En minería, los datos son la base de prácticamente todas las decisiones, desde el modelamiento de recursos hasta las previsiones de rendimiento de planta. Sin embargo, una mala calidad de los datos mineros puede erosionar el valor mucho antes de que alguien detecte el problema. La ubicación incorrecta de un sondaje, un ensayo mal etiquetado o un levantamiento topográfico deficiente pueden propagarse por todo el modelo operativo y financiero. Y los costos pueden ser enormes.
Según una auditoría realizada en 2022 por una importante consultora, más del 60% de los retrasos y sobrecostos en nuevos proyectos mineros pueden atribuirse a problemas relacionados con los datos en las etapas iniciales, especialmente en la estimación de recursos, el análisis geotécnico y las líneas base ambientales. En esta industria, el principio de “garbage in, garbage out” se manifiesta con especial dureza.
Tomemos como ejemplo los levantamientos de sondajes. Incluso errores pequeños en la posición del collar, de 10–20 cm, o en el azimut pueden distorsionar el modelo de bloques, especialmente en depósitos de vetas estrechas. Un proyecto aurífero de África Occidental sobreestimó en un 17% el tonelaje de sus recursos indicados debido a errores acumulativos en las coordenadas de los collares y a un control deficiente de la desviación de los sondajes. El resultado fue un avance prematuro hacia la construcción, una puesta en marcha fallida de la planta y más de $50 millones en pérdidas para los inversionistas antes de que se suspendieran las operaciones.
Los datos de muestreo, especialmente los resultados de ensayos, son otra fuente frecuente de errores. Los laboratorios de regiones en desarrollo no siempre cuentan con protocolos sólidos de QA/QC. En un proyecto de pórfido de cobre-oro en Chile, las inconsistencias en muestras blancas y duplicadas pasaron inadvertidas durante dos temporadas de perforación. La reconciliación posterior entre el modelo de recursos y la producción reveló una sobreestimación del 12% en la ley de cobre, lo que se tradujo en un déficit de ingresos proyectado de casi $120 millones durante la vida de la mina.
Los modelos topográficos, que a menudo se tratan como información estática, pueden quedar peligrosamente desactualizados. Una operación de carbón en Queensland utilizaba datos LiDAR aéreos con cinco años de antigüedad. La reconciliación posterior mediante fotogrametría con drones reveló que la erosión y los botaderos habían modificado significativamente los límites del rajo y las rutas de drenaje. La topografía incorrecta ya se había incorporado al plan minero, provocando acumulación de agua en una rampa de acceso clave y generando $8,4 millones en costos de remediación y una pérdida de producción de dos meses.
El registro geológico también puede verse afectado cuando los equipos junior dependen de notas manuscritas, códigos litológicos inconsistentes o verificaciones cruzadas insuficientes. En una mina subterránea polimetálica de Europa Oriental se registraron anchos de veta con una variación de ±30% debido a diferencias en el logueo entre turnos. Esto provocó un diseño deficiente de las cámaras de explotación, dilución excesiva y pérdidas de mineral no planificadas, con un impacto anual sobre el EBITDA superior a €9 millones, según la propia revisión financiera de la compañía.
No se trata de errores aislados. Un estudio global de benchmarking de 2023 concluyó que uno de cada tres modelos de recursos presentados para estudios de prefactibilidad contenía “deficiencias materiales de integridad de datos”, entre ellas intervalos faltantes, muestras duplicadas y litologías mal clasificadas.
Lo que hace que estos errores sean tan peligrosos es su invisibilidad. Se incorporan en etapas tempranas, se propagan a través de la planificación y el diseño y, con frecuencia, permanecen ocultos hasta que la reconciliación física revela la diferencia. Para entonces, el daño ya está hecho y corregirlo suele requerir un reprocesamiento considerable.
Los inversionistas rara vez preguntan por el QA de las coordenadas de los collares o por la fecha de la última actualización de un modelo digital de elevación (DEM). Sin embargo, detalles como estos pueden determinar silenciosamente si un proyecto tendrá éxito o colapsará bajo el peso de sus propios supuestos. En una industria intensiva en capital y con márgenes reducidos como la minería, no existe un nivel “aceptable” de datos deficientes. Solo existe su costo, y normalmente se mide en millones.
