IA en minería: lecciones del giro al cobre de BHP

El 19/12/2025, el CEO de BHP, Mike Henry, resumió su postura con una frase que en minería vale oro: lo de Anglo American ya está “en el retrovisor”. Después de un intento fallido de adquisición, BHP está poniendo el foco en proyectos de cobre y oportunidades en Canadá, apoyándose en un entorno que percibe como favorable para invertir.

Esto no es solo chisme corporativo. Es una señal clara de cómo los grandes jugadores están reordenando prioridades en torno a metales críticos y jurisdicciones que facilitan explorar, construir y operar. Y aquí viene lo interesante para Bolivia: la diferencia entre “ver oportunidades” y “capturarlas” se está volviendo cada vez más tecnológica. En especial, por el papel que está tomando la inteligencia artificial (IA) en minería para decidir dónde explorar, cómo operar y cuándo invertir.

En esta entrega de la serie “Cómo la IA Está Transformando la Minería y los Servicios Mineros en Bolivia”, voy a usar el caso de BHP como espejo: qué nos dice su giro estratégico y, sobre todo, cómo la IA puede ayudar a las mineras bolivianas y a los proveedores de servicios mineros a competir en un escenario donde el cobre (y la eficiencia) importan más que nunca.

El mensaje detrás del “retrovisor”: la estrategia se está volviendo un problema de datos

La lectura directa es simple: BHP deja atrás la novela con Anglo y apuesta por cobre y por Canadá. La lectura útil para ejecutivos mineros es más cruda: la estrategia hoy se gana con información más rápida y decisiones más disciplinadas.

Cuando una compañía del tamaño de BHP decide entre comprar un rival o invertir en su propia cartera de proyectos, la decisión depende de variables que cambian todo el tiempo:

• Riesgo país y señales regulatorias
• Capacidad de infraestructura (energía, carreteras, puertos)
• Calidad geológica del portafolio y probabilidad de descubrimiento
• Costos de capital y cronogramas de permisos
• Proyección de demanda (electrificación, redes, movilidad, centros de datos)

La IA no reemplaza el criterio directivo. Pero sí cambia la conversación porque permite algo clave: convertir incertidumbre en rangos cuantificados, con trazabilidad. En lugar de “parece que este distrito es interesante”, pasar a “con estos datos, la probabilidad de éxito supera X y el costo esperado de fallar baja Y”.

Frase que conviene tener a mano: “La minería no es solo geología; es gestión de probabilidades bajo restricciones reales.”

Cobre y exploración: donde la IA aporta valor de verdad (y rápido)

Si el cobre vuelve a ser el centro de la conversación global, la exploración vuelve a ser el cuello de botella. Y ahí la IA está siendo práctica, no teórica.

IA para priorizar targets: menos perforación ciega, más perforación inteligente

En exploración, el error típico es gastar perforación en targets “bonitos” en mapas, pero débiles en señales integradas. La IA ayuda a combinar capas que antes se analizaban por separado:

• Geoquímica (multielementos)
• Geofísica (magnetometría, IP, gravimetría)
• Teledetección (alteración hidrotermal, estructuras)
• Historial de perforación y logs
• Modelos geológicos 3D

Con modelos de machine learning (por ejemplo, clasificación y ranking de prospectos), se puede construir un sistema que responda lo que realmente interesa:

• ¿Qué targets maximizan probabilidad de mineralización?
• ¿Cuál es el trade-off entre acceso, permisos, CAPEX y ley esperada?
• ¿En qué zonas una campaña corta puede “matar” o “confirmar” un modelo rápido?

En Bolivia, esto es especialmente valioso en distritos donde existen datos históricos dispersos (campañas antiguas, reportes, muestreos aislados). La IA funciona como una “máquina de ordenar”: limpia, integra y sugiere prioridades.

IA para generar modelos geológicos más consistentes

La geología no se automatiza como una fábrica, pero sí se puede volver más consistente. He visto que el mayor salto viene cuando se usa IA para:

• Detectar anomalías y outliers (errores de laboratorio, coordenadas, duplicados)
• Homologar nomenclaturas en bases antiguas
• Sugerir dominios geológicos preliminares para revisión humana

El resultado no es “el modelo perfecto”. Es algo más útil: un modelo defendible, con menos sesgos y menos “parches” de último minuto.

De Canadá a Bolivia: el verdadero diferencial es la ejecución operacional

BHP menciona que ya invierte más de 10.000 millones de dólares en su proyecto Jansen (potasa) en Saskatchewan y que tiene alianzas de exploración en Canadá “en ambas costas y hacia el norte”. Esa escala impresiona, pero lo que hay detrás es disciplina operativa.

Bolivia no compite por tamaño. Compite por productividad, seguridad, continuidad operativa y control de costos. Y ahí la IA también está entrando fuerte.

Mantenimiento predictivo: la forma más directa de recuperar dinero

En minas y plantas, la pérdida típica no es un gran desastre: son paradas pequeñas y repetidas, decisiones reactivas y repuestos “a ojo”. Con IA y analítica predictiva se puede:

• Anticipar fallas en bombas, molinos, fajas, compresores
• Detectar vibración anómala, temperatura fuera de patrón, consumo eléctrico irregular
• Priorizar órdenes de trabajo por riesgo y criticidad

Una métrica que conviene perseguir en 2026: reducir paradas no planificadas primero, antes de intentar “automatizarlo todo”. Es la victoria rápida.

