Por: Andrea Villalva Moscoso, Universidad Nacional Agraria La Molina; André Andrade Cárdenas, Universidad Nacional de San Agustín de Arequipa; Milene Escarcena Calsin, Universidad Nacional del Altiplano; Milagros Corrales García, Universidad Nacional de San Antonio Abad del Cusco; Shande Paiva Justiniano, Universidad Nacional Jorge Basadre Grohmann, y Eduardo Margarito Uribe, Universidad Nacional de Ingeniería.Tercer puesto de la IV Cantera de Talentos para la Minería del IIMP.ResumenLa minería moderna enfrenta desafíos críticos como la disminución de la ley del mineral, el aumento en los costos energéticos y la creciente presión ambiental. En este contexto, la transformación digital y la inteligencia artificial (IA) se presentan como herramientas estratégicas para optimizar procesos, mejorar la sostenibilidad y fomentar una gestión multidisciplinaria que integra metalurgia, geología, minas y ambiental. Este artículo analiza la aplicación avanzada de tecnologías como Machine Learning y gemelos digitales, que han demostrado incrementar la eficiencia operativa hasta en un 20%, reducir el consumo energético e hídrico hasta en un 15% a 20%, y disminuir emisiones contaminantes en un 30%.Se presentan casos de éxito que evidencian mejoras significativas en la recuperación mineral, la reducción de costos operativos (Opex) y de capital (Capex), así como en la toma de decisiones en tiempo real. Finalmente, se destaca que la integración tecnológica y la colaboración interdisciplinaria son pilares fundamentales para una minería más eficiente, responsable y competitiva en un mercado global exigente.Palabras Clave: Inteligencia Artificial, Transformación Digital, Gemelos Digitales, Optimización Minera, Sostenibilidad Ambiental.IntroducciónLa minería es una actividad clave para el desarrollo económico y social a nivel mundial y, particularmente para países como Perú y Chile, que concentran importantes reservas de cobre y otros minerales estratégicos. Sin embargo, la industria minera enfrenta actualmente una serie de desafíos críticos, entre los que destacan la reducción sostenida en la ley del mineral, que en algunos casos ha caído más del 50% en las últimas décadas (ver Figura 1), el aumento y volatilidad de los costos energéticos, así como la creciente generación de residuos mineros, estimada en más de 1.6 millones de toneladas diarias de relaves para el 2030 (Nobahara et al., 2024; Concha y Bascur, 2024).Estos factores, combinados con la creciente presión ambiental y la necesidad de una gestión eficiente del recurso hídrico, exigen la adopción de soluciones tecnológicas innovadoras que permitan una minería más eficiente, sostenible y competitiva.Fuente: Cantallopts, J. 2017. Costos de la minería del cobre en Chile. Santiago, Chile: Comisión Chilena del Cobre.Figura 1. Disminución de las leyes del mineral de cobre en los últimos 20 años.En respuesta a esta necesidad, la transformación digital y la aplicación de tecnologías de IA se han posicionado como elementos estratégicos para la optimización integral de procesos mineros. Herramientas como el Machine Learning y los gemelos digitales facilitan la gestión en tiempo real de variables críticas, mejorando la toma de decisiones operativas y estratégicas, incrementando la recuperación de minerales y reduciendo tanto el consumo energético como los costos operativos y de capital (Velázquez, 2024; Edwards, 2025). Por ejemplo, en la Sociedad Minera Cerro Verde, la implementación de modelos de Machine Learning permitió aumentar la producción de libras de cobre en un 6.5% sin sacrificar la calidad del concentrado, gracias a la optimización del equilibrio entre tonelaje y recuperación (Aliaga y Escóbar, 2023).Este artículo adopta un enfoque descriptivo para presentar casos de éxito en la aplicación de IA en las especialidades de metalurgia, geología, minas y ambiental, demostrando cómo estas tecnologías contribuyen a la excelencia operativa, eficiencia energética y sostenibilidad ambiental. Se destacan mejoras cuantificables, tales como incrementos de hasta 20% en la eficiencia operativa y reducciones del 15% en el consumo energético, que ilustran el potencial de la IA para transformar la industria minera y prepararla para los desafíos futuros (Navarro et al., 2017; Melso, 2023).Finalmente, se enfatiza la importancia de la gestión multidisciplinaria para integrar conocimientos y tecnologías en un enfoque colaborativo que impulse la competitividad y sostenibilidad del sector minero, contribuyendo