IA y portafolios mineros: lecciones desde Anglo American

El dato no es menor: Anglo American informó el avance de su “transformación de portafolio” y confirmó que la venta de su negocio de níquel por 500 millones de dólares a MMG Singapore está a la espera de la aprobación regulatoria final de la Comisión Europea. Cuando una minera de ese tamaño decide salir de un commodity, manda una señal clara: el valor ya no se trata solo de extraer más, sino de asignar mejor el capital, reducir complejidad y mejorar el retorno.

En Bolivia, donde la minería y los servicios mineros compiten con márgenes ajustados, logística retadora y presión creciente por trazabilidad, esta noticia funciona como caso práctico: la optimización del portafolio es, cada vez más, un problema de datos. Y ahí la inteligencia artificial (IA) encaja con fuerza. No como “magia”, sino como un conjunto de herramientas para decidir con menos intuición y más evidencia.

En esta entrega de la serie “Cómo la IA Está Transformando la Minería y los Servicios Mineros en Bolivia”, aterrizo la lección: vender, comprar o reconfigurar activos no debería depender de un Excel heroico ni de reuniones eternas. Con la IA bien aplicada, portafolio, operaciones y servicios pueden alinearse para crear valor medible.

Qué nos dice la venta de níquel de Anglo American (y por qué importa)

La idea central es simple: transformar el portafolio busca concentrarse en activos con mejor perfil de retorno y menor fricción operativa/financiera. En el caso de Anglo American, la venta del negocio de níquel por US$ 500 millones muestra un movimiento típico de “limpieza” estratégica: desprenderse de unidades que no encajan con el foco futuro, liberando capital y atención gerencial.

En términos prácticos, decisiones así suelen responder a una combinación de factores:

• Volatilidad del precio y riesgo de ciclo.
• Costos de operación (energía, mano de obra, consumibles, mantenimiento).
• Riesgo regulatorio y social (permisos, consulta, licencias, estabilidad).
• Capex futuro necesario para sostener producción.
• Sinergias reales (o inexistentes) con el resto del portafolio.
• Opcionalidad: posibilidad de expansión o mejoras tecnológicas.

Lo que cambia en 2025 es la expectativa del mercado: ya no alcanza con “tener recursos”. Se exige disciplina de capital, visibilidad de riesgos y planes de ejecución creíbles.

“Un portafolio minero no se optimiza por volumen; se optimiza por decisiones repetibles y medibles.”

IA para decisiones de portafolio: del “parece buena idea” al “lo puedo probar”

La mejor forma de entender el rol de la IA es esta: la IA no decide por ti; reduce el ruido y cuantifica escenarios. Cuando hay múltiples activos, commodities y geografías, el problema no es falta de opiniones, sino falta de un marco consistente.

Modelos que sí aportan (y dónde suelen fallar)

Aporta, cuando se usa para:

1. Predicción: estimar producción, recuperación metalúrgica, costos y disponibilidad de flota en distintos escenarios.
2. Optimización: asignar capital y priorizar proyectos para maximizar NPV/IRR bajo restricciones (capex, energía, agua, personal).
3. Detección temprana de riesgo: anticipar desvíos de presupuesto, probables fallas críticas o cuellos logísticos.

Falla, cuando:

• No hay gobernanza de datos (cada área tiene “su verdad”).
• Se alimenta al modelo con datos incompletos o no comparables.
• Se usa IA para justificar una decisión ya tomada.

El “tablero” que debería existir en toda minera (y en proveedores también)

Una práctica que he visto funcionar es construir un tablero de portafolio con indicadores homogéneos por activo/unidad:

• Cash cost por tonelada y por unidad de metal.
• Disponibilidad y utilización de equipos críticos.
• AISC (cuando aplica) o costo total sostenido.
• Energía por tonelada, agua por tonelada, y su tendencia.
• Riesgo regulatorio (semáforo con causas, no solo color).
• Riesgo social (conflictos, bloqueos, cumplimiento de acuerdos).
• Brechas de talento (puestos críticos sin respaldo).

Con esos datos, la IA puede hacer lo que mejor sabe: encontrar patrones y construir proyecciones consistentes. Sin ese piso, cualquier algoritmo es decoración.

La conexión con Bolivia: optimizar portafolios y operaciones en un mercado exigente

Bolivia no es Anglo American, pero el problema se parece: recursos limitados y decisiones grandes. Una empresa mediana —o un proveedor de servicios— no puede darse el lujo de equivocarse tres veces en asignación de capital.

Aquí, la “transformación de portafolio” puede significar:

• Reordenar frentes de explotación según ley, recuperación y costos de acarreo.
• Decidir si conviene tercerizar mantenimiento, perforación, geotecnia o planta.
• Elegir entre renovar flota, extender vida útil o migrar a esquemas por disponibilidad.
• Abrir o cerrar líneas de servicio (por ejemplo, monitoreo, instrumentación, laboratorio, drones).

Un ejemplo cercano: cuando “vender un activo” es “dejar un servicio”

En servicios mineros, la decisión equivalente a vender un negocio es cerrar una línea que no escala o que demanda demasiado soporte técnico para el margen que deja.

