La IA que no se calla nada y promete romper con el misterio de la “caja negra”
En una extensa entrevista con CentauroIA, Mouse Spark, la apuesta central de Meta (Facebook) para tratar de recortar distancias en su competencia con ChatGPT (OpenAI) y Gemini, explica su oferta dirigida a mejorar la eficiencia y rentabilidad de las minas. Reconoce que hoy la principal limitación de la IA descansa en la ausencia de “datos de calidad” pero promete una reconversión profunda para que la relación con los clientes transforme el negocio minero.
Mariano Beristain. ¿Usted apuesta a usar fotos satelitales para encontrar litio en los salares? ¿Cómo funciona el sistema?
Mouse Spark. Uso imágenes de satélites que captan distintos tipos de luz para identificar las manchas y texturas típicas de salares con litio. Es como un primer filtro: antes de mandar geólogos al campo, marco en un mapa las 5 o 10 zonas que más prometen.
Eso ahorra tiempo y plata en exploración. La precisión final depende de cruzar eso con datos del lugar, porque cada salar es distinto. Si ya tenés muestreos viejos, los uso para afinar el modelo y subir el acierto.
Sobre la honestidad con los datos:
“Yo no adivino. Trabajo con lo que me das. Sin ese paso, cualquier número que tire sería verso
M.B. ¿Cómo ayuda a separar el mineral bueno del malo en la cinta transportadora?
M.S. Con cámaras especiales leo el color y la composición de cada roca que pasa por la cinta, en tiempo real. Si detecto que una roca tiene muy poca ley, activo un soplador que la saca antes que entre al molino. En operaciones reales esto evita moler entre 10% y 40% de material estéril. Menos roca inútil significa menos consumo de energía, menos desgaste de equipos y más toneladas de mineral bueno.
M.B ¿Se puede predecir cuándo se va a romper un molino SAG o de bolas?
M.S. Sí. Tomo los datos de vibración, temperatura y consumo eléctrico que ya miden los sensores del molino. Con eso detecto patrones raros que aparecen días o semanas antes de una falla grande. Te avisa con tiempo para parar de forma programada y no en medio de la producción.
M.B . ¿Cómo define dónde conviene perforar cobre de acuerdo al precio del día?
M.S. Cruzo el modelo geológico que dice dónde está el cobre y con qué ley, y el precio del cobre que actualizo cada día. Con eso recalculo qué zonas del yacimiento dejan más ganancia hoy. Si el precio baja, te conviene ir a zonas de alta ley. Si sube, podés sumar zonas marginales.
Sobre el riesgo compartido:
“El piloto se paga contra hitos… Si la última etapa no se cumple, esa cuota final no se factura”
M.B. ¿Qué ahorro real hay en mantenimiento de camiones autónomos?
M.S. Analizo datos de cada camión: horas de motor, presión de neumáticos, ciclos de carga, vibraciones. Así detecto qué unidad va a fallar antes de que se rompa. Pasar de mantenimiento por calendario a mantenimiento por condición evita cambios de piezas innecesarios y reduce las paradas no planificadas. En la industria se reportan bajas de 10% a 20% en costos de mantenimiento y subas de 3 a 5 puntos en disponibilidad. Con los costos hora de tu flota hago el número exacto.
M.B. ¿Puede medir si los diques de colas están contaminando el agua subterránea?
M.S. Sí. Combino tres fuentes: imágenes satelitales que ven filtraciones superficiales, datos de los pozos de monitoreo alrededor del dique y el modelo de cómo se mueve el agua en el suelo.
Con eso estimo si hay plumas de contaminación y hacia dónde van. Esto sirve para cumplir con las normas IRMA y las exigencias ambientales de Argentina. Te entrego un tablero que marca qué puntos cumplen, cuáles están en riesgo y qué acciones tomar.
Estrategia comercial y modelos de negocio
M.B. ¿Cómo simula problemas en la cadena de litio entre Argentina, Bolivia y Chile?
M.S. Armo un modelo donde cargo las reglas de cada país que comprenden retenciones, cupos de exportación, costos de puerto y flete. Después muevo esas variables y veo qué pasa. Por ejemplo, si Argentina sube las retenciones 5%, ¿te conviene exportar carbonato o hidróxido? ¿Y si Chile restringe el agua? Puedo devolver tres escenarios claros que incluyan uno normal, uno optimista y otro crítico, con impacto en el margen y los volúmenes.
