Por qué los pilotos de IA en Vaca Muerta no llegan a producción

Pasa seguido en Vaca Muerta. Una operadora dedica meses a un proyecto de mantenimiento predictivo y, cuando llega el momento de evaluarlo, el diagnóstico es casi siempre el mismo: el modelo funciona, los datos no. Los sensores registran, el SCADA acumula, los historiadores archivan. Lo que nadie revisó a tiempo es si esos datos tenían la calidad necesaria para que un sistema inteligente tomará decisiones con ellos.

La escena se repite en toda la digitalización de Oil & Gas en Argentina. Uno de los ejes de debate del DigiAI Oil & Gas Latin America 2026 pone el cuello de botella de la adopción de IA en un lugar mucho menos vistoso que los algoritmos: la preparación del dato operativo. SCADA sin estandarizar, historiadores que no se hablan entre sí y arquitecturas de yacimiento heredadas que nunca se pensaron para alimentar modelos.

Un problema de diseño antes que de tecnología

La IA aplicada a operaciones de campo necesita datos continuos, etiquetados y confiables. Cuando esa base falta, el modelo genera alertas ruidosas o, peor, deja pasar anomalías reales.

Lo que sigue es previsible. El equipo de operaciones deja de confiar en el sistema y vuelve al criterio experto como única fuente de verdad. El piloto se congela y la inversión termina justificada como "experiencia".

Qué resolvieron primero las operadoras que escalan

Lo que separa a las operadoras que llevan la IA a producción de las que se quedan en el piloto tiene poco que ver con el presupuesto o con la plataforma elegida. Antes de pedirle al modelo que decida, resolvieron la instrumentación, los estándares de datos y los flujos de automatización base.

En la práctica, eso significa responder algunas preguntas antes de escribir una línea de código. ¿Qué variables necesita el modelo y con qué frecuencia? ¿Quién garantiza que un tag signifique lo mismo en todos los pozos? ¿Qué pasa cuando un dato llega tarde o incompleto? Si esas respuestas no existen, el piloto las va a buscar por su cuenta, y casi siempre las encuentra tarde.

Una disciplina que otras industrias ya tienen

Esa disciplina de diseño no es nueva. Los entornos con trazabilidad regulatoria exigente, donde cada dato tiene que poder auditarse y cada decisión tiene que poder justificarse ante un tercero, ya resolvieron esta ecuación. Pasa en salud y en finanzas, dos industrias en las que trabajamos hace años: ahí el rigor sobre el dato es obligatorio desde el primer día y nunca llega como un correctivo a mitad del proyecto.

Esa experiencia es la que llevamos a Oil & Gas. En Santex encaramos los proyectos de IA industrial empezando por el dato: qué se mide, cómo se nombra, quién lo usa y para qué decisión. Recién con esa base trabajamos el modelo, apoyados en nuestro equipo de ingeniería de datos.

Así trabajamos con un fabricante global de tecnología de accionamiento y automatización industrial que necesitaba anticipar fallas en componentes críticos. Junto a su equipo construimos una plataforma IoT de mantenimiento predictivo que ordena todo el recorrido del dato: sensores de vibración, temperatura y nivel de aceite en cada equipo, una unidad de procesamiento en el borde, la nube y una aplicación donde un motor de reglas convierte las lecturas en eventos y alertas para decidir cuándo intervenir. 

Lo que está en juego en Vaca Muerta

Vaca Muerta atraviesa un momento crítico. El capex escala, los estándares suben con la llegada de casas matrices internacionales y crece la presión por optimizar el costo por barril.

La operadora que normalice la calidad del dato operativo antes de escalar IA va a construir una ventaja que a sus pares les va a costar años recuperar. La que lo postergue va a seguir pagando pilotos que no maduran.

Que la IA llegue a la operación ya no está en discusión. Lo que todavía se puede decidir es si los datos van a estar listos cuando llegue.

Si estás evaluando un proyecto de IA en tu operación y querés empezar por el dato, conversemos.