierras raras.
Arvind Virmani, miembro del NITI Aayog, señaló, casi como un sutil llamado de atención para los países en vías de desarrollo, que “un marco autónomo para los minerales críticos comienza en casa, diversificando la oferta y la demanda con el fin de reducir dependencias geopolíticas de un solo proveedor”.
El gobierno de Javier Milei optó por contratar a una firma israelí para desarrollar lo que los investigadores argentinos ya habían logrado.
La inteligencia artificial reduce de dos años a meses el ciclo de exploración de yacimientos de litio, transformando el primer eslabón de la cadena de valor.
Sin embargo, en esta etapa de la cadena de valor, también existe otro riesgo estructural invisible con el uso de la IA: el sesgo de confirmación algorítmico.
Cuando los modelos de IA se entrenan exclusivamente con datos de depósitos ya conocidos, tienden a redirigir la búsqueda hacia formaciones geológicas familiares, lo que lleva a subvalorar o directamente ignorar yacimientos atípicos.
En el Triángulo del Litio de América Latina, donde la variabilidad de composición entre los diferentes salares es extremadamente alta, este sesgo puede tener un costo muy alto porque en los hechos implica que quede litio sin descubrir o que se lo encuentre demasiado tarde, cuando la ventana de oportunidad en los precios del mercado se cerró.
Extracción directa de litio optimizada por IA
En la etapa cúlmine, la de la extracción, la IA también está jugando un rol esencial porque la Extracción Directa del Litio (EDL) sustituye rápidamente al sistema tradicional cuyo proceso a partir de salmueras funciona bombeando el líquido a la superficie para concentrarlo mediante evaporación en pozas al aire libre.
La técnica tradicional consiste en bombear cerca de 1700 litros por segundo de salmuera y dejarla estancada en piscinas de evaporación entre 12 y 18 meses.
Es un método lento, intensivo en el uso de agua y con rendimientos difíciles de medir. La técnica tradicional consiste en bombear cerca de 1700 litros por segundo de salmuera y dejarla estancada en piscinas de evaporación entre 12 y 18 meses.
Como alternativa la EDL, es una una tecnología que utiliza filtración por membranas o adsorción selectiva para capturar el litio con un menor consumo de agua y sin depender de la evaporación natural.
A nivel global, la investigación más citada en el diseño de adsorbentes para EDL guiado por IA proviene del Centro Nacional de Ingeniería para la Utilización Integrada de Recursos de Lagos Salinos de la Universidad de Ciencia y Tecnología de Shanghái (ECUST).
En marzo de 2025, esta institución publicó en la revista Angewandte Chemie International Edition un protocolo de cribado acelerado por aprendizaje automático para identificar estrategias de dopaje eficientes en adsorbentes de aluminio.
China posee extensas reservas de litio en la meseta tibetana y en Qinghai, y tiene un interés directo y estratégico en optimizar su propia cadena de extracción.
El adsorbente recomendado por el modelo demostró una capacidad de adsorción estable casi un 40% superior en múltiples tipos de salmuera.
El contexto no es antojadizo. China posee extensas reservas de litio en la meseta tibetana y en Qinghai, y tiene un interés directo y estratégico en optimizar su propia cadena de extracción.
El gobierno de Javier Milei optó por contratar a una firma israelí para desarrollar lo que los investigadores argentinos ya habían logrado.
Argentina también ha desarrollado una capacidad científica propia para liderar esta extracción directa, avalada por una patente internacional aprobada en Estados Unidos que obtuvieron la Universidad Nacional de Cuyo (UNCUYO) y una empresa de base tecnológica fundada por el CONICET.
Aun así, el gobierno de Javier Milei optó por contratar a una firma israelí para desarrollar lo que los investigadores argentinos ya habían logrado.
YTEC, una firma conjunta de la petrolera público-privada YPF y del CONICET, firmó en mayo de 2025 un acuerdo con la empresa israelí XtraLit para evaluar el desarrollo conjunto de proyectos de DLE por intercambio iónico.
El director ejecutivo de XtraLit, Simon Litsyn, señaló que su tecnología, ya probada en el Mar Muerto, resulta eficaz en salmueras con concentraciones desde veinte partes por millón, donde la evaporación convencional no es viable.
