IA en energía y minería: el 68% espera un impacto transformador, pero menos del 20% logró escalar sus proyectos

Un estudio internacional sobre más de 800 ejecutivos de energía, petróleo y gas, utilities, minería, químicos y agronegocios revela la brecha entre las expectativas sobre inteligencia artificial y los resultados concretos. El desafío ya no es tecnológico: es escalar.

Las compañías de energía y recursos naturales buscan pasar de los pilotos de inteligencia artificial a aplicaciones con impacto medible en el negocio.

La inteligencia artificial (IA) ingresó en una nueva etapa dentro de las industrias de energía y recursos naturales, marcada por el desafío de transformar la enorme cantidad de proyectos piloto en resultados concretos para el negocio. Un nuevo estudio de Bain & Company revela que las expectativas de los ejecutivos son altas, pero que todavía existe una importante brecha entre lo que las compañías esperan obtener y lo que efectivamente están consiguiendo.

El informe AI in Energy: From Pilots to Payoff, elaborado a partir de una encuesta global a más de 800 ejecutivos de industrias como petróleo y gas, utilities, minería, químicos y agronegocios, señala que el 68% espera que la IA genere un impacto sustancial o transformador en el desempeño de sus compañías durante los próximos 5 a 10 años.

Sin embargo, menos del 20% de los ejecutivos afirma que sus organizaciones ya están escalando aplicaciones de IA con impacto medible o llevando adelante transformaciones de alcance corporativo. La mayoría todavía se encuentra experimentando a pequeña escala o desarrollando pilotos que no alcanzaron las expectativas iniciales.

Para Bain, esta diferencia marca el principal desafío de la nueva fase de adopción de la tecnología: ya no alcanza con probar herramientas de IA, sino que las empresas deben identificar dónde pueden generar valor, modificar sus procesos y conseguir que las soluciones funcionen a escala.

“En sectores intensivos en activos y operaciones complejas, como energía y minería, existe un enorme potencial para aplicar inteligencia artificial, pero implementar más pilotos no necesariamente genera más valor”, explicó Diego García, socio y líder de la práctica de Energía y Recursos Naturales de Bain para América del Sur.

El problema no es solamente tecnológico

Uno de los principales obstáculos identificados por Bain está en la propia definición de los proyectos. Cerca de la mitad de los ejecutivos considera que el mayor impedimento para alcanzar los resultados esperados es que las iniciativas tienen objetivos poco claros o no están suficientemente vinculadas con la creación de valor para el negocio.

A ese problema se suman la escasez de capacidades técnicas y las dificultades relacionadas con la disponibilidad, calidad y gobernanza de los datos.

El informe plantea así un cambio de enfoque. Las compañías que todavía consideran la incorporación de IA como una cuestión exclusivamente tecnológica enfrentan mayores dificultades para avanzar. Los modelos de inteligencia artificial deben integrarse en procesos, equipos y decisiones que muchas veces fueron diseñados antes de la aparición de estas herramientas.

“Las compañías han descubierto que invertir en tecnología o desarrollar un modelo es apenas una parte del reto”, señaló García. Según explicó, para capturar valor es necesario revisar el proceso completo y modificar la manera en que trabajan planificadores, operadores, técnicos y equipos comerciales.

La transformación también implica incorporar recomendaciones generadas por IA en las rutinas habituales y, al mismo tiempo, retirar herramientas, reportes y mecanismos de aprobación que mantienen a las organizaciones funcionando bajo modelos anteriores.

Cuatro claves para pasar de los pilotos al negocio

A partir de su trabajo con compañías de energía y recursos naturales, Bain identificó cuatro principios comunes entre las organizaciones que están logrando mayores avances en la incorporación de IA.

El primero consiste en concentrar los esfuerzos en dos o tres ámbitos de alto impacto, en lugar de distribuir recursos entre decenas de casos de uso desconectados. Entre las áreas con mayor potencial aparecen el desempeño de activos y procesos, la optimización de la cadena de suministro y los servicios técnicos.

La recomendación apunta a que cada iniciativa tenga desde el comienzo métricas claras de resultado, responsables definidos y una conexión directa con los problemas económicos u operativos de la compañía.