Modelos deficientes, presupuestos deficientes: cómo la calidad de los datos mineros afecta la planificación
Cuando los datos defectuosos ingresan al modelo de bloques de una mina, las consecuencias financieras se multiplican. Un modelo de recursos no es simplemente un documento técnico. Es la base para el diseño minero, el dimensionamiento de equipos, la programación de la producción, las previsiones de procesamiento y las expectativas de los inversionistas. Si el modelo se construye sobre datos poco confiables, cada decisión posterior se convierte en un riesgo potencial.
En 2021, un proyecto aurífero de tamaño medio en Colombia avanzó desde el estudio de prefactibilidad (PFS) hasta la construcción basándose en un modelo de bloques con datos de densidad insuficientes en las zonas de transición. El modelo asumía una densidad aparente uniforme en saprolita, roca transicional y roca fresca. En realidad, la densidad variaba hasta un 18%, y el tonelaje estaba sobreestimado en casi 12 millones de toneladas. Como consecuencia, los límites económicos del rajo estaban sobredimensionados, los caminos de acarreo fueron diseñados incorrectamente y las necesidades de flota se sobreestimaron. El proyecto tuvo que reducir su escala después de iniciada la construcción, acumulando $27 millones en costos de rediseño y penalizaciones contractuales, sin contar el daño reputacional durante la captación de capital.
Otro caso clásico proviene del Sudeste Asiático, donde una operación de laterita de níquel dependía de un modelo de bloques construido a partir de perforación ampliamente espaciada y con una separación mínima de los dominios de ley. El modelo asumía continuidad lateral del contenido de níquel a través de los perfiles lateríticos, una hipótesis que resultó incorrecta cuando comenzó la explotación a escala completa. La ley promedio fue 0,11% Ni inferior a la planificada, una diferencia que redujo los ingresos anuales en más de $14 millones y obligó a agotar anticipadamente los acopios de alta ley para cumplir los contratos de offtake.
En el diseño de minas a cielo abierto, incluso errores moderados en la distribución de leyes pueden producir efectos desproporcionados sobre el límite económico del rajo. Un estudio de Snowden de 2020 mostró que una sobreestimación del 5% en las leyes de los bloques puede desplazar los límites del rajo hacia afuera hasta en un 11%, aumentando de forma desproporcionada el movimiento total de estéril. Esto implica más perforación, tronadura o voladura, acarreo y, por lo tanto, un OPEX significativamente mayor. Una mina de cobre de Asia Central avanzó con una expansión del rajo basada en un modelo de este tipo y terminó moviendo 19 millones de toneladas adicionales de estéril, generando $22 millones en costos mineros evitables durante dos años.
Las hipótesis de estabilidad de taludes basadas en registros geotécnicos deficientes o interpolados también pueden generar diseños insuficientes de los taludes del rajo. En una mina de carbón de Kalimantan del Sur, el ángulo del talud se definió utilizando parámetros históricos de una concesión adyacente. Durante la factibilidad no se realizaron nuevas perforaciones geotécnicas. Cuando la excavación alcanzó la profundidad final, aparecieron grietas de tensión y posteriormente se produjo una falla masiva. El incidente costó $16,7 millones en equipos perdidos, remediación del talud y pérdidas de producción, todo debido a una hipótesis geotécnica incorporada en la base de planificación del proyecto.
El impacto sobre el presupuesto de capital puede ser igualmente grave. Las plantas de procesamiento dimensionadas a partir de leyes infladas o tipos de mineral incorrectamente clasificados suelen operar por debajo de su capacidad. Una operación de zinc-plomo en Europa Oriental construyó un concentrador con un 15% de capacidad excedente esperando un mayor contenido de sulfuros. Debido a un logueo incorrecto y a supuestos mineralógicos excesivamente optimistas, el rendimiento real promedió apenas el 82% de la capacidad nominal, generando mayores costos unitarios y un menor margen EBITDA. La planta funcionó durante tres años con recuperaciones subóptimas antes de que una campaña de relogueo y remodelamiento revelara el problema.
En todos estos casos, la causa raíz no fue la geología ni la metalurgia. Fue la confiabilidad de los datos. Las compañías mineras suelen tratar los modelos de bloques como artefactos técnicos cuando, en realidad, son activos financieros de enorme impacto. Un informe de EY de 2023 concluyó que los proyectos con incluso errores menores en el modelo de bloques registraron una reducción promedio del NPV de entre 6% y 14% en la etapa de factibilidad una vez reconciliados con los datos operacionales.
Como lo expresó el CFO de una compañía minera junior listada en la TSX:
“Nuestro modelo decía que estábamos imprimiendo dinero. Pero la mina estaba perdiendo efectivo. Al final resultó que estábamos explotando una ficción.”
