Por mucho tiempo, la actividad minera se ha centrado en temas como seguridad, sustentabilidad, productividad y por supuesto comunidades. La literatura incluso habla actualmente de «Minería 4.0» que incluye la tecnología y los procesos de automatización. Ahora, y al igual que el resto de la sociedad, la industria minera está integrando la Inteligencia Artificial a los factores antes mencionados.
Sin embargo, mientras el 100% de los líderes empresariales globales ya utiliza IA en sus operaciones según el reporte «The State of Observability Report 2025» de Dynatrace, la minería parece estar quedando rezagada en esta transformación. Según el estudio «The GenAI Divide» del MIT NANDA, el sector de Energía y Materiales, donde se ubica la industria minera, registra la puntuación más baja en el Índice de Disrupción del Mercado de IA, con apenas 0.5 puntos en una escala de 0 a 4, mostrando adopción casi nula y experimentación mínima.
Esta brecha se vuelve aún más preocupante cuando consideramos que, a pesar de inversiones empresariales de entre 30 y 40 mil millones de dólares en IA Generativa, el 95% de las organizaciones están obteniendo un retorno de cero, según el mismo estudio del MIT. La diferencia entre quienes aprovechan la IA y quienes permanecen estancados no radica en la tecnología disponible, sino en el enfoque estratégico de implementación.
El verdadero desafío: más allá de los pilotos
La minería ha experimentado con automatización durante años: camiones autónomos, drones para exploración, sistemas de monitoreo predictivo. Sin embargo, el informe del MIT NANDA revela que el 60% de las organizaciones que evalúan herramientas de IA personalizadas nunca llegan a producción a escala, y solo el 5% logra implementaciones exitosas. ¿Por qué? Porque la mayoría de las implementaciones personalizadas fallan debido a flujos de trabajo frágiles, falta de aprendizaje contextual y desalineación con las operaciones diarias.
El caso de BHP ilustra un camino diferente. Según reportes de iTnews y Mining Magazine, esta empresa utilizó ChatGPT para co-redactar políticas de recursos humanos bajo supervisión humana y validación legal, transformando un proyecto que históricamente requería seis semanas de consultoría externa en un proceso interno significativamente más rápido. Lo crucial aquí no fue la automatización, sino el «aumento humano»: la IA operó en las etapas de investigación intensiva y análisis de patrones, liberando a los profesionales para concentrarse en la interpretación estratégica.
La urgencia de la velocidad: corriendo contra el reloj
Aquí emerge uno de los desafíos más críticos para la minería chilena: la evolución de la IA avanza a una velocidad que supera ampliamente la capacidad de adaptación de las personas, los estados y por supuesto las empresas mineras. Mientras los modelos de IA se actualizan cada pocos meses con capacidades exponencialmente mejoradas, las organizaciones mineras operan con ciclos de planificación de años y procesos de aprobación que pueden extenderse por trimestres.
El estudio del MIT NANDA advierte que la ventana para cruzar esta brecha se está cerrando rápidamente: «En los próximos 18 meses, varias empresas consolidarán relaciones con proveedores de IA que serán casi imposibles de deshacer. Las organizaciones que invierten en sistemas que aprenden están creando costos de cambio que se agravan mensualmente».
Esta urgencia temporal no es retórica. La IA no esperará a que perfeccionemos nuestros marcos regulatorios o a que completemos nuestros estudios de viabilidad. La pregunta ya no es si debemos adoptar IA, sino cuánto tiempo podemos darnos el lujo de quedarnos atrás mientras otros sectores establecen ventajas competitivas insuperables.
La brecha de confianza y el riesgo del Shadow AI
A pesar de la adopción universal, las preocupaciones sobre la fiabilidad y la confianza en la IA dificultan la transición de las iniciativas de concepto a producción. En la minería, donde un error puede tener consecuencias catastróficas en términos de seguridad o medioambiente, esta desconfianza se amplifica.
Según el reporte de Dynatrace, el 50% de los líderes señala la calidad y previsibilidad de los datos como su principal inquietud sobre la fiabilidad de la IA, seguido por la privacidad de datos con un 45%. Estas preocupaciones no son infundadas: más de dos tercios (69%) de las decisiones impulsadas por IA todavía requieren supervisión humana directa para verificar que los resultados sean correctos antes de implementarse. Es decir, la IA sugiere, pero una persona debe revisar y aprobar.
Pero existe un riesgo aún más insidioso: el Shadow AI. El estudio del MIT revela que mientras solo el 40% de las empresas reporta haber adquirido suscripciones oficiales de herramientas de IA, el 90% de los trabajadores de las compañías encuestadas reportan usar regularmente herramientas de IA personales para tareas laborales. Estudios de Cisco y Gartner confirman que más del 70% de los trabajadores de oficina ha usado IA generativa sin aprobación institucional.