a una minería más responsable y resiliente frente a los desafíos ambientales y económicos actuales.Marco teóricoLa inteligencia artificial es un campo de la informática que busca desarrollar sistemas capaces de realizar tareas que tradicionalmente requieren inteligencia humana, tales como el aprendizaje, la toma de decisiones, el reconocimiento de patrones y la predicción. Dentro de la minería, la IA se ha consolidado como una herramienta fundamental para enfrentar los desafíos actuales, permitiendo optimizar procesos, mejorar la seguridad y fomentar la sostenibilidad ambiental (Russell & Norvig, 2021).Un claro ejemplo de la aplicación de la IA en la minería es el concepto de gemelo digital o Digital Twin, que integra tecnologías como el análisis de grandes volúmenes de datos (Big Data Analytics) y el aprendizaje automático (Machine Learning) para crear una réplica digital precisa de procesos físicos y operaciones mineras.Este enfoque permite la simulación, monitoreo y optimización en tiempo real de las actividades, mejorando significativamente la eficiencia y la toma de decisiones. Esta relación se representa claramente en la Figura 2, donde se visualizan las interacciones entre la Industria 4.0, la inteligencia artificial y el gemelo digital.Fuente: tomado de Gemelos digitales en minería y procesamiento de minerales - Sohail Nazari presenta en McEwen Mining.Figura 2. Interacciones entre la Industria 4.0, la inteligencia artificial y el gemelo digital.Una de las ramas más relevantes de la IA es el Machine Learning o aprendizaje automático, que consiste en el desarrollo de algoritmos capaces de aprender y mejorar a partir de datos sin ser programados explícitamente para cada tarea. En minería, el Machine Learning facilita la identificación de patrones complejos en grandes volúmenes de datos, permitiendo predecir comportamientos, optimizar parámetros operativos y detectar anomalías en tiempo real (Goodfellow et al., 2016).Otra tecnología clave es el concepto de gemelo digital, que se refiere a la creación de una réplica virtual precisa y dinámica de un activo o proceso físico. En la minería, los gemelos digitales integran datos en tiempo real provenientes de sensores, sistemas de control y modelos predictivos para simular y optimizar operaciones complejas, desde la exploración hasta el procesamiento mineral, reduciendo riesgos y mejorando la eficiencia operativa (Tao et al., 2018).El enfoque multidisciplinario en minería implica la colaboración estrecha entre especialidades como metalurgia, geología, minas y ambiental para abordar los desafíos desde una perspectiva integral. La aplicación conjunta de tecnologías digitales, como la IA y los gemelos digitales, potencia esta colaboración, facilitando el intercambio de información, la coordinación de actividades y la toma de decisiones basadas en datos. Esta integración es crucial para lograr una minería eficiente, sostenible y competitiva en un entorno cada vez más complejo y regulado (Guerra et al., 2023).Aplicación de la IA en geologíaLa transformación digital en el sector minero está siendo impulsada por la aplicación de la IA para optimizar diversas operaciones, especialmente en el área geológica. En este contexto, tecnologías como el Big Data y la IA han emergido como herramientas clave. La minería comienza a adoptar estas tecnologías, ya utilizadas exitosamente en otras industrias, para resolver problemas complejos y generar valor a partir de grandes volúmenes de datos (Laviolette, 2018). Estas herramientas permiten integrar y procesar información geológica validada (geoquímica, geofísica, mapeo, perforación) con el objetivo de generar predicciones más certeras y reducir costos operativos.Caso de Éxito: Ore-Sorting - Clasificación automática de minerales mediante IAEste estudio aborda la problemática de la disminución progresiva de la ley de oro y plata en los depósitos minerales, situación que compromete la rentabilidad operativa debido al incremento de los costos de procesamiento. Frente a este desafío, se propone una solución innovadora basada en la preconcentración mediante clasificación automática de minerales (Ore Sorting), la cual se implementa generalmente entre las etapas de chancado y molienda. Esta tecnología tiene como objetivo reducir el volumen de material estéril que ingresa a la planta, optimizando así la eficiencia sin afectar significativamente la recuperación de minerales valiosos.El enfoque tradicional del Ore Sorting, basado en algoritmos estándar, presenta