En tres meses, las mineras que ganan dinero con IA pasaron de 4 a 15 — y solo un uso en la planta ya llegó al balance

McKinsey siguió a 19 grandes mineras y armó una escalera de madurez para cada aplicación de inteligencia artificial. El resultado muestra dónde la IA ya paga las cuentas, dónde todavía es promesa — y qué separa una cosa de la otra.

En el Mining Forum Americas, realizado a fines de septiembre de 2026 en Colorado Springs, Estados Unidos, McKinsey presentó un balance de cómo la inteligencia artificial está llegando al resultado financiero de las grandes mineras. La consultora sigue a 19 compañías del sector. En el tercer trimestre, hasta el 11 de septiembre, 15 de ellas habían reportado ganancias financieras atribuidas a la IA. En el trimestre anterior eran 4. El procesamiento de minerales lidera: 10 de las 19 empresas reportan impacto en el resultado proveniente de aplicaciones en sus plantas. Para ordenar lo que funciona y lo que todavía no, McKinsey clasificó cada tipo de aplicación en cuatro peldaños de evidencia. En la cima, "comprobado en el P&L", están las herramientas en producción con cifras financieras divulgadas. Justo debajo, "comprobado", las herramientas implementadas con efecto medido. Luego, "emergente", aplicaciones que cumplen solo parte de los criterios. En la base, "aspiracional", lo que todavía no está en producción. Ferran Pujol, socio de McKinsey con sede en Santiago, resumió el mensaje en una frase: una pila de iniciativas de IA no es una transformación. La prueba, según él, es si el área pasa a funcionar de otra manera, no si ganó mejores herramientas. Participaron del panel Ravi Malladi, asesor sénior de datos e IA de Freeport-McMoRan, y Akilan Kapilan, director de Microsoft para energía y recursos naturales.

La escalera de McKinsey es útil porque desarma la idea de que "IA en minería" es una sola cosa. Cada aplicación está en una etapa distinta, y el patrón tiene una lógica técnica. En procesamiento, solo el ajuste automático de parámetros de molienda y flotación llegó al peldaño más alto. No es casualidad: la planta es el entorno más instrumentado de una mina, con sensores continuos de caudal, densidad, granulometría y ley, y cada punto porcentual de recuperación metalúrgica se convierte en ingreso inmediatamente medible. Visión por computadora, mezcla de mineral y optimización de pilas aparecen un peldaño abajo, con ganancia medida pero todavía sin cifra financiera divulgada. Lixiviación y optimización de agua y reactivos siguen siendo emergentes, porque implican cinéticas químicas lentas y menos datos por hora de operación. En mantenimiento, la planificación de paradas ya llegó a la cima, y el mantenimiento predictivo de flotas y plantas está en el peldaño "comprobado". En cambio, en la planificación minera y las operaciones — secuenciamiento, perforación y voladura, despacho, prevención de colisiones, recarga de flota eléctrica, autonomía en flota mixta — casi todo sigue entre emergente y aspiracional. Y las tres aplicaciones de exploración seguidas (generación de blancos, descripción automatizada de testigos y control de leyes) todavía son emergentes. La lección práctica es que la IA rinde primero donde el dato ya es denso, continuo y confiable. Ravi Malladi, de Freeport, dio el ejemplo más concreto del panel: si la muestra de aceite de un equipo no llega al laboratorio, o si el resultado no entra en el sistema, ningún modelo de mantenimiento predictivo va a marcar la diferencia. El cuello de botella es la disciplina de datos en la operación, no el algoritmo. McKinsey también describió el perfil organizacional de las empresas que escalan, que llama regla 70-70-70: cerca del 70% del talento tecnológico mantenido en casa, el 70% del equipo construyendo soluciones en lugar de coordinar proveedores, y el 70% proveniente de niveles sénior. A eso se suman equipos de tecnología conectados directamente con los equipos de operación y un único ejecutivo que controla tanto el presupuesto como el resultado financiero de la iniciativa. Akilan Kapilan, de Microsoft, completó el cuadro con un límite de uso: los modelos deben recomendar opciones, no tomar decisiones sin verificación, y le corresponde al especialista de operación definir los límites, porque los modelos sin datos confiables producen respuestas erróneas con apariencia de certeza.

Para quien trabaja en minería, la escalera funciona como un mapa de prioridades. Si una empresa va a iniciar o reorganizar su programa de IA, los peldaños más altos indican dónde otras compañías ya demostraron retorno: control avanzado de planta y planificación de paradas. Los peldaños más bajos indican dónde todavía hay que invertir en la base de datos antes de esperar resultados. La estimación de un 10% a un 15% de ganancia de EBITDA también ayuda a dimensionar la conversación con el directorio — y muestra que la ganancia viene más del costo que del volumen. Para los profesionales, el mensaje es igual de directo: las competencias más valoradas no son solo ciencia de datos, sino la combinación de conocimiento del proceso, gobernanza de datos operativos y capacidad de transformar una recomendación de un modelo en un cambio de rutina en la operación. El propio relevamiento señala que, en energía y materiales, solo el 7% de las empresas escaló agentes de IA en manufactura — y que la minería probablemente está por debajo de ese promedio. Hay espacio de sobra para quien sepa tender el puente entre la planta y el algoritmo.