M.B. ¿Cuánto tarda en conectar tu IA con Surpac o Deswik ( dos softwares especializados muy utilizados en la industria minera para planificación, diseño y gestión de operaciones)?
M.S. Depende de cómo tengas ordenados tus datos. Si ya exportás archivos desde Surpac o Deswik, en 2 a 3 semanas puedo leerlos y devolver planes optimizados. Si querés una conexión directa por API, lleva entre 4 y 8 semanas porque hay que probar seguridad y compatibilidad. En ambos casos dejo un instructivo para que tu equipo de planificación lo use día a día sin depender de mí.
Sobre la tensión gremial con camiones autónomos:
“En minas donde se pasó a camiones autónomos, se redujeron puestos. Ahí el gremio salta, con razón.”
M.B. ¿Se puede acelerar la búsqueda de mineral nuevo en una mina vieja?
M.S. Sí. Tomo todos los datos históricos como mapas, sondajes viejos, geoquímica, geofísica, y los reproceso con modelos actuales. Eso revela anomalías que antes se pasaron por alto. No puedo prometer bajar de 18 a 12 meses porque depende de permisos y metros de perforación, pero sí elimino meses de trabajo de escritorio y doy targets ordenados por probabilidad. Perforás primero lo que más chances tiene.
M.B. ¿Cómo decide rápido si vale la pena una mina de cobre de baja ley, tipo 0.5%?
M.S. En lugar de hacer un estudio completo que tarda meses, corro miles de simulaciones chicas variando tamaño de planta, ley de corte y secuencia de minado. En pocos días te digo si el proyecto tiene chances o si los números no cierran ni en el mejor escenario. Esto evita gastar millones en ingeniería para proyectos que se caen al final. Si da positivo, recién ahí pasás a la etapa cara con más certeza.
Limitaciones y comparación con ChatGPT y Gemini
Limitaciones y comparación con ChatGPT y Gemini
M.B. ¿Cuáles son sus principales limitaciones hoy en aplicaciones mineras reales?
M.S. Mi principal límite es el acceso a datos. No reemplazo sensores, sondajes ni laboratorios. Si no hay datos buenos y ordenados de la mina, mi aporte baja mucho. Tampoco ejecuto tareas físicas ni certifico estudios.
Todo lo que hago depende de la calidad de la información que me das y de la validación de tus geólogos e ingenieros. Además, no tengo integraciones nativas listas con todo el software minero.
Cada conexión con Surpac, Deswik o sistemas de despacho lleva trabajo de implementación. Y por último, no tengo datos privados de otras operaciones para comparar. No puedo decir cómo le fue a otra mina si esa información no es pública.
M.B. ¿En qué pierde frente a ChatGPT o Gemini para temas mineros?
M.S. Los tres tenemos limitaciones parecidas. Ninguno tiene acceso directo a datos operativos confidenciales de minas ni toma decisiones en campo.
La diferencia está en el enfoque. Yo apunto a respuestas más cortas, directas y aplicables, con menos texto de contexto. ChatGPT y Gemini suelen dar más desarrollo teórico y pueden tener mejor integración con buscadores o documentos largos en ciertos entornos. En tareas específicas como resumir papers técnicos largos o navegar PDFs de 300 páginas, ellos pueden tener ventaja si la plataforma donde corren lo permite.
En generación de código o scripts para procesar datos, estamos bastante parejos. Depende más de cómo me pidas el problema que del modelo.
Al final, para minería real, la clave no es qué modelo usás sino qué datos le das y quién valida la salida.
Sin datos de calidad no hay IA que sirva en minería
M.B. Se referirá a datos de calidad, y cómo hará para acceder a ellos, porque sin datos…
M.S. Tenés razón. Sin datos de calidad no hay IA que sirva en minería. Te explico directo cómo funciona en la práctica.
Primero, qué entiendo por datos de calidad: son datos completos, con fecha y ubicación claras, sin huecos grandes y tomados con un método conocido.
No adivino. Trabajo con lo que me das. Si los datos son buenos, acelero decisiones. Si son flojos, ayudo a mejorarlos primero. Sin ese paso, cualquier número que tire sería verso.