La ironía de esta decisión está documentada y tiene nombre propio. Ernesto Calvo, investigador superior del CONICET y director del Instituto de Química Física de los Materiales, Medioambiente y ergía, conocido como INQUIMAE (dependiente del CONICET y de Universidad de Buenos Aires UBA) construyó un método electroquímico de extracción de litio.
Este método aplica el mismo principio de intercalación de iones que opera en las baterías de los teléfonos inteligentes, pero en sentido inverso, para separar selectivamente el litio de las salmueras.
El CONICET patentó este sistema en Estados Unidos, Australia, Bolivia, Argentina y Chile. Sin embargo, según el propio Calvo relató en la revista AgendAR durante la gestión del presidente, Mauricio Macri, dijo que no le interesaba el negocio del Litio y se “dejaron caer las patentes en Australia y Estados Unidos”.
Solo se mantuvieron vigentes las patentes en China, Chile, Bolivia y la Argentina. “Fue un error muy grave”, se lamentó Calvo. Además, el Gobierno argentino discontinuó el financiamiento de la planta piloto y la sentenció a muerte.
Ante ese abandono estatal, Calvo fundó LitiAR, una sociedad anónima asociada con Laring, el Laboratorio Argentino de Investigación Galvanotécnica.
La Extracción Directa de Litio impulsada por IA reemplaza a los métodos tradicionales de evaporación, reduciendo el tiempo de procesamiento de 18 meses a ciclos optimizados en tiempo real.
El componente de inteligencia artificial en el proceso de LitiAR opera en la optimización del ciclo electroquímico. Los modelos predicen el rendimiento de extracción en función de la composición de la salmuera y las condiciones operativas del reactor, ajustando los parámetros en tiempo real.
Lo que estamos intentando es captar esta asociación con capital privado para el desarrollo y, eventualmente, para ofrecer estas técnicas de extracción a quienes extraen el litio hoy, explica Calvo.
Desde Mendoza, la Universidad Nacional de Cuyo, conocida como UNCuyo, suma otro antecedente verificado de capacidad tecnológica argentina.
Los investigadores Mario Rodríguez, Daniel Rosales y María del Carmen Ruiz, del Laboratorio de Metalurgia Extractiva y Síntesis de Materiales, conocido como MESiMat, de la Facultad de Ciencias Exactas y Naturales, desarrollaron un procedimiento de extracción de litio desde rocas de aluminosilicatos, es decir, de roca dura y no de salmueras.
Este proceso es amigable con el medioambiente, con una reducción notable de residuos contaminantes y un menor consumo de energía.
La UNCuyo inició el proceso de valorización tecnológica en 2014, solicitó la patente PCT en 2015 y obtuvo la aprobación en Estados Unidos en 2018, convirtiéndose en la primera universidad de la región de Cuyo en patentar una invención como titular de los derechos intelectuales. La protección se gestionó también en Australia, Canadá y China.
Aprendizaje automático en el ablandamiento
Entre la salmuera concentrada y el carbonato de litio de grado batería, con una pureza superior al 99,5%, existe una brecha química exigente.
El proceso convencional de ablandamiento, que convierte el cloruro de litio en carbonato, es costoso, genera emisiones y produce residuos de difícil gestión.
Es crucial entender que para el año 2035, la demanda global de litio de grado batería se cuadruplicará.
Cerca de la mitad de este litio proviene de salmueras y debe atravesar procesos de purificación donde la inteligencia artificial puede optimizar cada variable química. Quién domine ese proceso de conversión también capturará el mayor valor agregado de la cadena.
Un estudio publicado en la revista Digital Discovery en octubre de 2024 demostró el uso de aprendizaje activo de alta velocidad para capturar dióxido de carbono gaseoso y convertirlo en carbonato de litio.
La pureza del carbonato producido determina directamente el rendimiento electroquímico de la batería final.
El modelo de regresión de proceso gaussiano se entrenó focalizando en las concentraciones elementales de carbono, litio y nitrógeno, y fue capaz de predecir los rendimientos de carbonato bajo distintas condiciones de ablandamiento.
El resultado es un proceso que obtiene dióxido de carbono en lugar de emitirlo. La pureza del carbonato producido determina directamente el rendimiento electroquímico de la batería final.
Las impurezas de magnesio, calcio o sodio, que en las salmueras naturales pueden presentar relaciones de mil átomos de impureza por cada átomo de litio, degradan severamente la conductividad iónica.
