Platino a $2,300: cómo la IA protege tu suministro

El platino cerró diciembre de 2025 rompiendo un récord nominal: más de US$ 2,300 por onza troy. No es un “capricho” del mercado. Es el síntoma de una cadena global de suministro tensionada, con producción concentrada y una demanda industrial que ya no depende solo de autos, sino también de tecnologías vinculadas a la transición energética.

Y acá va una postura clara: muchas empresas mineras y de servicios mineros aún reaccionan tarde. Ven el precio, corren a ajustar planes, renegocian logística, aprietan costos… y terminan administrando urgencias. La diferencia entre “resistir” y “ganar” en un ciclo de escasez se define por algo muy concreto: capacidad de anticipación. En Perú, esa anticipación hoy se construye con datos e inteligencia artificial.

Este artículo forma parte de la serie “Cómo la IA Está Transformando la Minería y los Servicios Mineros en Perú”. Tomo el contexto del platino —escasez, demanda y volatilidad— para aterrizar cómo la IA ayuda a planificar producción, optimizar logística y reducir riesgos operativos, incluso si tu operación no produce platino.

Por qué el récord del platino importa (incluso si no produces platino)

El punto central es simple: cuando un metal crítico se dispara, el mercado entero aprende una lección sobre fragilidad. El platino está presionado por dos fuerzas a la vez:

• Oferta rígida y concentrada: Sudáfrica aporta alrededor del 70% de la producción global y enfrenta limitaciones de infraestructura, energía y temas laborales. Rusia, otro actor clave, sigue condicionado por sanciones y restricciones logísticas.
• Demanda sólida y diversificada: convertidores catalíticos, química, electrónica, usos médicos y un empuje creciente por aplicaciones relacionadas con hidrógeno.

En el artículo base se menciona algo revelador: el precio subió diez sesiones consecutivas y cerró el año con un avance superior al 150%, en un contexto de baja liquidez típica de fin de año. Eso describe un mercado con nervios y con urgencia por abastecimiento.

Para Perú, el aprendizaje es directo: tu continuidad operativa ya no depende solo de “tener proveedores”, sino de gestionar incertidumbre (energía, transporte, insumos, repuestos, explosivos, lubricantes, contratos, disponibilidad de flota, etc.). La IA no es un adorno: es una forma práctica de gestionar esa incertidumbre.

IA para anticipar escasez: de reportes atrasados a señales tempranas

La mejor forma de enfrentar una crisis de suministro es detectar el patrón antes de que sea crisis. En minería, eso significa pasar de indicadores rezagados (reportes mensuales, balances a destiempo) a señales tempranas.

Pronóstico de producción y riesgo operativo (la base de todo)

La IA aplicada a operaciones permite construir modelos que estiman probabilidad de desvíos en producción y disponibilidad. No se trata de “adivinar”, sino de correlacionar datos que ya existen:

• Paradas no programadas (histórico de fallas por componente)
• Sensores de condición (vibración, temperatura, presión, partículas en aceite)
• Variables de proceso (granulometría, ley, recuperación, consumo de reactivos)
• Restricciones energéticas (picos, cortes, costos horarios)

Resultado práctico: en vez de enterarte tarde de que tu planta no llegará a su plan, la IA te da un escenario con días o semanas de anticipación para ajustar mantenimiento, turnos, mezcla de mineral o inventarios.

IA para inventarios: menos “stock por miedo”, más disponibilidad real

En ciclos de precios altos, el error típico es comprar de más “por si acaso”. Eso infla capital inmovilizado y también aumenta pérdidas por obsolescencia.

Con modelos de demanda (ML) y políticas de reposición optimizadas, puedes:

• Identificar repuestos críticos por impacto y tiempo de entrega
• Calcular puntos de reorden por variabilidad real (no por promedio)
• Simular escenarios de quiebre de stock y costo de oportunidad

Frase que resume el enfoque: la IA no reduce inventarios por deporte; reduce incertidumbre para comprar mejor.

Optimización logística con IA: el cuello de botella que pocos modelan bien

Cuando el mercado está ajustado, la logística deja de ser soporte y se vuelve estrategia. La nota sobre el platino menciona primas por contratos inmediatos y urgencia del mercado físico. Eso es una señal de lo que pasa cuando la cadena se “aprieta”: el que asegura transporte, almacenamiento y entregas gana.

En minería peruana, la IA en logística se está usando para tres frentes claros:

1) Ruteo y programación dinámica

Modelos de optimización (y, cada vez más, reinforcement learning) ayudan a decidir:

• qué rutas usar según tiempos reales, ventanas de seguridad y restricciones
• cómo consolidar carga (menos viajes, menos riesgo)
• cómo priorizar entregas por criticidad operativa

2) Predicción de demoras y “ETA confiable”

Con datos históricos de tránsito, clima, restricciones, peajes, colas en puntos de control y performance del transportista, la IA estima probabilidad de atraso. Eso habilita planes B antes de que el atraso ocurra.