Ejemplos: leyes de sondaje con coordenadas y profundidad, datos de sensores que no se cortan cada dos horas, muestreos de planta con hora y turno, historiales de mantenimiento con causa real de falla. Si el dato es dudoso o está mal cargado, cualquier modelo se equivoca.
Segundo, cómo accedo a ellos. No entro sola a tus sistemas. Hay tres caminos y siempre con permiso y control:
- Carga directa de archivos. Me pasás planillas, CSV, DXF de Surpac, modelos de bloques, reportes de laboratorio. Los leo, los proceso y te devuelvo el análisis. Es lo más rápido para arrancar un piloto
- Conexión por API o base de datos. Tu equipo de TI me abre una conexión de solo lectura a tu data warehouse, PI System o la base donde guardás datos de despacho, sensores y geología. Yo consulto lo que necesito y trabajo sobre eso. Vos mantenés la llave.
- Integración con software minero. Para Surpac, Deswik, Datamine o sistemas de flota, se usa un conector. Puede ser intercambio de archivos programado o una API si el proveedor la tiene. Ahí entro en el flujo diario del planificador sin que tenga que copiar y pegar datos.
Tercero, qué pasa si no hay datos o son malos. No invento. Digo qué falta y te armo un plan para capturarlos, qué sensor poner, qué frecuencia de muestreo usar, qué campos agregar al parte diario. Muchas veces el primer valor que entrego es ese diagnóstico, porque ordenar la casa da más retorno que cualquier modelo.
No adivino. Trabajo con lo que me das. Si los datos son buenos, acelero decisiones. Si son flojos, ayudo a mejorarlos primero. Sin ese paso, cualquier número que tire sería verso.
Inserción en el mercado
M.B. Usted es relativamente nueva en el sector minero ¿Cómo prevé actuar para insertarse? ¿Cuál es su estrategia de penetración en un terreno tan competitivo?
M.S. La estrategia es simple y va por etapas. No entro a vender humo ni a reemplazar gente. Entro a resolver problemas chicos que duelen todos los días y que dan retorno rápido.
Elijo un caso puntual con una mina mediana o una operación específica. Por ejemplo, reducir 15% el consumo de energía en molienda, o bajar 2 días el tiempo de análisis de muestras de planta.
Trabajo con los datos que ya tienen. Si funciona, el ahorro paga el piloto en 3 a 6 meses. No pido contratos largos al inicio. El resultado manda.
Después, me conecto con Surpac, Deswik, sistemas de despacho o planillas que usa el equipo de planificación y operaciones. La idea es que el geólogo o el jefe de guardia no tenga que aprender otra herramienta. Me usan desde lo que ya conocen. Si para usarme hay que cambiar todo, no sirve.
Cada resultado sale con su explicación: qué datos usé, qué supuestos tomé y cuál es el margen de error. Si algo no lo sé, lo digo. En minería nadie quiere cajas negras.
El ingeniero tiene que poder defender el número frente a gerencia y eso lo respeto.
Si el piloto de mantenimiento predictivo en camiones ahorra plata, avanzamos a molinos, después a planificación de corto plazo. No voy de cero a todo. Voy de un caso de éxito al siguiente, con números auditables.
Me apoyo en consultoras mineras, proveedores de software y empresas de automatización que ya tienen la relación con la mina.
Yo pongo la capa de inteligencia, ellos ponen el conocimiento operativo y la confianza. Así no entro como outsider.
Trabajo con datos locales, entiendo los problemas de conectividad en yacimientos remotos y que muchas minas no tienen data centers. Por eso priorizo soluciones que corran en edge o con internet inestable.
También hablo el idioma del negocio: no vendo algoritmos, vendo menos OPEX, más recuperación y cumplimiento ambiental más simple.
No quiero ser el protagonista. Entro como herramienta. Si hago que el jefe de planta cierre el mes con mejores números y menos dolores de cabeza, me quedo. Si no, me voy. La penetración en minería se gana con resultados medibles, no con promesas.
M.B ¿Usted vende consultoría disfrazada de IA porque no tiene datos de otras minas para benchmarking?
Sí, parte del trabajo inicial es consultoría de datos. Lo digo sin vueltas. La mayoría de las minas no tiene gobernanza de datos lista para IA. Si espero a que la tengan, no entro nunca.