Una revisión publicada en 2025 en la revista ACS Environmental Au sobre membranas de nanofiltración aplicó aprendizaje automático para identificar los parámetros clave que afectan la eficiencia de extracción del ion litio, habilitando el diseño racional de membranas de alto rendimiento antes de la síntesis experimental.
El aprendizaje automático aplicado al ablandamiento convierte el CO₂ en carbonato de litio en lugar de emitirlo, transformando un proceso contaminante en uno carbono-negativo.
Cabe destacar que esa investigación incluyó autores del Instituto de Investigación Monash en Suzhou (China), un claro ejemplo de producción científica que ya no puede clasificarse como puramente occidental.
El aprendizaje automático aplicado al ablandamiento convierte el CO₂ en carbonato de litio en lugar de emitirlo, transformando un proceso contaminante en uno carbono-negativo.
Diseño de materiales para baterías con IA
El cuarto eslabón es el más abstracto, pero quizás el de mayor impacto a largo plazo. Se trata del diseño de los materiales que componen la batería, como el cátodo, el ánodo, el electrolito y el separador, mediante búsqueda computacional guiada por inteligencia artificial a través de espacios de composición química de escala astronómica.
China lidera este eslabón con una infraestructura de escala industrial. La firma Contemporary Amperex Technology (CATL), con sede en Ningde, Fujian tiene 5 centros de I+D y 13 plantas de producción (11 distribuídas en China, 1 en Alemania y 1 en Hungría), es la fabricante lider y controla el 41% del mercado global de baterías (datos de SNE Research del primer cuatrimestre de 2026) y el 46,64% del mercado chino, construyó una plataforma de diseño inteligente de celdas de última generación, que emplea nuevas tecnologías como la IA, el reconocimiento de imágenes, el aprendizaje automático, los algoritmos predictivos y la 5G.
Esta plataforma combina modelos electroquímicos basados en física para generar predicciones científicamente confiables, operando sobre una nube privada interna que se nutre de más de 50.000 millones de registros de datos.
China lidera el eslabón de diseño de materiales, con CATL controlando el 41% del mercado global de baterías y operando plataformas de IA entrenadas con más de 50 mil millones de registros de datos.
En el marco de la 28 Feria Internacional de Batería de China que tuvo lugar en mayo de 2026, Wu Kai, científico jefe de CATL, declaró que la inteligencia artificial “es tremendamente poderosa y su capacidad para optimizar muchos parámetros de proceso incluso supera la comprensión de los ingenieros profesionales”.
China lidera el eslabón de diseño de materiales, con CATL controlando el 41% del mercado global de baterías y operando plataformas de IA entrenadas con más de 50 mil millones de registros de datos.
Gracias a esto, los laboratorios autónomos de alta velocidad de CATL pueden cubrir hoy entre el 60 y el 80% de las necesidades de síntesis de materiales de la compañía, completando de forma autónoma todo el ciclo, desde la alimentación de reactivos y la reacción hasta la separación, purificación y análisis.
Sin embargo, Ni Jun, Director de Manufactura de CATL y Copresidente de su Sistema de Ingeniería Manufacturera, matizó con precisión esa afirmación en enero de 2026, al recibir el premio MINDS del Foro Económico Mundial.
Señaló que en escenarios industriales complejos como la producción de baterías, depender únicamente de la inteligencia artificial no puede resolver los problemas centrales. Abogó más por la inteligencia aumentada.
“Al integrar nuestro sistema de diseño inteligente con el profundo conocimiento que tienen nuestros ingenieros sobre las propiedades de los materiales, los principios de los procesos y la ingeniería de sistemas, podemos fortalecer la colaboración entre humanos e IA y, por lo tanto, garantizar una calidad de producto consistente y fiable”, subrayó Jun al recibir el premio MINDS del Foro Económico Mundial por el diseño de CATL de baterías de próxima generación basado en inteligencia artificial.
Para las baterías de estado sólido, la frontera tecnológica de la siguiente generación, la plataforma CASIP, fundada en enero de 2024 por CATL y BYD, tiene como objetivo acelerar el avance académico e industrial de estas baterías en China.
Una revisión de 2025 en la revista ACS Applied Energy Materials documenta que los flujos de trabajo de aprendizaje automático para la fabricación de electrolitos sólidos redujeron las iteraciones experimentales entre un 70 y un 80% respecto a los métodos tradicionales de prueba y error.