Recuperación mal calculada: incertidumbre metalúrgica provocada por vacíos de datos
Si la geología define qué hay en el subsuelo, la metalurgia determina cuánto de ese material puede venderse realmente. Y aquí la calidad de los datos es igual de crítica, aunque a menudo recibe mucha menos atención. Los supuestos metalúrgicos, especialmente las tasas de recuperación y la idoneidad del proceso, suelen basarse en testwork incompleto, muestras mal seleccionadas o resultados de laboratorio extrapolados. El resultado puede ser un diseño de proceso incorrecto, objetivos de rendimiento incumplidos y, en algunos casos, una reingeniería completa de la planta.
Consideremos un proyecto de cobre-molibdeno en el norte del Perú. El testwork metalúrgico dependía en gran medida de muestras compuestas obtenidas de sondajes de alta ley cerca del núcleo del depósito. No se realizaron pruebas de variabilidad en las zonas periféricas ni de menor ley. El laboratorio proyectó una recuperación del 90% de Cu y del 70% de Mo, valores que se utilizaron para el dimensionamiento del molino y el diseño de flotación. Sin embargo, cuando la explotación avanzó más allá del núcleo del depósito, la recuperación real de cobre cayó por debajo del 82%, mientras que la recuperación de molibdeno descendió hasta el 41%. La planta no alcanzó su capacidad nominal y los ingresos anuales quedaron $38 millones por debajo de lo proyectado.
Un problema similar afectó a una operación aurífera de África Occidental, donde la transición óxido-sulfuro estaba mal cartografiada y se había muestreado de manera inconsistente. Las pruebas metalúrgicas iniciales utilizaron ensayos en botella sobre material predominantemente oxidado, obteniendo prometedoras recuperaciones de 87–90%. Sin embargo, las pruebas posteriores de lixiviación en pilas a escala de campo demostraron que el material transicional mixto alcanzaba recuperaciones de apenas 58–65%, con alto consumo de cianuro y mala percolación. Un cambio tardío hacia un proceso de carbón en lixiviación requirió $19 millones en CAPEX de retrofit, eliminando gran parte del NPV del proyecto.
Incluso en jurisdicciones mineras maduras se producen este tipo de errores. En Australia Occidental, una operación de litio en roca dura utilizó pruebas a escala de banco para justificar un circuito de separación por medios densos (DMS), asumiendo una liberación limpia de la espodumena. Las pruebas no consideraron el comportamiento de la fracción fina, que representaba el 22% de la alimentación ROM. Una vez iniciada la producción, las pérdidas de finos superaron el 18%, con espodumena terminando en los relaves. En 18 meses, la operación perdió más de $70 millones en valor de concentrado antes de incorporar un circuito secundario de flotación.
El problema no se limita al diseño de las pruebas. También está en la selección de las muestras. En el este de Rusia, un proyecto polimetálico presentó un PFS basado en 12 muestras compuestas para representar todo el cuerpo mineralizado. Estas muestras subrepresentaban elementos perjudiciales como el arsénico y el antimonio. Las penalizaciones de fundición, que no se habían considerado en el modelo financiero, redujeron posteriormente los ingresos por concentrado en un 11%, disminuyendo el flujo de caja anual en $9,6 millones.
Muchas compañías mineras junior, a menudo limitadas por el presupuesto o la presión de los plazos, invierten menos de lo necesario en pruebas metalúrgicas. Un white paper de SGS Minerals de 2023 mostró que el 40% de los proyectos a nivel PFS basa sus supuestos de recuperación en menos de 25 muestras de variabilidad, un umbral ampliamente considerado insuficiente para proyectos con heterogeneidad geológica. Ampliar el testwork puede costar entre $300K y $500K, pero equivocarse puede costar entre $50 y $100 millones durante la vida de la mina.
Más allá de la recuperación, los datos deficientes también afectan el consumo de reactivos, el comportamiento de los relaves, el balance de agua e incluso los permisos, factores que pueden trasladarse a los costos operativos de largo plazo y al riesgo ESG.
En minería, la recuperación lo es todo. Una caída del 2% en la recuperación de un proyecto de 100 Mt con una base de ingresos de $1.000 millones equivale a $20 millones en ingresos perdidos cada año. Cuando esas pérdidas se originan en muestras omitidas, compósitos deficientes o atajos de laboratorio, no son simplemente costosas. Son inexcusables.
