El uso de inteligencia artificial para optimizar costos y mejorar la operación minera comienza a mostrar resultados concretos. En el CIIT Latam Congress 2026, Walter Cabellos, superintendente de Tecnología Operacional de Anglo American, presentó un modelo analítico capaz de estimar las horas remanentes de neumáticos gigantes, uno de los componentes más críticos y costosos en la operación.
El punto de partida fue un problema persistente: la reducción progresiva de la vida útil de los neumáticos. Según explicó, solo alrededor del 55% alcanzaba su ciclo esperado, mientras que el promedio de horas de uso cayó de 8,800 en 2023 a 4,300 en 2025. Frente a este escenario, el objetivo fue identificar las variables que explican el desgaste prematuro y, sobre todo, aquellas que pueden ser gestionadas operativamente.
El equipo desarrolló un modelo de analítica de datos que integró múltiples variables como distancia, velocidad, pendiente, presión, condiciones climáticas y eventos operativos. Para simplificar la complejidad, crearon una variable sintética denominada “función costo por ciclo”, que agrupa factores estructurales de la operación y permite enfocar el análisis en variables accionables.
“El reto no es solo modelar, sino encontrar qué podemos mover sin afectar la producción”, explicó Cabellos, al descartar ajustes inviables como reducir la carga o la velocidad de los camiones.
El desarrollo tomó nueve meses, de los cuales seis se destinaron a la ingeniería de datos, integrando información de distintas fuentes y frecuencias en una base de 115 GB. El modelo alcanzó un coeficiente de correlación de 52% y permitió identificar variables clave como la presión de los neumáticos, los eventos de frenado, los tiempos de operación y las condiciones de lluvia.
El resultado fue una calculadora que permite estimar, en función de condiciones operativas, cuántas horas de vida útil le quedan a un neumático. Esta herramienta traduce la complejidad del modelo en decisiones prácticas para el mantenimiento y la operación.
Cabellos destacó que, más allá de la sofisticación técnica, el valor está en convertir los datos en herramientas utilizables. También advirtió sobre los desafíos de escalar estos modelos en tiempo real, debido a los altos requerimientos de procesamiento y la necesidad de mejorar la calidad y frecuencia de los datos.