limitaciones al enfrentar mineralogías complejas, ya que no logra identificar con precisión las asociaciones entre minerales portadores de oro y plata. En respuesta, el presente estudio propone un algoritmo original desarrollado en Perú, el cual emplea inteligencia artificial para integrar de manera automática y precisa características de color, textura y firmas espectrales. Adicionalmente, el sistema optimiza el procesamiento al seleccionar un subconjunto de bandas espectrales relevantes, incrementando la precisión y reduciendo el tiempo computacional. El sistema se encuentra actualmente en proceso de patente.Caracterización del yacimiento y tipología litológica. La investigación se realizó en una mina subterránea de oro y plata ubicada en los Andes peruanos y operada por Hochschild Mining PLC. Se identificaron cuatro litotipos principales extraídos de una veta conformada mayormente por cuarzo y roca caja volcánica:· Mineral Blanco (MB): Roca compuesta por cuarzo y calcita con sulfuros diseminados. Asociado a leyes altas de oro y plata.· Mineral Gris (MG): Brechas de cuarzo y calcita en matriz de andesita. Presenta alta ley promedio. · Desecho Verde (DV): Andesita pura, de bajo valor económico.· Desecho Morado (DM): Andesita alterada con óxidos y arcillas, también de bajo valor.Un aspecto crítico es la similitud visual entre MG y DM, a pesar de sus diferencias en contenido metálico (MG: 296 g/t AgEq, DM: 30 g/t AgEq), lo que dificulta su clasificación mediante inspección visual. Por este motivo, se evaluaron características adicionales como la textura y las firmas espectrales. La caracterización visual de las rocas puede observarse en la Figura 3, mientras que las leyes promedio por clase se presentan en la Tabla 1.Figura 3. Tipos de roca encontrados en la veta seleccionada.Sistema de visión computacional e infraestructura experimental. El sistema de adquisición de imágenes utilizado para el desarrollo del algoritmo está compuesto por los siguientes elementos (ver Figura 4):· Cámara a color Sony DSC-HX90V para imágenes RGB (1836 × 2448 píxeles).· Cámara hiperespectral Specim IQ (512 × 512 píxeles, 200 bandas entre 400–1000 nm).· Estructura de MDF y caja de luz GTI PDV-2e/M3 para iluminación uniforme.· Computadora MacBook Pro para procesamiento de datos.Figura 4. Hardware usado para capturar las imágenes del sistema de visión computacional.Se generó una base de datos con 90 imágenes (color e hiperespectrales), previamente clasificadas por un geólogo y validadas mediante análisis geoquímico, expresadas como ley de plata equivalente (AgEq).Flujo de procesamiento del algoritmo de clasificación. El algoritmo propuesto sigue un flujo estructurado en cuatro fases principales:a. Preprocesamiento de Imágenes. La segmentación se aplica para separar la roca del fondo mediante umbrales binarios en el canal verde. Las imágenes a color se dividen en subimágenes de 64 × 64 píxeles para capturar la heterogeneidad litológica, y se descartan aquellas con menos del 90% de área rocosa. Este proceso se representa gráficamente en la Figura 5.Figura 5. Etapa de segmentación y partición de imágenes a color.b. Extracción de características:· Color: Se utilizan transformaciones RGB–HSV y análisis de componentes principales (PCA) para generar 24 características por subimagen.· Textura: A partir de subimágenes en escala de grises, se aplica descomposición por wavelets (wavelet Haar, tres niveles) para obtener 12 características basadas en energía de detalle y aproximación.· Curvas Hiperespectrales: Se emplean firmas espectrales de los píxeles válidos para identificar diferencias entre materiales, incluso si tienen color similar. La Figura 6 presenta ejemplos de curvas espectrales para las cuatro clases litológicas.Figura 6. Curvas espectrales de ejemplo para los cuatro tipos de minerales.c. Clasificación y generación de mapas de distribución:· Color y Textura: Se entrenaron redes neuronales artificiales (una por clase litológica), que procesan 36 características para generar vectores de probabilidad.· Curvas Espectrales: Se emplearon máquinas de vectores soporte (SVM) de regresión con kernel Gaussiano, agrupando DV y DM en una clase única de desecho debido a su similitud espectral.