Planificar sobre una ficción: interrupciones operacionales por puntos ciegos geotécnicos
En minería, los datos geotécnicos pueden no ser el aspecto más visible del proyecto, pero son los que mantienen todo en pie. Desde los ángulos de los taludes del rajo hasta el sostenimiento en minería subterránea, cada decisión depende de datos geotécnicos detallados y espacialmente representativos. Sin embargo, muchas operaciones siguen tratando esta disciplina como un simple requisito formal. El resultado puede ser el colapso de taludes, dilución no planificada, pérdida de equipos y costosas detenciones de producción, todo porque faltaban datos críticos, se interpretaron mal o nunca llegaron a recopilarse.
En una mina de hierro a cielo abierto en Brasil, los diseños de taludes se basaban en modelos geotécnicos desactualizados derivados de perforaciones realizadas durante la etapa de exploración. Después del PFS no se perforaron sondajes geotécnicos específicos. Cuando la explotación por fases se aproximó a los límites finales del rajo, aparecieron grietas de tensión a lo largo del talud oeste. En tres semanas se produjo una falla de 1,2 millones de m³, que sepultó caminos de acarreo e inmovilizó cuatro camiones y dos palas. La pérdida total fue de $24 millones, sin incluir seis semanas de producción perdida ni los costos de rediseño de taludes a largo plazo.
Las operaciones subterráneas tampoco están exentas. En una mina polimetálica de Canadá, el diseño de las cámaras de explotación utilizaba valores del Rock Mass Rating (RMR) interpolados a partir de registros de testigos muy espaciados y sin datos de orientación. Las condiciones del macizo rocoso resultaron mucho peores en varias zonas. Fallas de techo en dos cámaras obligaron a utilizar relleno cementado no planificado y restringieron el acceso, reduciendo la producción mensual de mineral en un 18% y generando más de CAD 9 millones en costos de remediación y retrasos del programa.
Un ejemplo especialmente ilustrativo procede de un proyecto de carbón coquizable en Mongolia. Para acelerar el proceso de permisos, la compañía utilizó datos empíricos de concesiones adyacentes para definir sus supuestos de estabilidad de taludes. Sin embargo, la variabilidad litológica y los regímenes hidrogeológicos eran significativamente diferentes. Durante el período de máximo desbroce, la acumulación de presión de poros provocó fallas progresivas en tres bancos. Las reparaciones y el reperfilado del highwall costaron $7,2 millones, mientras que el acceso al rajo permaneció restringido durante cuatro meses de la estación seca, una ventana crítica para la producción.
El riesgo geotécnico tampoco se limita a los ángulos de talud y a los sistemas de sostenimiento. Las fallas, juntas y flujos de agua subterránea suelen estar subrepresentados en los modelos debido a registros escasos o información estructural incompleta. En una mina de oro de Ghana, una zona de falla previamente no cartografiada intersectó una rampa de acarreo durante una expansión del rajo. La infiltración de lluvia provocó un colapso localizado y se perdió el acceso al fondo del rajo durante 19 días, lo que se tradujo en un impacto de $4,8 millones en ingresos diferidos dentro de los resultados trimestrales.
Según un informe de 2022 del International Council on Mining and Metals (ICMM), más del 45% de las fallas significativas de taludes en minas a cielo abierto ocurren en áreas que carecen de perforación geotécnica o monitoreo específicos. Sin embargo, estas fallas casi siempre pueden prevenirse.
Una de las causas fundamentales es la persistente falta de financiamiento para las investigaciones geotécnicas dentro de los presupuestos de factibilidad. Un estudio de Golder Associates sobre 45 estudios de factibilidad determinó que el gasto promedio en recopilación de datos geotécnicos era inferior al 1,5% del costo total del estudio, muy por debajo de los valores de referencia de buenas prácticas, situados entre 3% y 5%. En otras palabras, las empresas pueden gastar cientos de millones diseñando rajos o desarrollos subterráneos mientras basan geometrías críticas en datos incompletos o interpolados de resistencia del macizo rocoso.
Las consecuencias operacionales son reales, no teóricas. El acarreo interrumpido, los retrasos en el reingreso, el aumento de los costos de control de terreno y una mayor exposición HSE pueden derivarse de supuestos formulados en etapas tempranas que posteriormente resultan incorrectos.
El riesgo geotécnico no es solo un problema de seguridad. También es un riesgo financiero. Los vacíos de datos que lo originan casi siempre son evidentes en retrospectiva, pero para entonces la empresa ya no está simplemente rediseñando un talud o una cámara de explotación. Está reparando su credibilidad, su flujo de caja y, en algunos casos, su propia supervivencia corporativa.
