Oro al alza: cómo la IA está cambiando la minería

El oro superó los US$ 4.500 por onza en diciembre de 2025, un nivel que hace pocos años sonaba a ciencia ficción para cualquiera que siguiera los mercados con cierta prudencia. Y aun así, el movimiento no se siente “eufórico”: se siente defensivo, casi metódico. Cuando un líder del sector como Sean Boyd (Agnico Eagle) dice que el “smart money” está volviendo al oro, no está hablando de una moda; está describiendo un cambio de preferencias en un contexto de deuda alta, volatilidad y tensiones geopolíticas.

Lo interesante para Chile no es solo el precio del metal. Es lo que viene pegado a ese precio: más inversión, más presión por producir mejor y más rápido, y una pregunta incómoda para la industria: ¿cómo respondemos sin disparar costos, sin aumentar riesgos y sin perder licencia social? Mi postura es clara: la respuesta práctica hoy es IA aplicada, no como “proyecto piloto eterno”, sino como una forma de operar.

Este artículo se inserta en nuestra serie “Cómo la IA Está Transformando el Sector Minero y Energético en Chile”. Usaremos el auge del oro y el ejemplo canadiense como espejo: cuando el capital se pone selectivo, gana quien toma decisiones con datos y ejecuta con disciplina.

Por qué el “smart money” vuelve al oro (y qué exige a la minería)

El retorno del capital sofisticado al oro suele ocurrir cuando el mercado deja de premiar promesas y empieza a pagar por certeza. El oro funciona como cobertura cuando hay dudas sobre monedas, inflación, tasas, conflictos o estabilidad financiera. En la entrevista reseñada por MINING.COM, Boyd subraya un punto que se repite en 2025: el oro ya no se mira solo como instrumento de trading; se está tratando como activo estructural en carteras.

Para la minería, esa demanda “más seria” viene con exigencias igual de serias:

• Transparencia operativa: inversionistas y directorios piden trazabilidad del desempeño (costos, leyes, recuperaciones, disponibilidad, seguridad).
• Disciplina de capital: menos tolerancia a sobrecostos y a cronogramas optimistas.
• Riesgo geopolítico y de suministro: el oro y los minerales críticos pasan a ser parte del tablero estratégico.

En simple: si el sector vuelve a estar en el foco, también vuelve el escrutinio. Y ahí la IA ayuda por una razón muy concreta: reduce variabilidad. Menos sorpresas. Más consistencia.

El puente con Chile: inversión, productividad y presión por permisos

Chile entra a 2026 con un escenario donde el mercado está dispuesto a financiar proyectos, pero la ejecución es el verdadero cuello de botella: permisología, productividad, energía, agua y aceptación social.

La IA no resuelve permisos por sí sola, pero sí puede hacer que el proyecto llegue a evaluación con:

• mejores líneas base y monitoreos,
• escenarios más robustos,
• planes de mitigación más “medibles”,
• y evidencia continua (no solo “fotos” en hitos).

El cuello de botella no siempre es geología: es procesamiento (y datos)

Una idea potente atribuida a Boyd es que, en minerales críticos, el problema no es encontrar recursos; el cuello de botella real suele estar en el procesamiento. Esa lógica aplica también al oro: puedes tener un buen yacimiento, pero si tu planta opera con alta variabilidad, pierdes recuperación, subes consumo energético y te expones a eventos operacionales.

La IA aplicada a planta y cadena de valor responde a una pregunta concreta: ¿cómo saco más metal (o el mismo metal) con menos energía, menos reactivos y menos detenciones?

IA en plantas: del “promedio” al control fino

En muchas operaciones, el control tradicional se basa en setpoints fijos y ajustes reactivos. La IA (especialmente modelos predictivos y control avanzado) permite anticipar desviaciones y actuar antes.

Casos de uso típicos en oro (y perfectamente transferibles a cobre):

1. Optimización de molienda: predicción de dureza del mineral y ajuste dinámico de operación para mantener throughput y P80.
2. Flotación/lixiviación: modelos que recomiendan dosis de reactivos según mineralogía, granulometría y condiciones del proceso.
3. Mantenimiento predictivo: detección temprana de fallas en bombas, fajas, ciclones o chancadores con señales de vibración/temperatura/consumo.

Frase que suelo usar con equipos operacionales: “La IA no reemplaza al metalurgista; le quita la pega de adivinar.”

Datos: el insumo que casi siempre está, pero mal usado

La mayoría de las faenas ya tiene historiadores, SCADA, sensores, PI System o equivalentes. El problema es que los datos suelen estar:

• en silos (planta vs mina vs mantenimiento),
• con mala calidad (gaps, tags inconsistentes),
• o sin contexto (sin saber qué campaña, qué frente, qué cambios).

Un programa de IA serio parte por gobernanza de datos y por una definición operacional: qué decisión voy a mejorar y cómo mediré el impacto.