3) Gestión de contratos y desempeño de proveedores

Aquí la IA no reemplaza al área de abastecimiento; la potencia. Se puede medir:

• puntualidad real por proveedor y por corredor
• tasas de incidentes y reclamos
• variabilidad de calidad en insumos

Decisión mejor informada: a quién asignar volumen, qué penalidades activar y qué condiciones renegociar.

Automatización y analítica avanzada en planta: más metal, menos variabilidad

Cuando un metal escasea, cada punto de eficiencia vale dinero de verdad. No solo por el precio, sino porque el costo de fallar (parada de planta, incumplimiento de embarques, pérdida de confianza) se vuelve mayor.

Control avanzado de procesos con modelos predictivos

En concentradoras y plantas metalúrgicas, la IA ayuda a estabilizar variables clave:

• consumo de reactivos
• recuperación metalúrgica
• control de molienda y clasificación
• control de espesadores y filtrado

El impacto típico no es “mágico”, es acumulativo: menos variabilidad significa menos eventos extremos, menos re-trabajo y más consistencia de calidad.

Mantenimiento predictivo (el ROI que más rápido se nota)

Si tuviera que elegir una sola aplicación para empezar, sería esta. Porque conecta con todo:

• disponibilidad de flota
• cumplimiento de plan
• consumo de repuestos
• seguridad (menos fallas catastróficas)

Y se implementa por etapas: primero monitoreo de condición, luego modelos de anomalías, después predicción de falla y finalmente programación óptima de mantenimiento.

Metales críticos y transición energética: el platino como “caso escuela” para Perú

El artículo de origen remarca el rol del platino en tecnologías industriales y su potencial por el hidrógeno verde. Eso importa porque el mundo está ampliando la lista de “metales estratégicos”: cobre, níquel, litio, tierras raras y también los metales del grupo del platino (PGMs).

Perú no es un productor relevante de platino, pero sí es un país minero con peso global. Eso pone a los servicios mineros peruanos en una posición privilegiada: si desarrollas capacidades de IA para operar mejor en un entorno volátil, puedes escalar esas capacidades a múltiples cadenas de valor.

En términos prácticos, el contexto 2026 se parece a esto:

1. Mayor exigencia de trazabilidad y cumplimiento (clientes y financistas piden evidencia)
2. Más presión por productividad (costos altos, energía cara, mano de obra especializada escasa)
3. Mayor volatilidad logística (tiempos de entrega y disponibilidad de equipos)

La IA encaja porque convierte operaciones complejas en decisiones gestionables: prioriza, predice y recomienda.

Checklist: cómo empezar con IA en minería (sin perder un año)

Empezar bien es elegir pocos casos de uso, medibles y con datos disponibles. Esto funciona especialmente para empresas mineras y contratistas en Perú.

1. Define un KPI que duela: disponibilidad, toneladas, recuperación, OTIF logístico, quiebre de stock, costo por tonelada.
2. Asegura datos mínimos: historiador de planta, CMMS (mantenimiento), ERP (compras), GPS (transporte), laboratorio (calidad).
3. Elige un caso “90 días”: un piloto con impacto observable (mantenimiento predictivo en un activo crítico, predicción de demoras, optimización de inventarios críticos).
4. Gobierno de datos y ciberseguridad: roles, acceso, calidad, auditoría. Si esto se improvisa, el proyecto se cae.
5. Operación primero, modelo después: el modelo se valida en campo. Si no cambia una decisión real, no sirve.

Una regla honesta: si tu IA no termina en una orden de trabajo, un cambio de setpoint o una compra mejor hecha, es un dashboard caro.

Cierre: el precio del platino sube, pero el costo de reaccionar tarde sube más

El récord del platino por encima de US$ 2,300/oz no es solo una noticia de commodities. Es un recordatorio de que la escasez global ya es parte del tablero. Y cuando el suministro se aprieta, la empresa que compite mejor no es la que “adivina” el mercado, sino la que opera con más previsibilidad.

Si estás en minería o servicios mineros en Perú, esta es una oportunidad concreta: usar IA para anticipar fallas, asegurar logística, optimizar inventarios y estabilizar procesos. Menos sobresaltos. Más control.

¿Qué parte de tu operación se rompe primero cuando hay escasez: mantenimiento, abastecimiento o transporte? Esa respuesta suele señalar el mejor primer proyecto de IA.