El costo de la ignorancia: cuando la mala calidad de los datos mineros llega a la operación
No todos los fallos de datos en minería llegan a los titulares. Algunos son más silenciosos: incrementales, operacionales y casi invisibles en el día a día. Sin embargo, con el tiempo pueden drenar millones de los márgenes de una mina. Las inexactitudes de despacho, el control deficiente de humedad, los tonelajes mal calculados o los parámetros de flota desactualizados pueden parecer simple ruido operacional. Pero cuando se acumulan a lo largo de cientos de turnos, su impacto financiero está lejos de ser insignificante.
En una operación de carbón térmico en Indonesia, los datos de carga útil de los camiones nunca se recalibraron después de una reconstrucción de media vida de la flota. Las cargas excesivas aumentaron las fallas de neumáticos, mientras que las cargas insuficientes redujeron la productividad efectiva. La mina estimó una pérdida del 5,3% en la eficiencia diaria de acarreo durante 18 meses. Al reconciliar esta pérdida con los costos de combustible, el consumo de neumáticos y los objetivos de producción incumplidos, se determinó que el problema de datos había costado silenciosamente a la empresa $11,4 millones en OPEX evitable.
El contenido de humedad, particularmente en productos a granel como bauxita, mineral de hierro y carbón, suele recibir menos atención de la que merece. En Australia Occidental, un productor de mineral de hierro despachaba producto fino utilizando un contenido medio de humedad supuesto del 8,5%. En realidad, la variación estacional elevó la humedad hasta el 11,2%. Como el producto se vendía en toneladas secas, la compañía entregaba más masa por factura de la que cobraba, regalando en la práctica $3,2 millones en producto durante una sola temporada de lluvias.
Los volúmenes de acopios son otro punto ciego frecuente. Muchas operaciones todavía dependen de levantamientos periódicos con drones o de marcadores físicos, generando un desfase entre los volúmenes reales y los reportados. Una mina de oro en África Occidental sobreestimó durante tres meses en un 7% el alimento disponible para planta debido a un acopio de baja ley sobredimensionado. Como consecuencia, fue necesario consumir prematuramente material de alta ley para compensar las brechas inesperadas en la alimentación, reduciendo finalmente la ley de cabeza del trimestre y afectando el EBITDA en $6,1 millones.
En operaciones subterráneas, un control deficiente de la ubicación de los frentes de desarrollo puede generar errores espaciales acumulativos. En una operación de cobre-zinc de Europa Oriental, las discrepancias entre los datos topográficos y los planos as-built provocaron perforaciones repetidas hacia labores no planificadas. Varias cámaras de explotación quedaron desalineadas, lo que obligó a reperforar y añadir nuevo sostenimiento. Las correcciones costaron más de €4,7 millones en mano de obra directa, tiempo perdido y consumibles adicionales en un solo año.
Incluso los datos básicos de turno, cuando se registran de forma inexacta o inconsistente, pueden distorsionar los KPI de desempeño. Un estudio de 2023 mostró que casi el 25% de las operaciones mineras a nivel mundial todavía depende del ingreso manual de datos de turno para KPI fundamentales como la utilización de equipos y el tiempo de inactividad. En una mina de platino de Sudáfrica, la depuración y digitalización de los registros de turno reveló que la utilización real de los camiones era 12% inferior a la reportada, lo que había provocado bonificaciones mal asignadas y necesidades de mantenimiento subreportadas. La corrección permitió ahorrar $1,8 millones al año.
Muchas de estas pérdidas no activan ninguna alarma. No aparecen en los modelos de factibilidad ni en las presentaciones al directorio. Se acumulan silenciosamente, mes tras mes, erosionando márgenes que ya son extremadamente ajustados. Y lo más frustrante es que no provienen de las fuerzas del mercado ni de sorpresas geológicas, sino de una simple negligencia en la gestión de los datos.
Como lo resumió un gerente de operaciones en América Latina:
“Pensábamos que teníamos un problema de costos. Resultó que teníamos un problema de datos. Resolver el segundo solucionó el primero.”
En una industria de altos costos y baja tolerancia al error como la minería, cada tonelada, cada litro y cada hora cuentan. Cuando los datos detrás de esas toneladas, litros y horas son incorrectos, aunque sea ligeramente, la operación pierde.
No de manera espectacular, sino constante.
Y esas son las pérdidas que nadie incluye en el presupuesto.