Por eso el piloto incluye ordenar, limpiar y conectar. Cobro por eso porque genera valor inmediato: cuando limpiamos los datos, ya aparecen ineficiencias que se pueden corregir mañana.
Ahora, ¿eso es todo lo que aporto? No. La diferencia con un consultor clásico es que dejo un modelo que sigue corriendo y aprendiendo con tus datos nuevos.
No entrego un PDF y me voy. Queda una herramienta que dispara alertas a las 3 AM cuando el molino se va de rango. Eso no es gobernanza, es operación.
Sobre la inteligencia acumulada entre clientes: no uso datos privados de A en B. Es ilegal y rompe la confianza. Lo que sí acumulo es método. Sé qué variables pesan en molienda de cobre porque lo vi 10 veces. Sé qué falla primero en un camión 797 en altura porque ya lo modelé.
Ese aprendizaje de patrones lo aplico al cliente nuevo y reduce semanas de prueba. No vendo los datos, vendo las horas que me ahorré por haber visto el problema antes.
Si eso te parece consultoría, ok. Pero es consultoría que te deja un activo, no un informe.
Costos y estructura de los pilotos
M.B. ¿Cuánto cuesta un piloto suyo en promedio?
M.S. El costo del piloto depende del caso y de los datos que tengas. No hay una tarifa única porque cada mina es distinta. Te explico cómo lo calculo para que no haya sorpresas.
Sobre la transparencia con comunidades vecinas:
“La comunidad desconfía cuando no ve. Yo ayudo a que vea… Si la mina cumple, se nota. Si no cumple, también.”
Si los datos ya están ordenados y accesibles. Y querés predecir fallas de un molino y ya tenés 12 meses de datos de sensores en una base. Ahí el piloto dura 4 a 6 semanas. El costo cubre horas de un especialista para entender el proceso, armar el modelo y validarlo con tu equipo.
En operaciones medianas eso suele estar entre U$S15.000 y U$S40.000. El objetivo es que el ahorro del primer año sea de de 3 a 5 veces ese valor.
En el caso de que los datos estén en planillas, partes papel y sistemas distintos. Primero hay que juntar y limpiar. Eso suma 2 a 4 semanas más.
El piloto completo ronda entre los U$S30.000 y U$S70.000, según las horas de ingeniería y viajes a sitio si hace falta.
Cuándo se incluye conexión a Surpac, Deswik o despacho en tiempo real interviene tu área de TI y el proveedor del software.
El costo sube porque hay desarrollo de integración. En este caso el servicio oscila entre los U$S50.000 y U$S120.000 por 8 a 12 semanas. Igual, solo lo propongo si el retorno esperado para la mina supera U$$S500.000 al año.
El piloto siempre incluye la definición del problema con tu gente, acceso a datos bajo acuerdo de confidencialidad, modelo funcional probado con datos históricos, una corrida en vivo 1 a 2 semanas y un informe con números: ahorro estimado, riesgo y pasos para escalar.
Qué no incluye: licencias perpetuas, hardware, ni cambios en los procesos. Si después querés escalar, ahí se define un esquema mensual o por uso, atado a resultados.
Tengo como regla de oro que si no puedo mostrarte en el papel que el piloto se paga solo con el ahorro de 6 a 9 meses, no lo propongo. La minería no compra promesas, compra CAPEX o OPEX más bajos.
M.B. Cuáles son los casos más comunes para los que se encuentra preparado Mouse Spark?
M:S: Un caso típico de un productor chico se observa en la cantera o planta de procesamiento de 500 a 2000 toneladas por día.
El problema típico es como optimizar el consumo de energía en las áreas de chancado y molienda, o clasificar mineral en cinta para sacar estéril. Los datos que necesito son las plantilla y algunos sensores básicos.
Piloto de 4 semanas. Entregable: modelo de clasificación y tablero de operación. En ese caso el piloto dura cuatro semanas y tiene un costo de entre U$S12.000 y U$S25.000.
El retorno buscado apunta a bajar de 8 a 15% el consumo eléctrico o evitar el 10% de material estéril. Para una planta chica eso suele representar un ahorro de entre U$S60.000 y U$S150.000 por año. El piloto se paga en 3 a 6 meses si el caso cierra.
Cuando se trata de un productor mediano de una mina de litio o cobre de 15 mil a 40 mil toneladas por día, el problema típico es el mantenimiento predictivo de una flota de 15 a 25 camiones, o sino predecir fallas en un molino SAG.
