IA eleva valoración de proyecto aurífero un 140%

Un modelo de IA reescribió el valor de un proyecto aurífero en Mali: el método importa más que el número

Un proyecto de oro en África Occidental valía una cifra. Luego llegó un modelo de inteligencia artificial, analizó los datos geológicos existentes y el mismo proyecto pasó a valer un 140 % más. No hubo nueva perforación. No hubo descubrimiento sorpresa. Solo una lectura distinta de información que ya estaba ahí.

Cómo Stormlands reinterpretó Kandiolé sin tocar el subsuelo

Stormlands Mining, una empresa irlandesa de analítica de datos, publicó un caso de estudio sobre el proyecto Kandiolé de Roscan Gold, ubicado en el oeste de Mali. El ejercicio consistió en aplicar un modelo de IA sobre los datos geológicos ya disponibles del proyecto para generar una estimación de recursos más precisa y con mayor confianza técnica. El resultado fue una revalorización del 140 % respecto a la estimación previa.

Lo que hace Stormlands no es magia estadística: es integración de capas de datos que los métodos tradicionales de modelado geológico procesan de forma fragmentada. Los modelos convencionales de estimación de recursos (basados en kriging geoestadístico y juicio experto) tienen limitaciones conocidas cuando la mineralización es irregular o cuando los datos de perforación son escasos. Los modelos de IA, entrenados para detectar patrones no lineales en múltiples variables simultáneamente, pueden identificar zonas de alta ley que los métodos clásicos subestiman o directamente no capturan.

En el caso de Kandiolé, la diferencia entre la estimación anterior y la que arrojó el modelo de IA no representó solo un cambio en el papel: implicó una revaluación concreta del activo. Para Roscan Gold, eso se traduce en mayor capacidad de financiamiento, mejor posición negociadora con potenciales socios o adquirentes, y un argumento técnico más sólido frente a inversionistas institucionales. Todo eso, sin haber gastado un dólar adicional en perforación.

El impacto en Latinoamérica

América Latina concentra algunos de los proyectos de exploración aurífera más importantes del mundo, con activos en distintas etapas de desarrollo en Perú, Colombia, Brasil, Ecuador y Argentina, entre otros. Muchos de estos proyectos (especialmente los de compañías junior) enfrentan el mismo problema estructural que Kandiolé antes del análisis de Stormlands: datos geológicos existentes que no han sido procesados con las herramientas más avanzadas disponibles. En un entorno donde el capital de exploración es escaso y las condiciones de financiamiento son exigentes, la diferencia entre una estimación de recursos conservadora y una optimizada por IA puede ser la diferencia entre levantar capital o no.

El caso también tiene implicancias directas para los equipos técnicos de compañías mineras en la región. La adopción de modelos de IA para estimación de recursos no requiere reemplazar a los geólogos: requiere que trabajen con nuevas herramientas. Stormlands opera como proveedor externo de analítica, lo que significa que el acceso a esta capacidad no depende de construir un equipo interno de ciencia de datos, sino de contratar el servicio. Para una junior peruana o colombiana con activos en exploración temprana, eso reduce significativamente la barrera de entrada.

La línea del fondo: Si aplicar IA sobre datos geológicos existentes puede elevar la valoración de un proyecto un 140 % sin perforación adicional, las compañías junior latinoamericanas con activos subvalorados tienen un argumento concreto para revisar sus estimaciones de recursos antes de salir a levantar capital — no después.