O gargalo dos minerais críticos não é a licença — são os anos de estudo antes dela

Nos EUA, uma mina pode levar mais de 30 anos da descoberta à produção, e boa parte disso é consumida por estudos de engenharia sequenciais, não pela burocracia de licenciamento. Uma startup aposta em orquestrar essas disciplinas com IA para comprimir esse tempo.

Em entrevista à MINING.com publicada em setembro de 2026, Ari Rostami, CEO da empresa de tecnologia de mineração AiMinr, descreveu um descompasso que está pressionando a política de minerais críticos dos Estados Unidos: enquanto a segurança nacional americana opera em prazos de poucos anos, levar um depósito mineral da descoberta até a produção comercial pode levar mais de 30 anos, somando estudos de engenharia, validação técnica, financiamento e licenciamento. O prazo fica ainda mais apertado com duas mudanças regulatórias já confirmadas: exigências atualizadas do DFARS entram em vigor em janeiro de 2027, obrigando materiais usados em certas aplicações de defesa a vir de países não alinhados à China, e o Departamento de Guerra americano vai banir, a partir de 1º de janeiro, ímãs de terras raras de origem chinesa em sistemas de defesa cobertos pela norma. Segundo Rostami, a infraestrutura de produção crítica dos EUA hoje não tem como cumprir esse prazo.

O ponto central do argumento de Rostami é que a reforma de licenciamento, sozinha, ataca só parte do problema. Ele estima que entre 30% e 40% do tempo total de desenvolvimento de uma mina é consumido por estudos técnicos — avaliação econômica preliminar, estudo de pré-viabilidade, viabilidade e engenharia detalhada — e não pela burocracia regulatória em si. Dois problemas estruturais explicam essa demora, segundo ele. O primeiro é a dependência de engenharia intensiva em mão de obra especializada, num momento em que o setor de mineração enfrenta encolhimento do quadro de profissionais técnicos experientes. O segundo, mais estrutural ainda, é que esses estudos costumam rodar em fluxo linear e isolado: geólogos repassam dados para planejadores de mina, que repassam projetos para engenheiros de processo, que repassam para equipes financeiras — e quando uma premissa importante muda no meio do caminho, o efeito se propaga em cascata, forçando semanas ou até anos de retrabalho em disciplinas que já haviam avançado. Rostami cita o cobalto como exemplo do custo desse atraso: o mercado esperava demanda crescente do metal puxada por veículos elétricos, o que estimulou interesse por nova oferta, mas fabricantes de bateria migraram cada vez mais para químicas sem cobalto, como o fosfato de ferro-lítio — quando minas domésticas de cobalto finalmente chegam à produção, a tecnologia que elas foram planejadas para atender já pode ter mudado de direção, ou o mercado já pode ter sido conquistado pela concorrência. A resposta que a AiMinr está testando não é acelerar cada disciplina isoladamente, mas conectar todas elas — geologia, geotecnia, hidrologia, ventilação, metalurgia e modelagem financeira — dentro de uma plataforma única, orquestrada por mais de 50 agentes de inteligência artificial especializados, de forma que uma mudança de premissa, como o preço de uma commodity ou o desenho de uma mina, se propague automaticamente entre as disciplinas conectadas em vez de exigir reconstrução manual de cada modelo. Um detalhe técnico importa aqui: a AiMinr separa a camada de orquestração de IA do motor de cálculo. Os agentes não geram números de engenharia por conta própria — eles gerenciam algoritmos determinísticos usados em processos como balanço de massa e planejamento de mina, o que torna os resultados rastreáveis e permite validá-los contra os dados reais do projeto, em vez de depender de uma IA generativa que apenas 'parece' certa. É uma distinção que a própria indústria de mineração, historicamente cautelosa com tecnologia nova, tem cobrado: a empresa já trabalha com uma operação brownfield no Alasca usando a plataforma para reformular planejamento de curto e longo prazo, estimativa de recursos e reservas.

Para quem planeja ou avalia projetos de minerais críticos, o aprendizado prático é redirecionar onde concentrar esforço de aceleração: reforma de licenciamento continua relevante, mas não resolve sozinha o descompasso entre prazos de segurança nacional e prazos de desenvolvimento de mina, porque uma fatia enorme do cronograma está nos estudos técnicos que vêm antes — e depois — da aprovação regulatória. Para gestores de projeto, o caso reforça uma lição que vale além da mineração: fluxo de trabalho linear e isolado entre disciplinas é, por si só, uma fonte de atraso tão relevante quanto qualquer barreira externa, porque transforma qualquer mudança de premissa em retrabalho em cascata. E para quem avalia adoção de inteligência artificial no setor, o modelo da AiMinr aponta um uso de IA mais maduro do que geração de texto ou imagem: orquestração de motores determinísticos já validados, com rastreabilidade de resultado — uma aplicação que pode ganhar espaço primeiro em escritórios de engenharia e planejamento, antes de chegar à operação da mina em si.