Canadá como señal: velocidad, coordinación y convicción… con IA detrás

En la entrevista, Boyd plantea que “llegó el momento” de Canadá en minería, pero condicionado a tres palabras que importan también en Chile: velocidad, coordinación y convicción.

La lectura práctica: hoy compiten jurisdicciones y compiten compañías. Y compiten con métricas. La IA es una palanca para moverse más rápido sin improvisar.

Qué puede copiar Chile (sin caer en el “copiar-pegar”)

Chile no necesita replicar el modelo canadiense; necesita adaptar prácticas que reducen fricción:

• Coordinación mina–planta–energía: modelos que integran planificación con restricciones reales de potencia, agua y mantenciones.
• Digital twins (gemelos digitales): simulación para probar cambios sin arriesgar producción.
• Gestión de riesgos: analítica para anticipar eventos (seguridad, estabilidad de taludes, anomalías en relaves).

Si el capital está volviendo a metales como el oro, el ganador no es el que grita más fuerte, sino el que muestra un tablero simple: costos controlados, seguridad, continuidad y cumplimiento.

“Smart money” y “smart operations”: cómo usar IA para decidir mejor

La conexión más útil entre “smart money” y la IA no es filosófica; es operativa. El dinero inteligente busca activos con asimetría favorable (alto potencial con riesgo controlable). La IA ayuda a construir esa asimetría desde dentro de la faena.

5 aplicaciones de IA con impacto directo (y medible)

1. Forecast de ley y blending

   • Modelos que combinan geología, muestreo y performance de planta para recomendar mezclas que estabilicen recuperación.

2. Optimización energética en tiempo real

   • En un escenario donde la energía es un costo dominante (y un tema reputacional), optimizar consumo por tonelada procesada es un “must”.

3. Detección de anomalías en equipos críticos

   • Menos detenciones no programadas, mejor disponibilidad, y más confiabilidad para cumplir plan.

4. Planificación dinámica de producción

   • Replanificación con IA cuando cambia la dureza, la logística, el clima o la disponibilidad de flota.

5. Monitoreo ambiental predictivo

   • Modelos que anticipan desviaciones en variables ambientales y disparan acciones preventivas con trazabilidad.

Preguntas que suelen hacer los gerentes (y respuestas directas)

¿La IA sirve si mi operación no está “perfectamente sensorizada”? Sí. Se puede partir con lo disponible, pero hay que priorizar: 10 señales buenas valen más que 200 tags ruidosos.

¿Cuándo se ve retorno? Depende del caso, pero en aplicaciones como mantenimiento predictivo u optimización de planta, he visto que los equipos esperan valor en 8 a 16 semanas si hay foco, datos y responsables definidos.

¿Qué falla más: el modelo o la adopción? La adopción. Si el operador y el superintendente no confían en la recomendación, el modelo se vuelve un “dashboard bonito”.

Hoja de ruta para implementar IA en minería (sin proyectos eternos)

La forma más rápida de fracasar con IA es arrancar por tecnología y terminar en una maqueta. Una hoja de ruta efectiva es más simple (y más exigente) porque obliga a decidir.

Paso 1: elegir 1–2 decisiones de alto impacto

Ejemplos típicos:

• setpoints de molienda,
• programación de mantenimiento en un equipo cuello de botella,
• blending para estabilizar recuperación.

Paso 2: asegurar “datos suficientes” y un dueño del proceso

• Definir responsable operacional (no solo TI).
• Establecer KPI base: disponibilidad, kWh/t, recuperación, costo por tonelada, etc.

Paso 3: piloto corto con criterio de éxito explícito

Un piloto serio debe tener:

• alcance acotado,
• medición diaria/semanal,
• plan de escalamiento si funciona.

Paso 4: industrialización (MLOps) y cambio cultural

• Monitoreo del modelo (drift).
• Capacitación práctica para operadores.
• Rutinas de turno donde la recomendación se discute, se valida y se ejecuta.

Qué significa el auge del oro para la minería chilena en 2026

El alza del oro y el renovado interés por jurisdicciones mineras estables muestran algo que a veces se olvida: cuando el mercado se pone incierto, la minería vuelve al centro. Chile puede beneficiarse, pero solo si opera con un estándar nuevo de eficiencia y control.

Y aquí el punto incómodo: muchas empresas seguirán hablando de digitalización como “un objetivo”. Las que van a liderar van a tratar la IA como lo que es: una capacidad operacional, igual de concreta que una planta, una flota o un sistema de seguridad.

Si estás mirando 2026 con un proyecto de oro, cobre o incluso con foco en minerales críticos, mi recomendación es directa: parte por una decisión donde la variabilidad te esté costando dinero (o seguridad), y pon IA ahí. No mañana. Ahora.

La pregunta que queda dando vueltas es simple: si el “smart money” ya se movió, ¿tu operación está lista para demostrar que merece esa confianza?