Em três meses, as mineradoras que lucram com IA passaram de 4 para 15 — e só um uso na usina já chegou ao balanço

A McKinsey acompanhou 19 grandes mineradoras e montou uma escada de maturidade para cada aplicação de inteligência artificial. O resultado mostra onde a IA já paga as contas, onde ainda é promessa — e o que separa uma coisa da outra.

No Mining Forum Americas, realizado no fim de setembro de 2026 em Colorado Springs, nos Estados Unidos, a McKinsey apresentou um balanço de como a inteligência artificial está chegando ao resultado financeiro das grandes mineradoras. A consultoria acompanha 19 companhias do setor. No terceiro trimestre, até 11 de setembro, 15 delas haviam reportado ganhos financeiros atribuídos à IA. No trimestre anterior, eram 4. O processamento mineral lidera: 10 das 19 empresas relatam impacto no resultado vindo de aplicações nas usinas. Para organizar o que funciona e o que ainda não funciona, a McKinsey classificou cada tipo de aplicação em quatro degraus de evidência. No topo, "comprovado no P&L", ficam ferramentas em produção com números financeiros divulgados. Logo abaixo, "comprovado", estão ferramentas implantadas com efeito medido. Em seguida, "emergente", aplicações que cumprem só parte dos critérios. Na base, "aspiracional", o que ainda não está em produção. Ferran Pujol, sócio da McKinsey baseado em Santiago, resumiu o recado em uma frase: uma pilha de iniciativas de IA não é uma transformação. O teste, segundo ele, é se a área passa a funcionar de outro jeito, não se ganhou ferramentas melhores. Participaram do painel Ravi Malladi, assessor sênior de dados e IA da Freeport-McMoRan, e Akilan Kapilan, diretor da Microsoft para energia e recursos naturais.

A escada da McKinsey é útil porque desmonta a ideia de que "IA na mineração" é uma coisa só. Cada aplicação está num estágio diferente, e o padrão tem lógica técnica. No processamento, só o ajuste automático de parâmetros de moagem e flotação chegou ao degrau mais alto. Não é coincidência: a usina é o ambiente mais instrumentado de uma mina, com sensores contínuos de vazão, densidade, granulometria e teor, e cada ponto percentual de recuperação metalúrgica vira receita imediatamente mensurável. Visão computacional, blendagem de minério e otimização de pilhas aparecem um degrau abaixo, com ganho medido mas ainda sem número financeiro divulgado. Lixiviação e otimização de água e reagentes continuam emergentes, porque envolvem cinéticas químicas lentas e menos dados por hora de operação. Na manutenção, o planejamento de paradas já chegou ao topo, e a manutenção preditiva de frotas e plantas está no degrau "comprovado". Já no planejamento de lavra e nas operações — sequenciamento, perfuração e desmonte, despacho, prevenção de colisão, recarga de frota elétrica, autonomia em frota mista — quase tudo segue entre emergente e aspiracional. E as três aplicações de exploração rastreadas (geração de alvos, descrição automatizada de testemunhos e controle de teor) ainda são emergentes. A lição prática é que a IA rende primeiro onde o dado já é denso, contínuo e confiável. Ravi Malladi, da Freeport, deu o exemplo mais concreto do painel: se a amostra de óleo de um equipamento não chega ao laboratório, ou se o resultado não entra no sistema, nenhum modelo de manutenção preditiva vai fazer diferença. O gargalo é a disciplina de dado no chão de mina, não o algoritmo. A McKinsey também descreveu o perfil organizacional das empresas que escalam, que ela chama de regra 70-70-70: cerca de 70% do talento de tecnologia mantido dentro de casa, 70% da equipe construindo soluções em vez de coordenar fornecedores, e 70% vindo de níveis seniores. Somam-se a isso equipes de tecnologia ligadas diretamente às equipes de operação e um único executivo que controla tanto o orçamento quanto o resultado financeiro da iniciativa. Akilan Kapilan, da Microsoft, completou o quadro com um limite de uso: os modelos devem recomendar opções, não tomar decisões sem checagem, e cabe ao especialista de operação definir as fronteiras, porque modelos sem dado confiável produzem respostas erradas com aparência de certeza.

Para quem trabalha em mineração, a escada funciona como um mapa de prioridade. Se uma empresa vai começar ou reorganizar seu programa de IA, os degraus mais altos indicam onde o retorno já foi demonstrado por outras companhias: controle avançado de usina e planejamento de paradas. Os degraus mais baixos indicam onde ainda é preciso investir em base de dados antes de esperar resultado. A estimativa de 10% a 15% de ganho de EBITDA também ajuda a dimensionar a conversa com a diretoria — e mostra que o ganho vem mais de custo do que de volume. Para profissionais, a mensagem é igualmente direta: as competências mais valorizadas não são só ciência de dados, mas a combinação de conhecimento de processo, governança de dados operacionais e capacidade de transformar uma recomendação de modelo em mudança de rotina na operação. O próprio levantamento aponta que, em energia e materiais, só 7% das empresas escalaram agentes de IA na manufatura — e que a mineração provavelmente está abaixo dessa média. Há espaço de sobra para quem souber fazer a ponte entre a usina e o algoritmo.