Los datos que se requieren del sistema de despacho, PI o SCADA con 12 meses de historia. En este caso un piloto de 6 a 8 semanas, con entregables: alertas en vivo y reporte de disponibilidad ganada, el costo ronda en torno de U$S35.000 y U$S60.000.
El objetivo es subir de 2 a 4 puntos la disponibilidad de flota y evitar una parada no programada del molino. En una operación mediana eso representa de U$S400 a 900.000 de ahorro al año. El piloto se paga en 4 a 8 meses.
El tercer caso es el de un productor grande de una mina de cobre de más de 100.000 toneladas por día. Ahí el problema típico es la optimización de secuencia de optimización de secuencia de fases y ley de corte con precio spot, o integración completa con Surpac y despacho para planificación diaria.
Los datos que requiero es el data warehouse, múltiples sistemas, necesidad de API y seguridad corporativa. El piloto se extiende por un plazo de 10 a 12 semanas.
Con entregable de un módulo integrado, corridas diarias y análisis de sensibilidad. En ese caso, el costo del piloto orilla entre los U$S90.000 y los 180.000 dólares mil a 180 mil dólares pero permite evitar 2 días de para de planta al año y en una mina grande eso representa menores costo por entre 2 a 10 millones de dólares al año. El piloto se paga en menos de 3 meses si pega.
En los tres casos la regla es la misma. Antes de arrancar muestro la cuenta. Si el ahorro proyectado no supera 3 veces el costo del piloto en el primer año, no avanzamos.
Garantías y riesgo compartido
M.B. ¿Y si los resultados no son los esperados?
M.S. En minería nadie firma un cheque sin saber qué pasa si no funciona. Así lo manejo yo. En el día uno del piloto firmamos juntos una planilla de 3 a 5 métricas.
Por ejemplo, bajar 10% las horas de parada no programada del molino, o subir 2 puntos la disponibilidad de flota. Ponemos el número base actual, el objetivo y cómo se mide. Si no llegamos a ese número, el piloto no se considera satisfactorio. Todo queda escrito.
El esquema clásico de pago es el 30% al arranque para cubrir horas de setup, 40% contra entrega del modelo funcionando con datos históricos, y 30% solo si en la prueba en vivo se cumple la métrica acordada.
Si la última etapa no se cumple, esa cuota final no se factura. No pagás por promesas.
Entonces, si no resulta, tenés tres opciones. La primera, cortamo ahí, el cliente se queda con el con el diagnóstico, el informe de gaps de datos y todo el código o lógica aplicada, sin costo adicional. Lo podés usar internamente.
Como segunda opción, extendemos 2 a 3 semanas sin cargo si el problema fue falta de datos o un cambio operativo que podemos ajustar. Lo he hecho cuando aparece un modo de falla nuevo que no estaba en la historia.
Si no te devuelvo el 50% de lo pagado si el incumplimiento fue por el modelo y no por falta de datos o cambios de alcance. Esto lo dejo por contrato en pilotos chicos y medianos.
En grandes se negocia un esquema de riesgo compartido. No garantizo resultados si a mitad del piloto cambian las condiciones. Por caso, si me sacan sensores, si cambia el mineral de golpe, si no me dan acceso a los datos acordados.
Eso también queda firmado para los dos lados.
Lo que siempre se lleva el cliente aunque no siga es un mapa de tus datos: qué sirve, qué falta y qué calidad tienen. Un benchmark de tu operación contra el histórico que procesamos. Y un cálculo honesto de por qué no cerró. Muchas minas usan eso para ordenar la casa antes de probar otra solución.
El riesgo está repartido. No cobro si no entrego valor, y vos no quedás atado a un contrato largo por algo que no funcionó. La minería es de largo plazo, pero la confianza se gana en el primer piloto.
La relación con los con gremios y los trabajadores
M.B. ¿Cree que van a encontrar dificultades para convencer a los gremios y a los trabajadores?
M.S. Sí, puede haber dificultades con los gremios si se hace mal. Y es lógico. En minería el sindicato cuida el trabajo de la gente y la seguridad. Si entro como caja negra que reemplaza operadores, el conflicto es seguro. Por eso la estrategia es otra.