Optimización de planta: más fino que “subir la recuperación”

Optimizar planta no es solo metalurgia; es control y variabilidad. Modelos de IA pueden ayudar a:

• Estabilizar granulometría y alimentación
• Ajustar reactivos por mineralogía (cuando hay datos)
• Minimizar consumo energético por tonelada

Lo importante es el enfoque: no pedirle a la IA un milagro, sino integrarla como un “copiloto” del operador y del metalurgista.

Seguridad y fatiga: IA como prevención, no como castigo

Los sistemas de visión por computadora y analítica de eventos pueden reducir incidentes si se implementan con criterio:

• Detección de proximidad y zonas de exclusión
• Monitoreo de condiciones inseguras (EPP, ingreso a áreas restringidas)
• Modelos de fatiga y turnos (con políticas claras de privacidad)

Mi postura: si la IA se usa para “pillar” gente, fracasa. Si se usa para prevenir eventos y mejorar condiciones, se adopta.

Lo que BHP no dice en TV: el rol de la IA en decisiones de inversión y M&A

La entrevista menciona adquisiciones, proyectos propios y oportunidades en Canadá. Lo que no se ve en cámara es el trabajo interno para comparar escenarios.

Aquí la IA aporta en tres frentes concretos:

1) Inteligencia competitiva: señales débiles antes que titulares

La mayoría de empresas reacciona cuando el mercado ya lo sabe. Con IA aplicada a información pública y documentos internos (sin “magia”, con gobernanza), se pueden identificar:

• Cambios regulatorios y prioridades de gobierno
• Ventanas de permisos e incentivos
• Movimientos de competidores (stakeholders, contratistas, licencias, claims)

2) Modelos de riesgo: del “feeling” al tablero

Un buen sistema no predice el futuro; muestra sensibilidad. Por ejemplo:

• Si el CAPEX sube 15% y el cronograma se estira 9 meses, ¿qué pasa con el NPV?
• Si la ley cae 0,1%, ¿qué variables compensan?
• ¿Qué combinación de riesgos produce el peor caso realista?

La IA aquí funciona como motor de simulación y priorización, no como oráculo.

3) Gestión del portafolio: foco brutal en lo que sí paga

Muchas mineras tienen “proyectos mascota” que no mueren nunca. Un enfoque de portafolio con analítica ayuda a:

• Comparar proyectos con criterios consistentes
• Definir umbrales de avance (y de salida)
• Evitar gastar años en estudios que no cambian la decisión

En Bolivia, este punto es vital para empresas medianas y para servicios mineros que dependen de ciclos: si tu cliente no tiene portafolio sano, tu pipeline de servicios también se enferma.

Cómo empezar en Bolivia sin quemar presupuesto: una hoja de ruta de 90 días

La forma más segura de fracasar con IA es empezar por lo más complejo. La forma más efectiva es arrancar con un caso de uso medible y datos disponibles.

Semana 1-2: elegir un caso de uso con KPI claro

Ejemplos con retorno rápido:

• Predicción de fallas en un equipo crítico (1 línea, 1 área)
• Optimización de consumo energético por turno
• Priorización de targets de exploración con datos existentes

KPI sugeridos:

• Horas de parada no planificada
• MTBF/MTTR
• kWh/ton
• Recuperación metalúrgica (con control de variabilidad)

Semana 3-6: ordenar datos y definir gobernanza

Lo no negociable:

• Diccionario de datos (qué significa cada variable)
• Control de calidad (faltantes, duplicados, sensores fuera de calibración)
• Accesos y permisos (quién ve qué)

Semana 7-12: piloto, validación y despliegue limitado

• Entrenar y validar el modelo con datos históricos
• Probar en paralelo (modelo vs operación real)
• Ajustar con feedback del operador/ingeniero

Regla práctica: si en 90 días no puedes demostrar una mejora concreta, el caso de uso estaba mal elegido o los datos no estaban listos.

Preguntas típicas (y respuestas directas) sobre IA en minería

¿La IA sirve si mi mina no tiene “big data”?

Sí. Sirve incluso más si tienes datos dispersos, porque el primer beneficio es ordenar y hacer consistente lo que ya existe.

¿Necesito cambiar todo mi sistema de control?

No. Lo inteligente es integrar por capas: primero analítica y alertas; luego recomendaciones; después automatización parcial.

¿La IA reemplaza geólogos, metalurgistas u operadores?

No. Los hace más productivos y reduce decisiones reactivas. La experiencia de campo sigue mandando.

Próximo paso: del retrovisor a la ruta (también en Bolivia)

El movimiento de BHP hacia el cobre en Canadá confirma algo: la competencia minera es cada vez más una competencia de decisiones. Y hoy, decidir bien exige datos confiables, modelos útiles y equipos capaces de ejecutar.

Si estás en Bolivia —en una empresa minera, en una contratista o en un proveedor de servicios— la oportunidad no es “copiar a BHP”. Es más realista: usar IA para identificar oportunidades, operar con menos variabilidad y sostener productividad en un sector donde el margen se gana por disciplina.

Si quieres convertir un caso de uso de IA en resultados (no en presentaciones), mi recomendación es empezar pequeño, medir duro y escalar solo cuando el piloto paga. La pregunta que deja este cierre de año es sencilla: ¿tu empresa está tomando decisiones con datos… o con costumbre?