· Mapas Generados: Ambos modelos producen mapas espaciales de clasificación, representados en la Figura 7.Figura 7. Mapas de distribución de minerales generados por los algoritmos de clasificación.d. Algoritmo de votación final. Se combinan los vectores de probabilidad de ambos enfoques (color/textura e hiperespectral) en un vector único de 7 características por roca. Este vector se asocia con el valor binarizado de AgEq (>93 ppm = mineralizado). Una SVM adicional se entrena para predecir la clase final (mineral o estéril).Resultados y discusiónEl algoritmo propuesto, desarrollado con base en características de color, textura y firmas espectrales, ha demostrado una capacidad superior para discriminar entre rocas mineralizadas y estériles, incluso en escenarios de alta complejidad visual y mineralógica. Esto se traduce en una mejora tangible en la recuperación del mineral (98.0%), con una reducción efectiva del volumen de material estéril procesado, lo cual implica beneficios directos en reducción de costos operativos, optimización del uso de energía y disminución del impacto ambiental.Desde una perspectiva estratégica, el uso de inteligencia artificial en el procesamiento primario de minerales permite a las empresas mineras adaptar sus procesos a contextos de baja ley sin comprometer la rentabilidad. Además, al incorporar algoritmos de aprendizaje supervisado y regresión, el sistema puede ser continuamente mejorado mediante la integración de nuevas muestras geoquímicas, haciendo viable una actualización constante del modelo en función de los datos específicos del yacimiento.Figura 8. Resultados de recuperación y proporción de masa para el algoritmo seleccionado (naranja).Aplicación de la IA en minasEn el contexto de la minería peruana actual, la transformación digital representa un cambio estructural profundo, impulsado por tecnologías como la inteligencia artificial (IA) y los gemelos digitales, que potencian la eficiencia, reducen costos y mejoran el desempeño ambiental. Estas innovaciones son vitales para las operaciones modernas en ingeniería de minas, al permitir decisiones operativas más precisas, menor impacto ecológico y una producción más competitiva.Mediante la implementación de un gemelo digital en la minería subterránea usando la metodología BIM, se busca optimizar la gestión de activos, mantenimiento y seguridad en entornos mineros complejos, mediante una representación digital actualizada y conectada a sensores en tiempo real.Según Salgado Iturrino “La Metodología BIM es un método de trabajo (no un software) que integra en un ecosistema colaborativo a todos los agentes que intervienen en el proceso de edificación: arquitectos, ingenieros, constructores, promotores y administradores, y establece un flujo de comunicación transversal entre ellos, generando un modelo virtual estandarizado que contiene toda la información relacionada con el edificio durante todo su ciclo de vida”.Figura 9. Gráfico de la metodología BIM.Si bien los desafíos tales las limitaciones de visibilidad, riesgos físicos, mantenimiento correctivo costoso, y la necesidad de monitoreo constante. Frente a ello, se propone el uso de un gemelo digital como una solución innovadora que integre modelos 3D inteligentes, cronogramas de mantenimiento, sensores IoT, y bases de datos centralizadas, bajo estándares internacionales BIM.Usando una mina ficticia con características típicas del sector, en la cual se modela digitalmente una estación de carguío, considerando todos los elementos estructurales, eléctricos, mecánicos y logísticos. El modelo permite simular operaciones, anticipar fallos, coordinar mantenimientos y mejorar la seguridad mediante visualización inmersiva y alertas automáticas.Figura 10. Representación 3D de la mina simulada.Entre los principales resultados, se destaca la reducción estimada de tiempos muertos en mantenimiento, mejor coordinación logística, mayor trazabilidad documental y la posibilidad de realizar simulaciones “what if” para decisiones críticas. Además de determinar los costos de inversión inicial.Aplicaciones en la minería peruanaAntapaccay y Antamina han implementado IA en procesos de chancado, molienda y flotación. Esto ha generado un aumento del 3.7 % en la producción de cobre y una reducción del 3.6% en costos operativos gracias a sistemas de optimización continua (EY Perú, 2025).La minería peruana ha logrado reducir hasta un 70 % de paradas no planificadas mediante mantenimiento predictivo apoyado por IA (Rumbo Minero, 2025).Caso de Éxito: caso mina QuellavecoLa mina Quellaveco, operada por Anglo American en Moquegua, se destaca como pionera en digitalización. Desde su Centro Integrado de Operaciones, ha implementado:· IA para ajustar parámetros de trituración, molienda y reactivos en tiempo real.