Manufactura inteligente de baterías (ensamblaje y control de calidad)
La manufactura de baterías de litio ion es uno de los procesos industriales más exigentes en términos de precisión. Un electrodo de cátodo estándar es una lámina de aluminio recubierta con una pasta, conocida como slurry, que contiene el material activo, un aglutinante y negro de carbono.
El espesor del recubrimiento, la homogeneidad de la distribución de partículas, el perfil de secado y la presión de calandrado son parámetros que afectan directamente la densidad energética, la vida útil y la seguridad de la celda final. CATL opera en este eslabón con lo que denomina manufactura inteligente de clase mundial, integrando reconocimiento de imágenes, aprendizaje automático, algoritmos predictivos y conectividad de quinta generación.
Sus fábricas de Sichuan y Liyang alcanzaron un 17% de aumento en la productividad y una reducción del 99% en las tasas de defecto.
En diciembre de 2025, la planta de Zhongzhou en Luoyang comenzó el despliegue masivo de robots humanoides para tareas de ensamblaje de alto riesgo, incluyendo la conexión de conectores de alta tensión.
Estos robots, denominados Xiaomo y desarrollados por la empresa emergente china Spirit AI con baterías del propio CATL, alcanzaron una tasa de éxito reportada del 99% en la instalación de conectores, igualando la velocidad de los trabajadores humanos con mayor expertise.
Una revisión publicada en diciembre de 2025 en el International Journal of Advanced Manufacturing Technology de Springer Nature señala que la mayoría de los parámetros de proceso en la cadena de manufactura de baterías todavía se ajustan en base a la experiencia del operador o por prueba y error.
La inteligencia artificial no elimina ese conocimiento tácito, lo amplifica, capturando correlaciones entre variables que ningún operador humano puede procesar simultáneamente a velocidad industrial.
Formación electroquímica y predicción de vida
El último eslabón antes de la integración en paquetes es la formación electroquímica. Es el proceso en el que la celda recién ensamblada se carga y descarga por primera vez en condiciones controladas.
Esto permite desarrollar la capa de interfaz electrolito sólido, que determina la estabilidad del ciclo. Este proceso puede consumir entre el 25 y el 40% del tiempo total de manufactura. Aquí la inteligencia artificial entra en un rol predictivo crítico, anticipando la vida útil de una celda a partir de los datos de sus primeros ciclos de formación, sin tener que esperar los 100 días que toma un test convencional de envejecimiento.
Los modelos desarrollados en paralelo en laboratorios chinos, coreanos y norteamericanos convergen en una capacidad común: saber cuánto va a durar una batería antes de que salga de la línea de producción, con un margen de error inferior al 10 por ciento.
La IA predice la vida útil de una batería con menos del 10% de margen de error a partir de sus primeros ciclos de carga, eliminando la necesidad de esperar 100 días en pruebas de envejecimiento
Una investigación publicada en arXiv sobre el diseño sistemático de características propuso un marco que, usando solo datos extraídos durante la formación, logró un error mediano del nueve coma veinte por ciento en la predicción de la vida útil del ciclo, superando a miles de modelos de aprendizaje automático automatizado con características predefinidas.
La inteligencia artificial no reemplaza el proceso existente, sino que lo instrumenta con una capacidad predictiva sin precedentes. Una revisión publicada en 2025 en la revista Chemical Reviews de la American Chemical Society describe los desafíos y oportunidades de integrar el aprendizaje automático y la inteligencia artificial para digitalizar el proceso de manufactura de baterías y, eventualmente, alcanzar lo que los autores denominan producción totalmente autónoma, documentando el estado actual de la integración desde los materiales hasta la manufactura final.
Al recorrer estos seis eslabones, emerge un patrón común. La inteligencia artificial no reemplaza el proceso existente, sino que lo instrumenta con una capacidad predictiva sin precedentes. Pero la distribución de esa instrumentación no es geográficamente neutra. La pregunta ya no es si habrá inteligencia artificial en la cadena del litio latinoamericano. Ya la hay. La pregunta real es quién la entrenó, con qué datos y para maximizar los intereses de quién. Y, sobre todo, si los países que poseen el mineral también van a poseer algo de la inteligencia que lo procesa.