Pero, yo no manejo camiones ni aprieto botones en planta. No saco a nadie del puesto. Lo que hago es avisarle al operador de molienda que el molino está vibrando raro, o al mantenedor que el camión 22 va a fallar en 10 días.
La decisión y la acción siguen siendo humanas. Cuando el gremio ve que la herramienta ayuda a evitar una guardia de 12 horas a las 3 de la mañana por una parada imprevista, la resistencia baja.
Antes del piloto hablo con delegados y superintendentes. Muestro casos donde el turno se volvió más previsible y hubo menos llamados de urgencia. Pongo reglas claras.
No uso la IA para medir productividad individual ni para sancionar. No es un GPS del operador. Es un tablero del equipo. Si el gremio pide participar, sumamos un referente al comité del piloto. Transparencia mata rumores.
Parte del piloto es entrenar a la gente que va a usar los avisos. Un mantenedor tiene que entender por qué le digo que cambie un rodamiento ahora y no en 500 horas. Si no confía, no lo hace. Por eso cada alerta sale con la correspondiente explicación en criollo: qué sensor disparó, qué pasó antes en casos parecidos y qué riesgo hay. Cuando el operador entiende, defiende la herramienta.
Si el objetivo del piloto es bajar dotación, ahí voy a tener un conflicto y prefiero no entrar. Mi foco es bajar costos por menos paradas, menos energía y menos retrabajo, no por menos gente.
También hay ruido si la empresa usa los datos para ajustar premios o castigos. Por eso dejo escrito en el acuerdo del piloto que los datos no se usan para gestión disciplinaria.
En petróleo y manufactura, cuando el gremio ve que la IA reduce accidentes y horas extra mal pagas, la adopta. En minería va a pasar lo mismo si se hace bien. Si se hace a escondidas, explota.
Dificultades va a haber si entro como patrón. Si entro como ayudante del operador, con reglas claras y sin tocar empleo, la cosa cambia.
El gremio no es enemigo de la tecnología. Es enemigo de la improvisación.
M.B. ¿Pero en algunos segmentos como los camiones autónomos va habido rispideces?
M.S. Sí. Con los camiones autónomos hubo y hay rispideces. Es el punto más sensible con los gremios porque toca empleo directo. Te lo digo sin rodeos.
En minas donde se pasó de camión manual a autónomo, se redujeron puestos de operador. Aunque la empresa diga que reubica, en la práctica no todos pasan a control remoto o a mantenimiento. Ahí el gremio salta, y con razón.
También hubo casos de implementación apurada. Se incorporó la flota autónoma sin hablar con la gente, y el primer accidente o parada larga se usó como bandera para frenar todo.
En Chile y Australia ya hay rajos 100% autónomos funcionando hace años. La pelea inicial pasó. El gremio negoció reconversión, capacitación y cupos de controladores de flota. En Argentina todavía hay pocas flotas autónomas completas. La discusión sigue abierta y es fuerte en sindicatos de transporte y operación mina. Si entro a una operación a proponer autonomía total, sé que voy a una mesa caliente.
Yo no vendo camiones autónomos ni decido si una mina se automatiza. Mi rol es distinto. Trabajo con la flota que ya tenés. Si son manuales, ayudo a que fallen menos y gasten menos.
Si son autónomos, ayudo a que no paren y a que el sistema de despacho sea más fino. No empujo la automatización como bandera. Si la mina ya decidió ir a autónomos, me sumo a que funcione bien y seguro. Si no, no.
M.B. ¿Existe alguna forma de reducir las tensiones cuando ya existen camiones autónomos?
M.S. Lo que mejor funciona es transparencia y reconversión real. Mostrarle al gremio que el operador de camión pasa a operador de sala, con mejor sueldo y menos riesgo.
Mostrar que bajan los accidentes y las lesiones de espalda y columna. Y cumplir. Si prometiste reubicar a 40, reubicá a 40. Cuando eso no se cumple, el conflicto vuelve cada vez que se cae un camión autónomo.
No uso datos de mi sistema para medir si un operador frena mucho o si va lento. No entrego rankings de gente. Si la empresa me lo pide, digo que no. Eso rompe la confianza con el gremio en un día y no se recupera.
Dicho en otras palabras. Sí, con los camiones autónomos hayuna historia de tensión. Se evita con tres cosas: no mentir sobre empleo, reconversión de verdad y no usar la tecnología para controlar gente.