El segundo principio es rediseñar procesos y roles alrededor de la inteligencia artificial. Para Bain, incorporar un modelo sobre un flujo de trabajo existente no necesariamente alcanza. Las empresas que avanzan más rápido revisan los procesos de punta a punta, identifican decisiones, traspasos y cuellos de botella y luego redefinen roles, métricas y formas de trabajo.

En ese modelo, planificadores, despachantes, técnicos, operadores, traders o programadores pueden incorporar recomendaciones generadas por IA como parte de sus tareas habituales. Al mismo tiempo, comienzan a aparecer agentes de IA integrados a determinados procesos, aunque manteniendo participación humana en las decisiones.

El tercer punto es desarrollar bases de datos, arquitectura tecnológica, gobernanza y talento suficientes para los ámbitos prioritarios, sin esperar a construir una infraestructura perfecta para toda la organización.

Según Bain, las compañías pueden comenzar por los datos y capacidades necesarios para aquellos dominios donde hayan identificado oportunidades concretas de generación de valor. Para una utility, por ejemplo, pueden ser los datos de activos y cortes de servicio para optimizar la red. En petróleo y gas, información sobre mantenimiento, gestión de trabajos y sensores. En agronegocios, datos de compras y contratos.

El cuarto principio es institucionalizar un modelo repetible para escalar las soluciones de IA. Esto supone definir quién es responsable del valor generado, cómo se financian los proyectos, cuáles son los criterios de priorización y cómo se gestionan los riesgos y la gobernanza.

Petróleo y gas: más de u$s15 millones anuales en oportunidades

El informe incluye un caso concreto de una compañía global de petróleo y gas que utilizó ciencia de datos y modelos de lenguaje para integrar información que hasta entonces se encontraba desconectada entre activos, logística y desempeño de pozos.

La compañía utilizó IA para mejorar la previsión de producción de cada pozo, desarrollar un modelo de datos para la logística marina y crear una base de datos de mantenimiento de equipos vinculada con órdenes de trabajo y diferimientos de producción.

A partir de ese análisis identificó más de una docena de iniciativas de mejora, con un valor potencial superior a u$s15 millones anuales, cada una con responsables, plazos y puntos de decisión definidos para avanzar hacia su implementación.

El ejemplo muestra, según Bain, la diferencia entre utilizar inteligencia artificial como una herramienta experimental y utilizarla como parte de una estrategia de generación de valor.

Dentro de las industrias analizadas, atención al cliente, investigación y desarrollo, y operaciones y mantenimiento aparecen actualmente entre las aplicaciones de IA con mayor grado de madurez.

En contraste, la transformación integral de las compañías todavía es poco frecuente. El informe señala que menos del 10% de las empresas está llevando adelante una transformación de inteligencia artificial a nivel de toda la organización.

La nueva agenda para energía y minería

La situación plantea una nueva agenda para las compañías de energía y recursos naturales. Después de una primera etapa caracterizada por la proliferación de pruebas de concepto y pilotos, el foco comienza a desplazarse hacia la selección de proyectos con una ruta clara hacia el retorno económico y la capacidad de llevarlos a escala.

En este escenario, las empresas deberán definir cuánto de la responsabilidad sobre IA estará concentrada en equipos centrales y cuánto quedará en manos de unidades de negocio especializadas. También deberán decidir cómo financiar y ordenar las inversiones, cómo gestionar los riesgos y dónde desarrollar capacidades propias en lugar de comprar soluciones externas.

Bain sostiene que las organizaciones que están tomando la delantera no necesariamente son aquellas que construyen la infraestructura tecnológica más grande o sofisticada. Son las que logran identificar con mayor precisión dónde la IA puede mover una variable relevante del negocio y luego modifican la organización para capturar ese valor.

Para García, el punto de partida es justamente abandonar la lógica de sumar pilotos por el solo hecho de experimentar con la tecnología.

“La diferencia comienza a aparecer cuando las compañías seleccionan problemas relevantes para su negocio, establecen resultados concretos desde el principio y desarrollan la capacidad organizacional necesaria para llevar esas soluciones a una escala”, resumió.

Así, la discusión sobre inteligencia artificial en energía, minería y el resto de las industrias de recursos naturales comienza a cambiar de eje. La pregunta ya no es si la IA tendrá impacto, sino cuáles serán las compañías capaces de convertir ese potencial en resultados medibles y sostenibles.