El cuello de botella de los minerales críticos no es el permiso, son los años de estudios previos

En EE. UU., una mina puede tardar más de 30 años desde el descubrimiento hasta la producción, y buena parte de ese tiempo se consume en estudios de ingeniería secuenciales, no en la burocracia de los permisos. Una startup apuesta por orquestar esas disciplinas con IA para comprimir ese plazo.

En una entrevista con MINING.com publicada en septiembre de 2026, Ari Rostami, CEO de la empresa de tecnología minera AiMinr, describió un desfase que está presionando la política de minerales críticos de Estados Unidos: mientras la seguridad nacional estadounidense opera con plazos de pocos años, llevar un yacimiento mineral del descubrimiento a la producción comercial puede tardar más de 30 años, sumando estudios de ingeniería, validación técnica, financiamiento y permisos. El plazo se vuelve aún más ajustado con dos cambios regulatorios ya confirmados: las exigencias actualizadas del DFARS entran en vigor en enero de 2027 y obligan a que los materiales usados en ciertas aplicaciones de defensa provengan de países no alineados con China, y el Departamento de Guerra estadounidense prohibirá, a partir del 1 de enero, los imanes de tierras raras de origen chino en los sistemas de defensa cubiertos por la norma. Según Rostami, la infraestructura de producción crítica de EE. UU. hoy no tiene cómo cumplir ese plazo.

El punto central del argumento de Rostami es que la reforma de permisos, por sí sola, ataca solo una parte del problema. Él estima que entre el 30% y el 40% del tiempo total de desarrollo de una mina se consume en estudios técnicos —evaluación económica preliminar, estudio de prefactibilidad, factibilidad e ingeniería de detalle— y no en la burocracia regulatoria en sí. Según él, dos problemas estructurales explican esta demora. El primero es la dependencia de una ingeniería intensiva en mano de obra especializada, en un momento en que el sector minero enfrenta una reducción de profesionales técnicos con experiencia. El segundo, aún más estructural, es que estos estudios suelen ejecutarse en un flujo lineal y aislado: los geólogos entregan datos a los planificadores mineros, que entregan diseños a los ingenieros de procesos, que a su vez los entregan a los equipos financieros; y cuando un supuesto importante cambia a mitad de camino, el efecto se propaga en cascada y obliga a semanas o incluso años de retrabajo en disciplinas que ya habían avanzado. Rostami cita el cobalto como ejemplo del costo de este retraso: el mercado esperaba una demanda creciente del metal impulsada por los vehículos eléctricos, lo que estimuló el interés por nueva oferta, pero los fabricantes de baterías migraron cada vez más a químicas sin cobalto, como el fosfato de hierro y litio; cuando las minas domésticas de cobalto finalmente llegan a producción, la tecnología para la que fueron planificadas puede haber cambiado de rumbo, o el mercado puede haber sido conquistado por la competencia. La respuesta que AiMinr está probando no es acelerar cada disciplina por separado, sino conectarlas todas —geología, geotecnia, hidrología, ventilación, metalurgia y modelación financiera— dentro de una plataforma única, orquestada por más de 50 agentes de inteligencia artificial especializados, de modo que un cambio de supuesto, como el precio de una commodity o el diseño de una mina, se propague automáticamente entre las disciplinas conectadas en lugar de exigir la reconstrucción manual de cada modelo. Un detalle técnico importa aquí: AiMinr separa la capa de orquestación de IA del motor de cálculo. Los agentes no generan cifras de ingeniería por su cuenta; gestionan algoritmos deterministas usados en procesos como el balance de masa y la planificación minera, lo que hace que los resultados sean trazables y permite validarlos contra los datos reales del proyecto, en lugar de depender de una IA generativa que solo 'parece' correcta. Es una distinción que la propia industria minera, históricamente cautelosa con la tecnología nueva, ha venido exigiendo: la empresa ya trabaja con una operación brownfield en Alaska que usa la plataforma para reformular la planificación de corto y largo plazo y la estimación de recursos y reservas.

Para quienes planifican o evalúan proyectos de minerales críticos, el aprendizaje práctico es redirigir dónde concentrar el esfuerzo de aceleración: la reforma de permisos sigue siendo relevante, pero no resuelve por sí sola el desfase entre los plazos de la seguridad nacional y los plazos de desarrollo de una mina, porque una porción enorme del cronograma está en los estudios técnicos que vienen antes —y después— de la aprobación regulatoria. Para los gestores de proyectos, el caso refuerza una lección que va más allá de la minería: un flujo de trabajo lineal y aislado entre disciplinas es, en sí mismo, una fuente de retraso tan relevante como cualquier barrera externa, porque convierte cualquier cambio de supuesto en retrabajo en cascada. Y para quienes evalúan la adopción de inteligencia artificial en el sector, el modelo de AiMinr apunta a un uso de la IA más maduro que la generación de texto o imágenes: la orquestación de motores deterministas ya validados, con trazabilidad de resultados, una aplicación que podría ganar espacio primero en las oficinas de ingeniería y planificación, antes de llegar a la operación de la mina.