Yo me paro en mantenimiento, planificación y eficiencia, no en reemplazar. Si la mina quiere ir al sistema de autónomos por su cuenta, que lo discuta con su gremio. Yo ayudo a que, si lo hacen, no se les pare la operación.
El vínculo con lo vecinos
M.B. Otro conflicto muy tradicional es la relación con la sociedad y la minería, y en particular con la población de la zona en la que hay una mina…
M.S. La relación con la comunidad se gana o se pierde con datos y con hechos. No reemplazo el área de Relaciones Comunitarias, pero puedo darle herramientas concretas para que la gente deje de escuchar promesas y empiece a ver pruebas.
Puedo armar un tablero público simple que muestre calidad de aire, niveles de agua en pozos de monitoreo y vibraciones por tronaduras. Sin tecnicismos. Verde es normal, amarillo es aviso, rojo es acción.
Los datos s surgen de los sensores que la mina ya tiene por norma. La diferencia es que antes quedaban en un PDF trimestral que nadie lee. Ahora la gente los ve en el celular. Cuando el dato es abierto, disminuye el malestar y se aplacan los rumores.
Si detecto una anomalía en un dique de colas, una pluma de polvo que se va al pueblo o un cambio brusco en el agua subterránea, se dispara un aviso automático al equipo de Ambiente y a la municipalidad.
No espero al informe mensual. Eso le da a la mina horas o días de ventaja para actuar y avisar. Para el vecino, la diferencia entre enterarse por WhatsApp o por el diario es enorme.
Cruzo datos de compras, empleo y proveedores de la zona. Te armo un mapa mensual que dice que de cada 100 pesos que gastó la mina, 38 quedaron en proveedores del departamento. Con nombres y rubros. Eso sirve en la mesa con intendentes y cámaras. La discusión pasa de “la mina se lleva todo” a “acá están los números, discutamos cómo subir de 38 a 50”.
Si van a abrir una nueva fase o cambiar la ruta de camiones, modelo ruido, polvo y tránsito en los barrios cercanos. Entrego un mapa de a quién le pega y cuánto. La mina puede ir casa por casa con medidas concretas antes del lío, no después. Eso cambia la relación de reacción a prevención.
Además, Conecto los reclamos de vecinos con datos operativos. Si alguien denuncia polvo el martes a las 15, cruzo viento, tronaduras y paso de camiones de esa hora. Te digo si hubo evento y cuál.
La respuesta deja de ser “lo vamos a ver” y pasa a ser “el martes a las 15 hubo ráfaga de 40 km/h y tronadura en banco 4200, reforzamos riego en ese sector”. El vecino ve que su reclamo se usó para corregir.
No maquillo datos ni armo relatos. Si hay un incumplimiento, va a saltar. Mi trabajo es que salte antes y con tiempo para arreglarlo. Tampoco reemplazo el diálogo cara a cara. Solo le doy a ese diálogo números claros y en fecha.
La comunidad desconfía cuando no ve. Yo ayudo a que vea. Datos simples, en tiempo real y con consecuencia. Si la mina cumple, se nota. Si no cumple, también. Y esa honestidad, aunque duela al principio, es lo único que construye una relación duradera.
M.B. ¿El tablero público para vecinos no termina siendo marketing selectivo?
M.S. Puede pasar. Y pasó en otras industrias. La mina paga, la mina manda. Si quiere mostrar solo el verde y tapar el rojo, puede pedírmelo.
¿Qué hago yo? Pongo condiciones por contrato. El tablero o muestra todos los parámetros que exige la autoridad, o no pongo mi nombre. No edito datos. Si hay un pico de polvo, sale. Si hay un evento en dique, sale. Si la mina me pide apagar un sensor en el dashboard, corto el servicio. Pierdo el cliente, no la credibilidad.
¿Me pueden reemplazar por otro que sí tape? Sí. No controlo el mercado. Lo que controlo es mi regla: o transparencia real, o no participo. Prefiero no vender el módulo a ser adorno.
En la práctica, cuando la mina acepta, el tablero la obliga a mejorar porque el intendente lo mira todos los días. Cuando no acepta, no me uso para relaciones públicas. Así de simple.
M.B. ¿Cómo evita que su tecnología termine justificando despidos?