Este fenómeno representa un riesgo crítico de seguridad: empleados pegando información sensible de operaciones, contratos de proveedores o datos de producción en plataformas públicas como ChatGPT sin las debidas protecciones corporativas. No es un problema de rebeldía, sino de falta de cultura digital y gobernanza clara.
La gobernanza como imperativo, no como opción
Para abordar estos riesgos, las organizaciones mineras líderes están implementando marcos de Trustworthy AI (IA Confiable) que combinan tres principios inseparables: ética, fiabilidad y explicabilidad. La base técnica de esta confianza son los MLOps (Machine Learning Operations): un conjunto de procesos que garantizan que la IA funcione de manera predecible, auditada y reproducible.
Los MLOps permiten:
- Trazabilidad completa: registrar versiones y auditar decisiones algorítmicas.
- Monitorización continua: detectar cuando los modelos empiezan a fallar por cambios en el entorno (data drift).
- Control de riesgos: evitar que las iniciativas de IA se conviertan en sistemas paralelos sin control.
Además, la implementación de técnicas como RAG (Retrieval-Augmented Generation) conecta los modelos de lenguaje con bases de conocimiento validadas, evitando que inventen información (alucinaciones). Y el uso de entornos VPC (Virtual Private Cloud) con estándares de Zero Data Retention (ZDR) asegura que ningún rastro de datos sensibles persista después de la interacción.
En una exposición que realicé señalaba que: «La seguridad no está en prohibir, sino en elegir el entorno correcto». Hoy existen plataformas empresariales que ofrecen entornos seguros como Azure OpenAI, Vertex AI o AWS SageMaker que permiten a las compañías ejecutar modelos en espacios cerrados, con retención cero de datos y trazabilidad completa. Son la diferencia entre usar IA «de consumo» y operar con IA «corporativa».
Tres lecciones para la minería chilena
Primera lección: El aprendizaje es el diferenciador clave.
Según el MIT NANDA, la principal barrera para escalar no es la infraestructura, la regulación o el talento, sino el aprendizaje: la mayoría de los sistemas de IA no retienen retroalimentación, no se adaptan al contexto, ni mejoran con el tiempo. Las operaciones mineras son dinámicas y complejas; necesitamos sistemas que evolucionen con nuestras realidades operacionales específicas.
Segunda lección: Asociarse es mejor que construir.
El estudio revela que las asociaciones externas con herramientas personalizadas alcanzan un 67% de tasa de éxito en despliegue, comparado con solo el 33% para herramientas construidas internamente. La minería debería buscar proveedores especializados que comprendan profundamente los flujos de trabajo del sector, en lugar de intentar desarrollar todo internamente.
Tercera lección: Procesos paralelos
Sabemos que los procesos de construcción de gobernanza en IA pueden ser lentos, pero mientras se construyen, la capacitación y la formación de competencias para los trabajadores de las compañías de la minería es fundamental y debe ser en paralelo.
Prohibir el uso no es el camino. Deben existir acercamientos con la IA de manera que al implementar las herramientas de acuerdo a la gobernanza, los empleados ya estén familiarizados con los modelos de lenguaje de IA, que como ya he planteado en el libro “¿Por qué ChatGPT no me pesca?”, la nueva alfabetización va más allá de utilizar herramientas, se trata de aprender a comunicarse mejor con estos modelos.
La capacitación es fundamental, y debe ser paralelo al proceso corporativo.
Acelerar o quedarse atrás
La minería chilena, pilar de nuestra economía, enfrenta una encrucijada temporal. No se trata solo de si adoptamos IA, sino de cuándo y cómo lo hacemos. Cada mes que pasa sin una estrategia clara de gobernanza, sin políticas de uso responsable, sin capacitación en nuevas alfabetizaciones digitales, es un mes en que nuestros competidores globales avanzan.
La Miner-IA no se trata solo de camiones sin conductor o drones de exploración. Se trata de construir sistemas inteligentes que aprendan de nuestra experiencia, se adapten a nuestros contextos y amplifiquen la capacidad humana de tomar mejores decisiones. La Miner-IA no solo se enfoca en la faena, también se implementa en los edificios corporativos pensando y proyectando usar la IA para mejorar la toma de decisiones. Se trata de implementar gobernanzas robustas que protejan los datos mientras permiten innovación. Se trata de educar a los equipos para que sepan conversar con estas tecnologías, no temerles ni prohibirlas.
El desafío no es tecnológico, es estratégico, cultural y temporal. La velocidad importa. La ventana se cierra. Y el momento de actuar no es mañana: es hoy.