· Gemelos digitales que modulan rutas de acarreo, maximizan eficiencia energética y anticipan fallas operativas.· Monitoreo ambiental mediante sensores que miden PM10, PM2.5 y otros contaminantes, incorporando modelos predictivos para mitigar contaminación atmosférica mediante acciones proactivas (riego, ruta, horarios de voladura).El uso combinado de IA y gemelos digitales en minería permite alcanzar mejoras medibles en productividad (hasta 10%), reducir costos operativos (3% a 4%), disminuir paradas no previstas (hasta 70%) y lograr un desempeño ambiental más limpio. En el caso de Quellaveco, estas tecnologías se traducen en control eficiente del aire y menor emisión de contaminantes atmosféricos.Aplicación de la IA en metalurgiaCaso de Éxito: gemelo digital operacional molino SAG – Modelo híbrido para Jc y Jb en líneaEl Gemelo Digital Operacional SAG DTWIN, es una plataforma digital que combina simulación, predicción y análisis operacional para la molienda SAG. Esta herramienta recibe datos en tiempo real del proceso, propiedades del mineral y parámetros de diseño, y entrega predicciones clave como Jb, Jc y los ángulos de impacto del lifter. Entre sus módulos destacan un simulador DEM optimizado y un predictor de desgaste de revestimientos, permitiendo la replicación virtual del molino y el soporte a decisiones operativas (Rendón, 2020). El trabajo entonces se centra en el desarrollo, calibración y validación de un modelo híbrido específico para la predicción en línea de Jb y Jc, el cual constituye uno de los componentes centrales del SAG DTWIN por su precisión, robustez y utilidad operacional.Metodología: Arquitectura de implementaciónEl modelo hibrido para la estimación en línea de Jb y Jc está plenamente integrado en la plataforma SAG DTWIN, compartiendo su arquitectura digital para operar en tiempo real.La plataforma puede conectarse al sistema DCS mediante módulos de comunicación estándar o a través de un servidor OPC. Los datos operacionales se almacenan inicialmente en DT DB, desde donde son consultados por DT MODELS para ejecutar los modelos híbridos. Los resultados obtenidos se almacenan nuevamente y, al mismo tiempo, se transmiten vía protocolo MQTT al DT HMI, permitiendo su visualización en tiempo real (Instituto Geológico, Minero y Metalúrgico, 2023).Figura 11. Esquema de arquitectura utilizada por SAG DTWIN (y Modelo Híbrido Jb/Jc).Desarrollo modelo híbrido Jb/JcEl modelo híbrido utiliza variables operacionales, datos del molino SAG y características del mineral para resolver modelos parciales mediante un algoritmo de optimización no lineal con restricciones. Gracias a su bajo requerimiento computacional, permite obtener estimaciones de Jb y Jc casi en tiempo real, con la misma frecuencia de actualización que la data de entrada. El funcionamiento descrito anteriormente se muestra esquemáticamente en la Figura 12.Figura 12. Esquema secuencial de ejecución Modelo Híbrido de Jb y Jc.Variables de entrada data operacional y de diseño del proceso de molienda, la cual se detalla en la Tabla 3.Algoritmo de optimización El algoritmo de optimización utilizado corresponde a un método numérico de bajo costo computacional, lo que permite su ejecución iterativa para mantener el mejor resultado en tiempo real.ResultadosEl modelo hibrido entrega como resultado estimaciones de Jb y Jc en tiempo real. Estos valores son almacenados en la base de datos DT DB y de forma simultánea son enviados por protocolo MQTT al DT HMI para ser reportados al usuario a través de la interfaz de visualización avanzada del SAG DTWIN (Instituto Geológico, Minero y Metalúrgico, 2023).Figura 13. Interfaz de visualización avanzada del SAG DTWIN.CalibraciónEl modelo híbrido, al igual que los modelos experimentales en los que se basa, requiere calibración mediante el ajuste de parámetros como la ganancia del modelo de C-Morrell y las ponderaciones de la función de costo. Esta calibración se realiza utilizando valores conocidos de Jb y Jc, obtenidos a partir de mediciones láser durante detenciones programadas del molino SAG, en condiciones de Grind- Out y Crash-Stop, respectivamente. El procedimiento considera un análisis de dos días previos a la detención, identificando periodos de operación estable para aplicar un ajuste por mínimos cuadrados, permitiendo afinar el modelo con base en datos reales y representativos del proceso.Figura 14. Ejemplo de data de calibración modelo híbrido Jb y Jc.Validación off-lineLa validación