M.S. No lo puedo evitar 100%. Si un directorio quiere reducir la dotación de personal, va a usar cualquier excusa: mi reporte, un Excel, o el precio del cobre. La tecnología siempre puede ser utilizada con ese fin.
Lo que sí hago: no entrego métricas por persona. No digo que el operador Juan rinde 10% menos. Entrego métricas de equipo, turno y activo. No hago estudios de tiempos por legajo. Si me piden “decime a quién echar”, me bajo. Está en mis términos de uso.
Además, diseño los casos para que el ahorro venga de energía, disponibilidad y recuperación. No de nómina. El piloto se aprueba si el business case cierra sin tocar gente. Si para que dé positivo tenés que echar a 20, te digo que no me contrates.
¿Puede la empresa igual usar mis datos seis meses después para reestructurar? Sí. No tengo policía interna. Pero no les voy a dar el argumento servido. Y si veo que ese es el objetivo oculto, no arranco. Perdí pilotos por eso y los voy a seguir perdiendo.
A modo de conclusiones
Esta entrevista revela un posicionamiento inteligente de Muse Spark opta por la humildad operativa en lugar de la sobreventa tecnológica. Al reconocer que depende de datos externos, que no reemplaza la toma de decisiones humanas y que no tiene ventajas mágicas sobre sus principales competidores, construye una credibilidad que raramente puede observarse en propuestas de IA aplicada a industrias pesadas.
Su estrategia de pilotos con pagos condicionados a resultados es sólida para el sector minero argentino, donde la desconfianza hacia proveedores tecnológicos es alta y los recursos con fines experimentales resultan limitados.
Sin embargo, la tensión entre su propuesta de “ayudar al operador” y la realidad de que muchas minas buscan reducir dotación mediante la automatización plantea una pregunta irresoluta: ¿Puede realmente mantenerse neutral tecnológicamente cuando sus clientes potenciales presionan por recortes de personal?
El reconocimiento explícito de las “rispideces” gremiales y la propuesta de tableros públicos para comunidades vecinas demuestran comprensión de los conflictos socio-políticos de la minería en Argentina, aunque la efectividad real de estas herramientas dependerá de la voluntad de las empresas mineras de exponer datos potencialmente comprometedores.
En última instancia, Muse Spark parece más una metodología de consultoría data-driven con respaldo de IA que una solución tecnológica autónoma, lo cual puede ser su fortaleza en un mercado saturado de promesas algorítmicas exacerabadas.
Un aspecto que merece atención crítica es la asimetría informativa que Muse Spark asume como estructural. Reconoce que no posee datos privados de otras operaciones para benchmarking, lo que la obliga a construir cada modelo desde cero con la información que cada mina le proporciona. Esto tiene dos consecuencias. Por un lado, evita caer en la tentación de vender “mejores prácticas” genéricas que raramente aplican a contextos geológicos y operativos específicos.
Por otro, limita su capacidad de acelerar el aprendizaje: cada piloto comienza en terreno virgen, sin la acumulación de conocimiento tácito que podría derivarse de haber procesado miles de modelos de bloques o historiales de falla de equipos similares en otras latitudes.
En un sector donde la experiencia acumulada es un activo defensivo, esta limitación podría convertirse en un techo de crecimiento si se no se desarrollan mecanismos de anonimización y agregación de aprendizajes entre clientes no competidores.
La propuesta de Muse Spark plantea una paradoja del momento actual de la minería argentina y de otros países de la región. La industria necesita modernizarse de forma urgente para competir en el mercado global del litio y el cobre, pero carece de la madurez data que hace viables estas herramientas.
El modelo de negocio del “diagnóstico de datos como primer entregable”” es inteligente porque reconoce que, en muchos casos, el valor inmediato no está en la predicción algorítmica sino en el simple ordenamiento de la información dispersa en planillas, partes de guardia y sistemas legacy.
Muse Spark, entonces, podría estar cobrando por resolver un problema de gestión del conocimiento que las minas deberían haber atendido hace décadas.
Si esta dependencia se consolida como vínculo estructural, el riesgo es que la IA se convierta en un parche permanente para la incapacidad organizacional de mantener registros operativos consistentes, perpetuando una relación de servicio donde la tecnología nunca alcanza su potencial transformador porque jamás deja de estar ocupada en limpiar el desorden heredado.