Esta semana tuvimos varios frentes abiertos, pero todos terminaron conectando con el mismo problema de fondo: estamos llegando a un punto donde generar datos es relativamente fácil, pero entenderlos bien todavía es extremadamente difícil.
Hace tiempo venimos trabajando con una cantera donde hacemos vuelos de drone periódicos. El flujo era relativamente estándar: vuelo, generación de ortomosaico, modelo 3D y cálculo de volumen. Ese proceso ya lo tenemos bastante controlado. El problema es que empezamos a notar algo incómodo: calcular volumen termina siendo apenas una capa superficial de información sobre el territorio vecino.
El terreno tiene mucho más para decir.Sobre todo la biodiversidad
En medio de esa exploración empezamos a investigar el método Gaussiano(3D Gaussian Splatting). Todavía estamos aprendiendo y lejos de dominarlo, pero lo interesante es que cambia completamente el foco. Ya no se trata solamente de cuánto material existe en un lugar, sino de entender patrones del terreno asociados a biodiversidad, comportamiento ambiental y características que normalmente no aparecen en un modelo volumétrico clásico.
Eso cambia bastante nuestra perspectiva porque nos obliga a pensar que quizá el futuro de este tipo de trabajos no está únicamente en minería, topografía o cubicaciones, sino en la capacidad de leer territorio de manera más profunda.
Y ahí aparece algo importante: la infraestructura de captura ya existe. Los drones, sensores, cámaras multiespectrales y procesamiento fotogramétrico se volvieron relativamente accesibles. Lo difícil ahora es construir interpretación útil encima de esos datos.
En paralelo seguimos trabajando con mediciones de dióxido de carbono y análisis de elementos para calcular captura y huella de carbono en distintos lugares. Ahí también aparece el mismo patrón: muchas empresas todavía están obsesionadas con generar reportes, pero el verdadero valor empieza cuando los datos sirven para tomar decisiones operativas o financieras reales.
Tuvimos conversaciones con gente de Europa esta semana y algo que noté es que afuera el mercado ya está varios pasos adelante conceptualmente. El interés no está solamente en medir emisiones. El interés está en trazabilidad, validación y automatización de evidencia ambiental.
Eso obliga a que empresas como la nuestra dejen de pensar como consultoras tradicionales.
Porque una consultora entrega informes.
Una empresa tecnológica construye sistemas que aprenden, mejoran y escalan.
Y honestamente, todavía estamos en el medio de esas dos identidades.
Dedsde el lado de la tecnilogia dura seguimos avanzando con Optivia, una plataforma que desarrollamos junto a Nexia para automatizar la búsqueda y filtrado de licitaciones usando scraping e inteligencia artificial. La lógica es relativamente simple: cada empresa carga su perfil, capacidades e intereses, y el sistema intenta detectar automáticamente cuáles licitaciones son relevantes.
Suena sencillo cuando se resume así, pero el problema real no es encontrar PDFs en internet. El problema es interpretar contexto, requisitos implícitos y compatibilidad real entre oportunidades y empresas.
Abrimos las primeras inscripciones para quienes quieran probar la plataforma aun estando en desarrollo. Y creo que eso también marca un cambio importante en nosotros: durante mucho tiempo trabajamos solamente sobre proyectos cerrados para clientes específicos. Ahora empezamos a construir productos que necesitan sobrevivir fuera de nuestra operación diaria.
Eso expone debilidades mucho más rápido.
También terminamos de entregar documentos vinculados al Banco Interamericano de Desarrollo (BID) para un proyecto de pozos termales. Ese tipo de trabajos normalmente no se ven “tecnológicos” desde afuera, pero en realidad son excelentes ejercicios de estructuración de información, validación técnica y coordinación multidisciplinaria. Muchas veces el problema no es técnico. Es organizacional.
Pero probablemente el frente más frustrante de esta semana fue continuar intentando resolver automáticamente los volúmenes rotos en modelos mineros.
La semana pasada habíamos comentado que estábamos intentando usar inteligencia artificial para generar programas que reparen los volumenes de los modelos 3D. La realidad es que todavía no funciona de manera masiva.
Y eso fue importante admitirlo.
Logramos reparar algunos volúmenes de manera local, pero cuando intentamos escalar el proceso empiezan los problemas reales. Las estructuras internas de los modelos se borran, aparecen huecos, geometrías corruptas y superficies que dejan de ser cerradas. Entonces el volumen deja de ser matemáticamente válido.
El problema no es solamente “reparar una malla”.
El problema es entender qué parte de la geometría representa realmente una continuidad física válida y cuál es simplemente ruido o destrucción del modelo.
Ahí es donde la inteligencia artificial todavía demuestra sus límites cuando trabaja sobre datos espaciales complejos.
Y sinceramente, creo que esta semana fue valiosa justamente por eso. Porque nos obligó a reconocer algo incómodo: muchas veces hablamos de automatización como si el problema fuera únicamente computacional, cuando en realidad el problema es semántico.
La máquina puede detectar vértices.
Pero todavía no entiende territorio.
Y probablemente ahí esté el verdadero negocio de los próximos años.
Firma:
Pedro Cardoso, CEO & Founder de GEXPLO