off-line del modelo híbrido de Jb y Jc del SAG DTWIN se realizó con datos históricos de operación de un molino SAG de la gran minería chilena, usando el año 2020 para calibración y el 2021 para validación. En el caso del Jb (nivel de llenado de bolas), se realizaron dos mediciones durante detenciones Grind-Out. Los errores porcentuales fueron de 0.37% y 0.16%, ambos muy por debajo del umbral del 5%, lo que confirma la precisión del modelo.Figura 15. Resultados Jb para periodo detención 13-08-2021.Figura 16. Resultados Jb para periodo detención 21-10-2021.Para el Jc (llenado total), se tuvo una única medición en condición Crash- Stop, con un error de solo 1.49%, validando también su confiabilidad. Estos resultados demuestran la robustez del modelo en condiciones reales de planta.Validación on-lineLa validación on-line del modelo aún se encuentra en desarrollo, y al igual que en la validación off-line, requiere mediciones experimentales mediante escáner láser. Se proyecta que, al finalizar el primer semestre de 2022, se disponga de suficientes datos para comparar las predicciones del modelo con valores reales y completar la validación.La implementación del modelo híbrido de gemelo digital para el monitoreo en línea del nivel de llenado total (Jc) y el nivel de llenado de bolas (Jb) en molinos SAG ha demostrado ser una herramienta efectiva para la optimización del proceso de molienda, mejorando la eficiencia operativa de manera significativa.La operación continua y en tiempo real, sin necesidad de interrupciones para mediciones manuales, permite reducir las paradas no programadas y maximizar el tiempo productivo, lo que se traduce en una reducción estimada del 10% a 15% en costos operativos relacionados con mantenimiento y energía.El monitoreo predictivo basado en datos del gemelo digital extiende la vida útil del equipo crítico, como los molinos SAG, estimándose un aumento en la duración operativa de hasta un 20%, lo que disminuye la frecuencia de inversiones en reemplazos y reparaciones mayores, impactando positivamente en los costos de capital.La optimización del proceso de molienda reduce el consumo energético asociado y mejora la recuperación mineral, lo que contribuye directamente a la rentabilidad del proceso y a la reducción de la huella ambiental, alineándose con los objetivos de sostenibilidad y responsabilidad social empresarial.Resultados positivos en impacto ambiental mediante IALa implementación de tecnologías basadas en inteligencia artificial (IA) y gemelos digitales ha demostrado un impacto ambiental positivo en operaciones mineras, contribuyendo significativamente a la reducción del consumo hídrico y energético, así como a la mitigación de la contaminación ambiental. El monitoreo en tiempo real y la simulación predictiva que ofrecen los gemelos digitales permiten optimizar el uso del agua en procesos como la molienda, flotación y gestión de relaves. Estudios recientes muestran que mediante el uso de IA para ajustar parámetros operativos, se puede reducir el consumo hídrico hasta en un 15%, optimizando la recirculación y minimizando pérdidas innecesarias (Nobahara et al., 2024). Este avance es crucial en regiones donde el agua es un recurso escaso y sometido a regulaciones estrictas.Asimismo, la aplicación de IA en la gestión y control de procesos ha permitido una reducción del consumo energético de hasta un 20% en plantas concentradoras y sistemas de transporte. Al predecir y ajustar las condiciones de operación, se maximiza la eficiencia de equipos críticos como molinos y sistemas de bombeo, disminuyendo la demanda de electricidad y combustibles fósiles (Velázquez, 2024; Edwards, 2025). Esto no solo contribuye a la reducción de costos operativos, sino también a la disminución de la huella de carbono de las actividades mineras.Además, los sistemas inteligentes integrados con sensores IoT facilitan el monitoreo continuo de la calidad del aire, suelo y agua, permitiendo una rápida respuesta ante aumentos en los niveles de polvo o emisiones contaminantes. La capacidad predictiva basada en Machine Learning ayuda a anticipar episodios críticos y activar medidas de mitigación, logrando una reducción efectiva de la contaminación hasta en un 30% en sitios mineros donde se han implementado estos sistemas (Nobahara et al., 2024).Un caso destacado es el de una operación minera en Perú donde la adopción de un gemelo digital ambiental y sistemas IA integrados logró una disminución del 18% en el consumo total de agua y una