Con IA, un proveedor puede evaluar su “portafolio” con preguntas concretas:

• ¿Qué contratos tienen mayor probabilidad de renovación?
• ¿Dónde hay más retrabajo y por qué?
• ¿Qué tipo de fallas generan penalidades recurrentes?
• ¿Qué cliente consume más horas de ingeniería por dólar facturado?

Esto no es teoría. Es control de gestión con esteroides: datos + modelos + disciplina.

IA aplicada a creación de valor: 5 usos prácticos que se pagan solos

La promesa de “mejor retorno para accionistas” se aterriza con iniciativas operativas. Estas cinco suelen dar resultados rápidos si se implementan con foco.

1) Mantenimiento predictivo para reducir paradas no planificadas

Punto clave: menos paradas no planificadas = más toneladas y menos costo por tonelada.

• Modelos de predicción de fallas con sensores (vibración, temperatura, presión).
• Priorización automática de órdenes de trabajo por criticidad.
• Análisis de causas raíz con minería de texto sobre reportes de mantenimiento.

2) Optimización de planta (setpoints) con aprendizaje automático

Punto clave: pequeñas mejoras sostenidas en recuperación valen mucho.

• Modelos que recomiendan rangos operativos según mineralogía y variabilidad del feed.
• Control de reactivos con recomendaciones basadas en desempeño histórico.

3) Pronóstico de producción y costos con escenarios “de verdad”

Punto clave: el directorio no necesita 30 escenarios; necesita 3, bien sustentados.

• Escenario base, conservador y agresivo con supuestos explícitos.
• Sensibilidades automáticas: energía, tipo de cambio, consumibles, disponibilidad de equipos.

4) Gestión de inventarios y compras: menos urgencias, mejor precio

Punto clave: en minería, comprar tarde sale caro.

• Predicción de consumo de repuestos por patrón de fallas.
• Alertas por riesgo de quiebre de stock.
• Clasificación ABC dinámica y sugerencias de mínimos/máximos.

5) Comunicación con stakeholders y cumplimiento: menos fricción, más confianza

Punto clave: la licencia social se gestiona con constancia, no con improvisación.

• Automatización de reportes operativos y ambientales.
• Resúmenes ejecutivos para gerencia (lenguaje claro, no jerga técnica).
• Trazabilidad documental y auditorías internas más rápidas.

De la noticia al plan: cómo implementar IA sin perderse

La mayoría se complica por empezar al revés: compran herramientas antes de definir decisiones. El orden que mejor funciona es este.

Paso 1: define 2-3 decisiones que hoy son “dolorosas”

Ejemplos típicos:

• ¿Dónde recorto capex sin matar producción futura?
• ¿Qué activo/servicio debería priorizar por margen y riesgo?
• ¿Qué equipo crítico está generando más pérdida por hora?

Paso 2: inventario de datos (con honestidad)

• ¿Dónde están los datos? (ERP, SCADA, planillas, bitácoras)
• ¿Qué tan completos están? (huecos, duplicados, unidades distintas)
• ¿Quién es dueño de cada dato? (operaciones, mantenimiento, finanzas)

Paso 3: un piloto de 8 a 12 semanas con métrica dura

Un piloto serio tiene:

• Línea base (antes) y meta (después).
• Un sponsor operativo (no solo TI).
• Una métrica principal: horas de parada, consumo de reactivo, cumplimiento de plan, etc.

Paso 4: escalamiento con gobernanza

Escalar IA sin gobernanza es acumular modelos que nadie usa. Lo mínimo viable:

• Catálogo de datos.
• Definición única de KPIs.
• Rutinas de revisión (semanal/mensual) con responsables.

“La IA que no cambia una reunión de operación, no cambia el negocio.”

Preguntas que suelen aparecer (y respuestas directas)

¿Necesito un equipo grande de data science para empezar?

No. Para un primer caso de uso, suele bastar un equipo pequeño mixto (operaciones + mantenimiento + analítica) y un sponsor con autoridad para cambiar procesos.

¿Qué pasa si mis datos están ‘sucios’?

Se empieza con lo que hay, pero con reglas claras. Muchas veces el valor inicial viene de ordenar y estandarizar (por ejemplo, codificación de fallas y repuestos) antes de modelos complejos.

¿Cómo se conecta esto con “transformación de portafolio”?

Porque la transformación de portafolio depende de comparar activos/servicios con el mismo criterio. La IA ayuda a medir desempeño futuro, no solo histórico, y a cuantificar riesgos con señales tempranas.

Cierre: lo que Bolivia puede tomar del “playbook” de Anglo American

La noticia de Anglo American —venta del negocio de níquel por US$ 500 millones, pendiente de aprobación regulatoria— es un recordatorio útil: la creación de valor en minería también es saber decir “no” a tiempo. Y para decir “no” con confianza necesitas datos, modelos y disciplina.

Si tu empresa minera o de servicios en Bolivia quiere mejorar retorno, la ruta más corta suele ser la misma: estandariza KPIs, elige decisiones clave y aplica IA en pilotos con métricas duras. Después de eso, el portafolio se vuelve menos político y más técnico.

La pregunta que deja 2025 es incómoda, pero necesaria: ¿qué parte de tu operación (o de tu oferta de servicios) estás sosteniendo por costumbre, cuando los datos ya te están pidiendo un cambio?