Durante años, la promesa fue clara: los datos van a transformar la minería.
Y algo se ha movido. Hoy existen dashboards en casi toda planta concentradora. Modelos predictivos que anticipan fallas de equipos. Alertas automáticas que llegan al celular del superintendente a las 3 de la mañana.
Pero hay una pregunta que pocas operaciones se atreven a formular: si tenemos tanta información, ¿por qué la recuperación metalúrgica sigue dependiendo de la intuición del operador de turno?
La respuesta está en la distancia entre predecir y prescribir. La IA prescriptiva en minería promete cerrar esa brecha — pero su adopción no depende solo de algoritmos. La distancia real no es técnica. Es organizacional.
Predictiva vs. prescriptiva: la diferencia que importa
Un modelo predictivo te dice qué va a pasar. «La ley de cabeza va a caer en las próximas 6 horas.» Útil. Pero insuficiente.
Un modelo prescriptivo te dice qué hacer al respecto. «Reduce el flujo de aire en la celda 4 a 12 m³/min, baja la dosificación de colector en 8% y ajusta la profundidad de espuma a 14 cm.» Y puede hacerlo solo, en tiempo real, si le das permiso.
La diferencia no es un upgrade de software. Es un cambio en quién toma las decisiones operativas segundo a segundo dentro de una planta.
Ya es común definir las aplicaciones de IA en minería por madurez. Los modelos predictivos ya son tecnología «madura» — ampliamente desplegada y rentable. La IA prescriptiva, en cambio, está en la categoría de «aplicaciones emergentes de alto impacto». Ahí es donde se juega la próxima ventaja competitiva.
Dentro de la planta: qué hace la IA prescriptiva en concreto
Flotación. Molienda. Lixiviación. Son procesos donde convergen decenas de variables simultáneas — granulometría, mineralogía, pH, dosificación de reactivos, flujos de aire, nivel de espuma — y donde un ajuste tardío de 15 minutos puede significar toneladas de fino perdido al relave.
Los sistemas prescriptivos actuales operan con una combinación de machine learning y modelos de primeros principios (la física del proceso). No adivinan. Integran datos en tiempo real de sensores, analizadores en línea y modelos geológicos del material que entra a planta, y calculan los setpoints óptimos para cada celda, cada molino, cada circuito.
Casos concretos que ya muestran resultados:
- Circuito de flotación Cu/Au en Australia. Cravern Group documentó un incremento de 0,6% en recuperación metálica a nivel de planta completa. Suena modesto. Equivale a AUD $5 millones anuales.
- Optimización de recuperación de oro. IntelliSense.io reportó un aumento de 1,12% en recuperación de oro, con menor consumo de reactivos y detección temprana de desviaciones que evitó pérdidas estimadas en USD $695.000 en solo dos meses.
- Molienda en Cadia (Newcrest). La implementación de Control Predictivo de Modelo (MPC) ajustó simultáneamente velocidad de molino SAG, tasa de alimentación y flujo de agua, superando metas de throughput al reducir variabilidad operativa.
- Escondida (BHP). En el primer semestre del año fiscal 2025 la mina alcanzó 644.000 t de cobre, un 22 % más que en el mismo periodo del año anterior, récord en 10 años. Los motores del resultado: mayor ley de alimentación a la concentradora (promedio 1,03 %), mejoras en recuperación al avanzar la minería en zonas de mayor ley y el avance del proyecto Full SaL. Escondida fue el principal aporte al alza del 10 % en la producción global de cobre de BHP (987.000 t en el semestre), con guía anual 2025 en 1.845–2.045 kt (Mining Reporters, 2025).
Y el dato que más resuena en comités ejecutivos: plataformas que integran optimización desde la mina hasta la planta proyectan incrementos de hasta 5% en recuperación de metales, con valores que superan los AUD $10 millones anuales en operaciones de escala (Horizonte Minero, 2026).
El problema que nadie quiere admitir
La tecnología funciona. Los pilotos entregan valor. Pero cuando llega el momento de escalar — de pasar de una celda piloto a la planta completa, del «modo sugerencia» al «modo automático» — todo se frena.