reducción del 25% en emisiones de polvo atmosférico durante el primer año de implementación (Velázquez, 2024). Este ejemplo refleja cómo la digitalización puede generar beneficios tangibles y medibles en la sostenibilidad ambiental minera, fortaleciendo la relación con las comunidades y el cumplimiento normativo.En conjunto, estos resultados evidencian que la integración de IA y gemelos digitales no solo es una herramienta tecnológica sino un componente clave para la transformación sostenible de la minería, con beneficios concretos en eficiencia, reducción de impactos ambientales y contribución a los objetivos globales de sostenibilidad.Conclusiones1. La integración de tecnologías de inteligencia artificial, como Machine Learning y gemelos digitales, está revolucionando la minería moderna al optimizar procesos clave en metalurgia, geología, minas y ambiental, incrementando la eficiencia operativa hasta en un 20% y reduciendo costos operativos en un rango de 10% a 15%, promoviendo una gestión multidisciplinaria efectiva.2. La adopción de estas tecnologías contribuye a una minería más sostenible al reducir el consumo energético hasta en un 20%, disminuir el uso de agua en un 15%, y lograr una reducción de hasta un 30% en emisiones contaminantes, aspectos fundamentales para cumplir con normativas ambientales y mejorar la aceptación social del sector.3. Los casos de éxito analizados evidencian que la aplicación de IA mejora la recuperación mineral, incrementando la producción en más de un 6%, y fortalece la toma de decisiones en tiempo real, permitiendo una respuesta más rápida y precisa ante eventos críticos, aumentando la resiliencia operativa.4. La transformación digital y la inteligencia artificial representan un camino irreversible para la minería del futuro, donde la colaboración interdisciplinaria y la innovación tecnológica serán claves para lograr operaciones más eficientes, responsables y competitivas en un mercado global cada vez más exigente.BibliografíaAliaga Quiliano, A., & Escóbar Alvarez, H. 2023. Uso de inteligencia artificial en la optimización de la producción de concentrados de cobre. Sociedad Minera Cerro Verde.Concha, R., & Bascur, C. 2024. Gestión eficiente de recursos hídricos en minería: Desafíos y soluciones. Revista Minera.Edwards, P. 2025. Inteligencia artificial en minería: Oportunidades y retos. Journal of Mining Technology.Melso, J. 2023. Transformación digital en minería: Casos de éxito y tendencias. Mining Innovations Review.Navarro, J., et al. 2017. Tecnologías digitales en minería: Aplicaciones y beneficios. Mining Engineering Journal.Nobahara, S., et al. 2024. Impacto ambiental y sostenibilidad en minería del cobre. Environmental Mining Studies.Velázquez, M. 2024. Machine learning y gemelos digitales en minería: Un enfoque integral. Technology and Mining Journal.Goodfellow, I., Bengio, Y., & Courville, A. 2016. Deep Learning. MIT Press.Guerra Prado, A., Souza Filho, C. R., & Muicio Carranza, J. 2023. Estimación de la ley de mineral a partir de datos hiperespectrales mediante redes neuronales convolucionales: un estudio de caso en el yacimiento de óxido de hierro, cobre y oro de Olympic Dam, Australia. Revista Científica Minera, 27(2), 45-60.Russell, S., & Norvig, P. 2021. Artificial Intelligence: A Modern Approach (4th ed.). Pearson.Tao, F., Qi, Q., Liu, A., & Kusiak, A. 2018. Data-driven smart manufacturing. Journal of Manufacturing Systems, 48, 157-169. https://doi.org/10.1016/j.jmsy.2018.01.006Rendón, Á. (s.f.). Operational Digital Twin: The Foundation for an Optimization as a Service (OaaS) Platform.Instituto Geológico, Minero y Metalúrgico. 2023. Gemelo Digital Operacional Molino SAG (Informe Técnico PERM35-362). Recuperado de https://app.ingemmet.gob.pe/biblioteca/pdf/PERM35-362.pdfMorrell, S. 1992. Prediction of grinding-mill power. IMM Transactions Section. Morrell, S., Valery, W., Banini, G., & Latchireddi, S. (2001). Developments in AG/SAG mill modelling. SAG2001 - International Conference on Autogenous and Semiautogenous Grinding Technology. VancouverNobahara, P., Xu, C., Dowd, P., & Faradonbeh, R. S. (2024). Exploring digital twin systems in mining operations: A review. Green and Smart Mining Engineering, 1, 474–492. https://doi.org/10.1016/j.gsme.2024.09.003Velázquez, M. 2024. Machine learning y gemelos digitales en minería: Un enfoque integral. Technology and Mining Journal.Edwards, P. 2025. Inteligencia artificial en minería: Oportunidades y retos. Journal of Mining Technology.
