IA reclasifica recursos de Ulu Gold y dispara su valoración

Un proyecto de oro en el Ártico canadiense, revisado por algoritmos

Ulu Gold llevaba años con datos geológicos acumulados y una valoración que no terminaba de convencer al mercado. Stormlands Mining, una empresa irlandesa de análisis de datos, tomó esa información histórica, la procesó con modelos de inteligencia artificial y obtuvo algo que los métodos convencionales no habían logrado: una reclasificación de recursos que empujó la valoración del proyecto hacia arriba de forma significativa.

Qué hizo exactamente la IA con los datos de Ulu

El proyecto Ulu Gold está ubicado en Nunavut, el territorio más septentrional de Canadá, y es operado por una compañía junior. Como ocurre con muchos proyectos en etapa de exploración avanzada, el activo contaba con un volumen considerable de datos de perforación, geoquímica y geología estructural acumulados durante años. El problema no era la cantidad de información, sino la capacidad de interpretarla de manera integrada.

Stormlands aplicó sus herramientas de análisis de datos sobre ese conjunto de información histórica. El enfoque permitió identificar patrones en la distribución de la mineralización que los métodos de estimación tradicionales habían subestimado o clasificado con menor confianza. El resultado fue una reclasificación de parte de los recursos inferidos hacia categorías de mayor certeza geológica, lo que tiene un impacto directo en cómo el mercado valora un proyecto: los recursos indicados y medidos se descuentan menos que los inferidos al momento de calcular el valor neto del activo.

Stormlands publicó los resultados como un caso de estudio, sin detallar las cifras exactas de la nueva estimación de recursos en el resumen disponible. Pero el titular del ejercicio es claro: la valoración del proyecto aumentó de forma notable tras el proceso. Para una compañía junior operando en una jurisdicción remota y costosa como Nunavut, ese tipo de mejora en la clasificación de recursos puede ser la diferencia entre atraer financiamiento o seguir esperando.

Por qué este caso importa más allá de un proyecto ártico

Lo que Stormlands demostró en Ulu no es un caso aislado de tecnología aplicada a minería. Es una ilustración de algo que está ocurriendo de forma creciente en la industria: los datos históricos de exploración, muchas veces archivados y subutilizados, contienen valor que los métodos convencionales no extraen completamente.

Las empresas junior, en particular, acumulan décadas de perforaciones y estudios que quedan en repositorios internos. Aplicar modelos de aprendizaje automático sobre esa información no requiere nueva perforación, no implica trabajo de campo adicional y tiene un costo marginal comparado con una campaña exploratoria. Si el resultado es una reclasificación de recursos que mejora la valoración del activo, el retorno sobre esa inversión en análisis puede ser extraordinariamente alto.

Este modelo tiene aplicación directa en América Latina, donde existe una cantidad enorme de proyectos de cobre, oro y litio con datos históricos acumulados durante décadas, muchos de ellos en manos de juniors o de majors que los tienen en carpeta sin desarrollar. Perú, Chile, Colombia y Argentina concentran cientos de proyectos en distintas etapas de exploración con esta característica. La pregunta relevante para los equipos técnicos y para los inversionistas no es si la IA puede agregar valor en este contexto, sino cuántos proyectos de la región ya están en condiciones de someterse a este tipo de análisis con los datos que tienen hoy.

Lo que frena la adopción no es la tecnología en sí, sino la calidad y estandarización de los datos históricos. Muchos proyectos latinoamericanos tienen información fragmentada, en formatos distintos o con estándares de registro inconsistentes entre campañas de diferentes operadores. Resolver esa capa de preparación de datos es el trabajo previo que define si el análisis con IA produce resultados confiables o simplemente procesa ruido.

El caso de estudio de Stormlands en Ulu Gold es útil precisamente porque muestra que el proceso funciona cuando los datos tienen la calidad suficiente. Para los equipos de exploración en LATAM, esa es la señal práctica: antes de pensar en IA, auditar qué tan limpios y completos están los datos que ya tienen.

La línea del fondo: Reclasificar recursos de inferidos a indicados sin perforar un metro adicional es el tipo de eficiencia que cambia el acceso a capital para una junior. Si este enfoque se aplica sistemáticamente a los cientos de proyectos con datos históricos acumulados en los Andes, varios activos que hoy duermen en carpetas podrían volver al mercado con valoraciones radicalmente distintas.