La minería avanza hacia una nueva frontera tecnológica, sensores, algoritmos, y vehículos autónomos funcionan como un gran sistema, piezas intercambiables que optimizan la extracción a través de infraestructuras modulares inteligentes.
Se usa para explorar yacimientos, diseñar túneles más seguros, operar maquinaria autónoma, procesar minerales y hasta anticipar fallas geológicas. Sus promesas son muchas: reducir costos, prevenir accidentes, optimizar cadenas logísticas y hasta minimizar residuos. Pero ¿al servicio de quién y de qué fines?
Un artículo publicado el año 2024 en The Extractive Industries and Society por Caitlin Corrigan y Svetlana Ikonnikova, del Instituto de Ética en IA de la Universidad Técnica de Múnich, aborda este problema. En el Sur Global, donde se concentran más del 50% de los yacimientos mineros actuales, los riesgos de repetir la lógica extractivista son reales. La llamada “maldición de los recursos” no es un problema del pasado. Países como la República Democrática del Congo, Bolivia o Zambia siguen atrapados en una economía de enclave, en la que la riqueza extraída no se traduce en bienestar, sino en dependencia, desigualdad y degradación ambiental.
Corrigan e Ikonnikova alertan sobre cuatro dilemas éticos clave: la autonomía y vigilancia de trabajadores reemplazados por máquinas; la distribución desigual de beneficios entre corporaciones transnacionales y comunidades empobrecidas; los sesgos de los datos que perpetúan exclusiones de género, raza o territorio; y la falta de transparencia y explicabilidad de los algoritmos, que impide que comunidades afectadas comprendan y cuestionen las decisiones tomadas.
¿La solución? Las autoras proponen un enfoque de optimización multiobjetivo interactiva (iMOO), que permite balancear metas económicas, sociales y ambientales, integrando los valores y preferencias de actores locales y con consideraciones de impacto ecosistémico en el diseño mismo de los modelos de IA.
¿Y qué significa esto en la práctica? Significa que los modelos de IA deben ser diseñados para hacer visibles los costos sociales de la automatización, los riesgos ambientales del sobreconsumo de recursos, y las inequidades distributivas que históricamente han marcado la minería en el Sur Global. El enfoque iMOO permite explorar visual y analíticamente los distintos escenarios posibles, mostrando los trade-offs o compensaciones entre, por ejemplo, aumentar la producción o reducir la contaminación, o entre introducir más tecnología o contratar más mano de obra local.
Aquí es donde podemos además complementar esta propuesta con la crítica de Kate Crawford en su libro Atlas of AI (2021). Crawford nos recuerda que la inteligencia artificial es una infraestructura material profundamente anclada en prácticas extractivistas. Cada modelo de IA requiere cantidades masivas de datos, energía y minerales. La IA comienza en la tierra, en los territorios donde se extraen los elementos que permiten su existencia: litio del Salar de Atacama, cobalto del Congo, agua para enfriar centros de datos en Nevada o energía fósil para alimentar su entrenamiento. Algo paradójico si además la usaremos para extraer minerales de ese mismo origen.
La minería no es sólo un insumo del futuro digital: es su condición estructural. Y mientras el Norte Global imagina una transición energética “verde” sustentada en IA, los costos ecológicos, humanos y políticos se concentran, una vez más, en el Sur Global.
Desde Chile, país con una larga historia minera y uno de los mayores productores de cobre y litio del mundo, este debate no es ajeno. Al contrario: nos interpela con fuerza. ¿Permitiremos que la IA en minería profundice los modelos de desigualdad, o la usaremos para corregirlos?
Si no somos capaces de incorporar criterios de justicia social, equidad intergeneracional y sostenibilidad ecosistémica en el diseño de estas tecnologías, estaremos construyendo un futuro digital sobre las ruinas del presente. Y no hay algoritmo que repare esa falla.