¿Por qué?
Porque escalar la IA prescriptiva en minería significa pedirle al operador que confíe en una recomendación algorítmica más que en sus 20 años de experiencia. Y eso no se resuelve con un curso de capacitación de dos días.
La resistencia que aparece en las plantas mineras frente a la IA prescriptiva no es capricho. Es racional. Viene de tres lugares concretos:
- El miedo a perder relevancia. El metalurgista senior que ajusta reactivos «a ojo» y acierta 8 de cada 10 veces no quiere volverse irrelevante. Si el algoritmo decide, ¿qué queda para mí?
- La desconfianza en la caja negra. «¿Por qué me dice que baje el colector?» Si el sistema no explica su lógica, el operador lo va a ignorar. Y tiene razón en hacerlo.
- El riesgo percibido sin respaldo. Si el algoritmo manda y la recuperación cae, ¿quién responde? ¿El data scientist en la oficina central o el jefe de planta que autorizó el modo automático?
Cada una de estas resistencias es legítima.
Y cada una tiene una respuesta que no viene del departamento de TI.
Preparar la organización: el cambio que la tecnología no resuelve
Las implementaciones que funcionan tienen algo en común. No empiezan por la tecnología. Empiezan por el diseño del rol humano dentro del nuevo sistema.
- «Human in the loop», en serio. BCG X diseña sus sistemas prescriptivos con tres modos: recomendación (el operador decide), aprobación (el operador valida antes de ejecutar) y automático. La transición entre modos es gradual. Semanas o meses, no días. El operador gana confianza a su propio ritmo.
- Transparencia algorítmica. Los sistemas que escalan son los que explican sus recomendaciones en lenguaje de planta. No «el modelo optimizó la función objetivo». Sino «la ley de cabeza subió 0,3% Cu y la mineralogía cambió a más calcopirita; el sistema recomienda aumentar colector porque el mineral responde mejor a mayor dosificación en este rango de ley». Contexto. Lógica. Causa y efecto.
- Rediseño de roles, no eliminación. El operador no desaparece. Evoluciona. Pasa de ajustar setpoints manualmente — una tarea repetitiva y agotadora en turnos de 12 horas — a supervisar el desempeño del sistema, intervenir en escenarios anómalos y aportar criterio experto cuando el modelo encuentra condiciones fuera de su rango de entrenamiento. Es un upgrade, no un reemplazo. Pero hay que diseñarlo así desde el primer día.
Sponsorship desde operaciones, no desde TI. Si el gerente de planta no defiende el proyecto, muere. Así de simple. La iniciativa no puede ser «un piloto de innovación». Tiene que ser «nuestra estrategia para mejorar la recuperación». Ownership operacional, no tecnológico.
La capacidad que falta
La capacidad organizacional para adoptar IA prescriptiva no se construye con un proveedor tecnológico y un comité de innovación. Se construye con gestión del cambio integrada a la implementación desde la fase de diseño.
Mapeo de stakeholders. Análisis de impacto por rol. Evaluación de readiness. Planes de adopción por turno, por área, por nivel de madurez. Métricas de adopción que van más allá del «sistema instalado» y llegan al «sistema usado, confiable y sostenible».
La minería ha invertido décadas en construir expertise operativa. Geólogos que leen la roca. Metalurgistas que huelen el proceso. Mantenedores que diagnostican con el oído. Ese conocimiento no se descarta. Se potencia.
Pero potenciarlo requiere un trabajo intencional de transformación que la mayoría de los proyectos de IA prescriptiva no contemplan en su presupuesto ni en su cronograma.
La pregunta que queda
La IA prescriptiva va a llegar a tu planta. Probablemente ya llegó en forma de piloto. La pregunta no es si la tecnología funciona — los datos la respaldan.
La pregunta es si tu organización está diseñada para confiar en ella. Y eso, ningún algoritmo lo resuelve.
En Skalling trabajamos con operaciones mineras que están implementando IA y necesitan que la adopción sea real, no cosmética. Si estás en ese punto, conversemos.
