La IA en minería dejó de ser un piloto hace rato. Según reportes del sector, cerca del 45% de las empresas mineras en Perú ya implementó alguna solución de inteligencia artificial, y el mantenimiento predictivo llegó a reducir hasta 70% de las paradas no planificadas en las operaciones donde se aplicó en serio. El problema está en la otra cifra: alrededor de dos de cada tres compañías dicen que no encuentran profesionales con las competencias digitales que esa transformación exige.
Si diriges una operación o un área corporativa en minería, la conclusión incómoda es esta: el cuello de botella ya no es la tecnología ni el presupuesto de capex. Es que compraste sensores, centro de control remoto y una plataforma de analítica, y el equipo que debe usarlos sigue trabajando con los mismos reportes de Excel de hace cinco años.
El perfil que estás buscando no existe en el mercado
Lo que piden hoy las mineras no es un científico de datos puro. Es un perfil híbrido: alguien que entienda de ley de mineral, de flota, de concentradora o de geomecánica, y que además sepa leer un modelo, cuestionar una predicción y automatizar un reporte. Ese perfil no sale de una universidad ni lo encuentras en LinkedIn a precio razonable. Lo armas desde adentro.
Contratar un data scientist externo y sentarlo al lado de la operación suele terminar mal por una razón simple: pasa seis meses aprendiendo el proceso minero antes de aportar algo, y para entonces ya lo reclutó un banco. En cambio, el metalurgista con ocho años en planta que aprende Python y modelado tarda mucho menos en producir algo útil, porque la mitad difícil del problema —entender el proceso— ya la tiene resuelta.
Por qué la capacitación que ya intentaste no pegó
He visto el mismo guion varias veces en empresas del sector. Se contrata un taller de dos días, va gente de planta, de mantenimiento y de planeamiento al mismo salón, el instructor abre con una definición de machine learning, y a la semana siguiente todos volvieron a su rutina. Tres cosas lo explican:
- ▸Los turnos. Un esquema 14x7 o 10x5 hace imposible juntar a todo el equipo tres días seguidos, y el que viajó de la unidad a Lima perdió medio día en el traslado.
- ▸El nivel disparejo. En el mismo salón había un planner que ya programaba en Python y un supervisor que nunca había usado una tabla dinámica. Uno se aburrió, el otro se perdió a los veinte minutos.
- ▸Los datos del ejemplo no eran los suyos. Practicar con un dataset de ventas de retail cuando tu problema es la variabilidad de la ley de cabeza no genera ninguna conexión mental.
Los tres se arreglan con diseño, no con más horas. En DataPath para empresas partimos de una evaluación previa y corremos tres niveles —Iniciación, Aplicada y Avanzada— en paralelo dentro del mismo grupo, para que nadie se aburra ni se pierda. Llevamos más de 1,500 profesionales formados y más de 100 empresas en LATAM, entre ellas Entel, BCP y Scotiabank.
El formato manda cuando tu gente está en la unidad
En minería el formato pesa más que el contenido, y es el punto donde la mayoría de planes se cae. La combinación que mejor nos ha funcionado con operaciones es mixta: sesiones en vivo cortas para las áreas que sí pueden coordinar agenda, y acceso on-demand para los que están en turno o sin señal estable. Las cuatro modalidades —in-company presencial, virtual en vivo, híbrido y plataforma— no compiten entre sí; en una minera normalmente conviven.
Para la parte asincrónica usamos AI Builders, la plataforma con más de 80 cursos on-demand, accesos por colaborador y reportes de avance que llegan al sponsor del programa. Eso último importa más de lo que parece: sin reporte, a los dos meses nadie sabe quién avanzó y el programa muere por falta de evidencia, no por falta de interés.
Un consejo poco popular: no arranques con los 400 colaboradores. Empieza con 20 de un área que tenga un dolor medible —paradas de molienda, consumo de reactivos, cumplimiento del plan— y deja que ellos muestren el resultado adentro. La adopción se contagia por evidencia, no por correo del gerente general.
