Cuánto valen nuestros recursos naturales: Un enfoque basado en IA

Por: José Carlos Valer, profesor del TEC como Visiting Global Faculty y Visiting Academic en la Universidad de Oxford.

Estimar el valor de un recurso natural suele implicar usar un máximo de tres variables simultáneas, ya que agregar más lleva a una complejidad algebraica semejante a intentar resolver un crucigrama mientras se anda en bicicleta. Las consultoras, con sus elevados honorarios, realizan estos cálculos para las empresas mineras, mientras que los funcionarios de gobiernos de países en desarrollo se limitaban a proyecciones básicas en Excel, incapaces de acceder a herramientas más sofisticadas.

La falta de herramientas avanzadas, como las valoraciones multivariadas, al alcance de los gobiernos, limita su capacidad para maximizar el valor a largo plazo de los recursos naturales para sus países y, con frecuencia, exagera los beneficios temporales y subestima el daño a las comunidades nativas y al medio ambiente. Este es el clásico dilema de la minería: los beneficios siempre brillan como el oro (o, el recurso natural no renovable del país), mientras los costos ambientales y sociales parecen esconderse como ese amigo que desaparece a la hora de pagar la cuenta, esquivando preguntas incómodas.

Esto conduce a negociaciones simplistas y sub-óptimas entre el sector privado y el Estado, centradas en tasas nominales tributarias de corto plazo sin considerar los costos y beneficios que podrían surgir más tarde. Esta problemática tiene un punto crítico de confluencia: calcular el valor presente económico descontado del riesgo ambiental, tanto durante como después de la explotación.

Una técnica ahora nuestro alcance es la de los “gemelos digitales” (digital twins), modelos virtuales que permiten desde la evaluación de tratamientos médicos hasta el monitoreo de complejos sistemas de transporte, como los de Uber, e incluso la gestión de entregas de Amazon. También ofrecen a los gobiernos una herramienta para prever emergencias por inundaciones, simular accidentes automovilísticos y, algún día, podrían ayudar a gestionar fábricas, empresas y ciudades enteras.

Estos modelos avanzados son más que espejos digitales, representan un "retrato de Dorian Gray" donde el gemelo es quien revela en tiempo real las consecuencias potenciales de las decisiones que tomaríamos en el mundo físico.

Los primeros ejemplos de simulación de modelos se remontan a los albores de la ingeniería en civilizaciones antiguas, pero la potencia de cálculo moderna, impulsada por la inteligencia artificial (IA), ha llevado a esta metodología a otro nivel. Ahora, la IA afina las simulaciones mediante el análisis constante de nuevos datos, haciendo que estos gemelos digitales evolucionen y se adapten, reflejando con precisión la realidad cambiante.

En mi último artículo científico (Valer Dávila, et al., 2024)[1], buscamos aplicar estas innovaciones al campo de la valoración económica de una mina de cobre real (Tía María en Perú) extendiéndola luego a las reservas de mineral en todo el país. Al igual que Doctor Strange, quien exploró 14’000,605 futuros alternativos para encontrar el único camino hacia la victoria, este modelo utiliza múltiples escenarios para simular diversas decisiones mineras.

En cada "universo paralelo" generado por el modelo, se consideran combinaciones de variables y condiciones, hasta converger en la solución más probable y rentable según una distribución estadística. El modelo simula las decisiones de una mina en términos de opciones reales (una variación de las opciones financieras negociadas en mercados de valores aplicadas a decisiones gerenciales), creando múltiples escenarios —o, como dirían los aficionados a Marvel, multiuniversos, y los economistas, modelos Montecarlo— hasta llegar a la solución más probable.

Más eficiente que la magia de Marvel, el modelo solo necesitó entre 10 mil y 30 mil universos paralelos generados con 254 variables simultáneas, para que el gemelo digital identifique las variables clave y sus efectos de manera más eficiente. ¿Cómo? Al igual que un buen detective, el modelo aprende a descartar escenarios innecesarios para converger en los hallazgos más relevantes en menos escenarios. En términos de inteligencia artificial, esta metodología se conoce como “aprendizaje por refuerzo” (reinforcement learning), aunque yo prefiero llamarlo "sentido común digital ex ante facto", pues en lugar de enfocarse en el modelo econométrico tradicional que replica comportamientos del pasado, explora probabilidades futuras incluso si nunca han ocurrido.

En la “tentación irresistible” de mejorar el statu quo, el modelo busca servir como criterio adicional para mejorar las políticas gubernamentales en la gestión de recursos naturales, tales como establecer directrices para un fondo soberano de recursos, ajustar el régimen tributario u optimizar las negociaciones contractuales del Estado con una perspectiva de largo plazo. En resumen, podría beneficiar no solo al Estado, sino también a las empresas mineras, a la cadena de valor (upstream y downstream) asociada, a las comunidades locales, y a los gobiernos regionales, optimizando de manera sostenible el valor de los recursos para generaciones presentes y futuras descontando la estimación del riesgo con solidez estadística (el sine qua non de los directorios corporativos).

Por ejemplo, el modelo muestra que los precios del cobre son el factor más relevante para determinar los ingresos gubernamentales, desafiando la creencia de que la tasa tributaria es el factor decisivo. Como en tantas otras áreas, la tributación es solo el toque final. Los impuestos contribuyen con menos del 1% a la variabilidad en la valoración del proyecto, mientras que los factores del mercado, como los precios del cobre, representan más del 26%.

El modelo también permite a los gobiernos comprender mejor el impacto de los costos ambientales y el riesgo país, no solo para los empresarios sino también para los ciudadanos (lo que llamo valor óptimo privado y óptimo social, respectivamente), variables críticas para garantizar la sostenibilidad a largo plazo, pues estos factores afectan considerablemente, influyendo en las valoraciones tanto privadas como públicas entre 9% y 12% del valor a un 95% de confianza. Al integrar estos elementos, el modelo ofrece una visión más completa del valor real de los proyectos extractivos, proporcionando una herramienta robusta para decisiones informadas.

Además, el modelo ilumina los costos de la inacción o ineficiencia estatal que comúnmente retrasan los proyectos extractivos: conflictos sociales o ambientales politizados, trámites burocráticos excesivos o aprobaciones bloqueadas, y violencia política como carreteras bloqueadas y expropiaciones.

Al reducir la incertidumbre, (lo que en finanzas corporativas llamamos cuantificar el riesgo), este modelo ayuda a medir ese caos, atrayendo así a compañías mineras, bancos y financistas pues estos agentes económicos pueden invertir con riesgo solo si es medible y permite determinar si la explotación del recurso natural beneficiará a los habitantes del país.