Digitalización y operacione
La inteligencia artificial gana terreno en petróleo y gas, pero el desafío es llevarla a la operación
La inteligencia artificial comienza a ganar protagonismo en las operaciones de petróleo y gas, pero el principal desafío para la industria no pasa por sumar modelos o herramientas digitales, sino por convertir los datos en decisiones que mejoren la producción, reduzcan costos y optimicen el funcionamiento de los activos.
Ese fue uno de los ejes de la presentación de Eugenio Ferrigno, de Neolift, durante la 4.ª Jornada de Petróleo 2026, donde expuso sobre el impacto de la IA en las operaciones hidrocarburíferas y planteó una hoja de ruta de 90 días para medir resultados, validar proyectos y determinar cuáles pueden escalar.
El especialista diferenció tres tipos de herramientas: los sistemas deterministas, basados en física y lógica, que controlan y protegen equipos; los modelos de aprendizaje automático (machine learning), que permiten anticipar fallas y analizar información; y los modelos generativos, capaces de procesar documentos, reportes y normas, pero que no deberían intervenir directamente en sistemas críticos de control.
En una industria donde los errores pueden comprometer instalaciones, personas y producción, la automatización requiere límites. El criterio planteado es que cuanto más cerca se encuentre un sistema del control directo de un proceso, mayor debe ser su nivel de determinismo y previsibilidad. La IA puede recomendar acciones, pero dentro de parámetros definidos y bajo supervisión.
De los datos a decisiones operativas
Ferrigno advirtió que una predicción por sí sola no genera valor si no modifica una decisión o permite ejecutar una acción. Por eso, propuso evaluar cada iniciativa a partir de cinco instancias: validar la calidad de los datos, comprender el contexto del activo, identificar qué decisión se busca mejorar, definir quién será responsable de actuar y medir el resultado económico u operativo.
La propuesta apunta a evitar que la adopción tecnológica quede limitada a pruebas piloto sin continuidad. Durante la exposición se señaló que entre el 70% y el 85% de los proyectos de IA no logra superar esa etapa, por lo que el foco debería estar en completar el ciclo de implementación antes de multiplicar los experimentos.
La hoja de ruta contempla tres etapas. En los primeros 30 días, seleccionar un problema concreto, establecer una línea de base y definir responsables e indicadores. Entre los días 31 y 60, desarrollar un piloto acotado y contrastar sus resultados con una referencia. En los últimos 30 días, evaluar el impacto y la adopción para decidir si corresponde escalar, corregir o descartar la iniciativa.
Automatización, productividad y empleo
Otro de los aspectos abordados fue el impacto de la inteligencia artificial sobre las tareas laborales. La tecnología puede automatizar el procesamiento de telemetría, la depuración de datos, la elaboración de informes y otras actividades repetitivas. Sin embargo, el valor de esa reducción de tareas manuales dependerá de cómo las empresas reasignen el tiempo y las capacidades de sus equipos.
El cambio, según la exposición, estará en pasar de tareas rutinarias a la gestión de excepciones, el análisis y la toma de decisiones, donde el conocimiento técnico y la experiencia siguen siendo determinantes.
Ferrigno planteó que liberar horas de trabajo no garantiza por sí mismo una mejora económica. Para que la automatización se traduzca en productividad, las organizaciones deberán reorganizar procesos y aprovechar las capacidades disponibles en actividades de mayor valor.
Aplicaciones en la industria
La presentación incluyó casos de aplicación vinculados con mantenimiento predictivo, supervisión remota y optimización de operaciones. Entre los ejemplos mencionó a YPF, con un centro de operaciones remoto ubicado a 1.100 kilómetros, y una mejora reportada del 25% en los tiempos de construcción de pozos horizontales.
No obstante, se advirtió sobre la dificultad de atribuir exclusivamente a la inteligencia artificial los resultados de iniciativas corporativas que combinan automatización, rediseño de procesos, equipos y otras tecnologías.
La discusión dejó una premisa para el sector hidrocarburífero: la IA ya no representa solamente una apuesta tecnológica, sino una herramienta cuya incorporación deberá demostrar impacto medible.
La prioridad será identificar qué problema operativo resolver, bajo qué condiciones de seguridad y con qué indicadores se puede comprobar que la inversión efectivamente mejora el negocio.