Qué debería dominar tu equipo, por área
Para planeamiento, metalurgia y operaciones mina, el punto de partida es analítica y automatización de lo que hoy se hace a mano: consolidar datos de distintos sistemas, dejar de pegar reportes y armar tableros que se actualizan solos. Ahí es donde automatizar procesos con IA genera resultados visibles en semanas, no en trimestres.
Para el área que mantiene los datos de sensores, históricos de planta y sistemas de despacho, el currículum es el de Data Engineer: modelado, pipelines y nube. Y si ya tienes modelos predictivos corriendo —o te los implementó un proveedor y nadie adentro sabe mantenerlos—, lo que necesitas es la ruta de ML Engineer, que cubre justamente el monitoreo, el reentrenamiento y el día en que el modelo se degrada porque cambió la mineralogía del tajo.
Un detalle que marca diferencia: nuestros instructores siguen trabajando hoy en el puesto que enseñan. Cuando un supervisor pregunta qué hacer con datos de sensores que llegan con huecos, la respuesta no sale de una diapositiva.
Cómo sustentar el retorno ante la gerencia
Si vas a pedir presupuesto, no lleves horas de capacitación ni número de inscritos. Lleva tres indicadores atados a la operación y medidos antes y después: horas-hombre al mes que se van en armar reportes manuales, tiempo entre que ocurre una desviación y alguien la detecta, y número de procesos que quedaron automatizados con nombre y responsable. Con un caso de mantenimiento predictivo bien medido, una sola parada evitada suele pagar el programa completo.
Define esa línea base antes de empezar. Es lo que más se olvida y es lo único que después te permite demostrar que la inversión sirvió.
La mayoría de tu gente no va a programar, y está bien
Un error frecuente al armar el plan es asumir que todos terminan escribiendo código. En una operación típica hay tres grupos y cada uno necesita algo distinto:
- ▸Operadores y supervisores de campo: que sepan leer una alerta del modelo, reconocer cuándo desconfiar de ella y reportar cuando se equivoca. Son los que hacen que el sistema mejore o que nadie vuelva a mirarlo.
- ▸Planeamiento, metalurgia, mantenimiento y las áreas de gestión: automatizar reportes, consultar datos sin depender de un ticket a TI y usar asistentes de IA sobre los documentos de la operación. Este grupo es el que devuelve resultados más rápido.
- ▸El equipo técnico de datos y automatización: ahí sí van pipelines, modelos y puesta en producción. Suelen ser pocos y son justo los que el mercado te quiere quitar.
Diseñar un solo programa para los tres garantiza que ninguno quede bien servido. Por eso la evaluación previa no es trámite: define quién entra a qué nivel y evita el salón donde la mitad se aburre y la otra mitad se pierde.
No dejes la formación en manos del proveedor del sistema
Cuando compras una plataforma de analítica o un sistema de despacho, viene con capacitación incluida. Úsala, pero no la confundas con formación. Te enseñan a operar ese producto, no a entender tus datos. El día que cambias de proveedor —y en minería se cambia— el conocimiento se va con el contrato.
Formar a tu equipo en los fundamentos (datos, modelado, automatización, criterio para cuestionar un modelo) es lo único que se queda en la empresa. Es también lo que convierte a un supervisor con quince años de planta en la persona que detecta que la predicción está mal antes de que detenga el molino.
Por dónde seguir
El proceso con el que trabajamos tiene cuatro pasos y el primero no cuesta nada: conversamos para entender tu operación, hacemos un diagnóstico del nivel real de tu equipo, diseñamos el plan por áreas y recién ahí dictamos y medimos. Puedes empezar desde la página de empresas o revisar antes la presentación en PDF para llevarla a tu comité.
Y si solo te llevas una idea de todo esto: la brecha de talento digital en minería no se cierra contratando, se cierra formando a la gente que ya conoce tu operación. Los que van a sacarle provecho a la IA en tu planta este año ya están en tu planilla.
