Inteligencia artificial en el upstream redefine el valor del petróleo y gas

La inteligencia artificial en el upstream está pasando de ser una herramienta de apoyo digital a convertirse en un factor capaz de transformar la productividad y la economía de las operaciones de petróleo y gas. Un análisis de McKinsey que evaluó más de 550 casos de uso estima que la aplicación de estas tecnologías podría generar hasta USD 230.000 millones de valor anual en un escenario de máximo aprovechamiento, principalmente mediante optimización de producción, perforación, gestión de yacimientos y automatización de decisiones.

Sin embargo, alcanzar ese potencial no dependerá únicamente de incorporar nuevos algoritmos. La calidad de los datos, la integración con sistemas existentes, la capacidad de modificar procesos operacionales y hasta los modelos comerciales entre operadores y compañías de servicios determinarán cuánto de ese valor puede convertirse realmente en resultados.

Inteligencia artificial en el upstream concentra su valor en aplicaciones críticas

La dimensión económica de la oportunidad cambia considerablemente según el nivel de adopción. McKinsey estima aproximadamente USD 65.000 millones anuales de valor recurrente en el corto plazo utilizando tecnologías disponibles actualmente. Una implementación más amplia de soluciones ya probadas elevaría esa cifra hasta USD 125.000 millones, mientras que el potencial podría alcanzar USD 230.000 millones anuales bajo escenarios que incorporen operaciones autónomas y una aplicación mucho más extensa de la IA a lo largo de la cadena upstream. Estas estimaciones descuentan más de USD 30.000 millones anuales asociados a costos de implementación.

Pero el impacto no se distribuye uniformemente entre cientos de posibles aplicaciones. Los 10 casos de uso de mayor impacto concentran casi la mitad del valor identificado, los primeros 20 representan aproximadamente dos tercios y alrededor de 60 aplicaciones reúnen cerca del 95 %.

Esto plantea una diferencia importante entre digitalizar múltiples procesos y seleccionar aquellos capaces de modificar directamente el desempeño de los activos. Producción, perforación y gestión de yacimientos aparecen precisamente entre las áreas donde la IA podría generar los mayores retornos.

Producción y perforación concentran oportunidades inmediatas

Los activos de producción generan continuamente grandes volúmenes de información operacional. Presiones, temperaturas, caudales, vibraciones, condiciones de equipos y comportamiento de los pozos proporcionan datos que pueden alimentar modelos capaces de identificar desviaciones y optimizar parámetros operacionales. Esta evolución forma parte de una transformación más amplia impulsada por las tecnologías digitales en el sector Oil & Gas, donde la inteligencia artificial, el machine learning, IoT y la analítica avanzada están ampliando las capacidades de exploración, producción y gestión de activos.

En producción, las aplicaciones analizadas abarcan bombas de varilla, bombas electrosumergibles (ESP), gas lift, inyección de agua, redes de producción, instalaciones de superficie, flow assurance y programas químicos. El valor potencial puede materializarse mediante producción incremental, reducción del tiempo de inactividad de pozos, disminución de fallas, menores costos de intervención y menor intensidad energética.

La perforación presenta otro escenario de alto impacto para la inteligencia artificial en el upstream. Los algoritmos pueden apoyar la planificación de pozos y selección de equipos, detectar anomalías tempranamente y optimizar actividades como viajes y conexiones.

La evolución hacia sistemas de closed-loop drilling amplía todavía más esta capacidad al permitir que la información adquirida durante la operación sea utilizada para ajustar parámetros y mejorar el posicionamiento del pozo dentro del yacimiento. Una ejecución más eficiente también puede reducir tiempos no productivos (NPT) y mejorar el aprovechamiento del tiempo operacional.

Los modelos de yacimiento también entran en una nueva etapa

El impacto de la inteligencia artificial en el upstream no termina en las operaciones físicas. La interpretación del subsuelo representa otra de las áreas con capacidad para acelerar significativamente los procesos upstream.

Machine learning, modelos híbridos que combinan física y aprendizaje automático, deep learning, IA generativa y sistemas agénticos pueden apoyar la actualización de modelos estáticos y dinámicos, acelerar simulaciones, evaluar estrategias de recuperación y mejorar las estimaciones de reservas.

El cambio potencial está en la velocidad de análisis. Procesos relacionados con exploración y desarrollo que tradicionalmente pueden extenderse durante meses o años podrían reducirse a semanas o incluso días en determinados flujos de trabajo, aunque esto exigiría transformar procesos de planificación que actualmente permanecen fragmentados entre diferentes disciplinas y organizaciones.

El estudio también estima que las mejoras impulsadas por IA en el éxito exploratorio podrían generar más de USD 35.000 millones anuales adicionales en valor de balance mediante incorporación de reservas.

La industria ya comienza a trasladar la IA al campo

Algunas compañías ya están avanzando desde pruebas digitales hacia aplicaciones operacionales. SLB y Vår Energi, por ejemplo, trabajan conjuntamente en flujos colaborativos para la planificación de pozos en la plataforma continental noruega, con el objetivo de reducir significativamente los ciclos entre el descubrimiento y el primer petróleo. Baker Hughes y Expand Energy también anunciaron una colaboración multianual para implementar Leucipa, una solución automatizada de producción impulsada por IA, en miles de pozos de gas natural y probar un asistente de producción basado en inteligencia artificial.

Estos desarrollos muestran que la inteligencia artificial en el upstream comienza a integrarse directamente con decisiones relacionadas con pozos, producción y activos físicos, en lugar de permanecer limitada a aplicaciones administrativas o análisis aislados de información. Esta evolución también se refleja en las plataformas petroleras inteligentes y automatizadas offshore, donde sensores avanzados, análisis en tiempo real, gemelos digitales e IA permiten avanzar hacia operaciones con mayor autonomía. Pero trasladar soluciones desde pilotos hasta operaciones a escala sigue siendo uno de los principales obstáculos.

Datos y sistemas legacy pueden limitar los USD 230.000 millones

Datos incompletos, infraestructura tecnológica heredada, conectividad limitada y modelos insuficientemente robustos para ambientes de campo complejos continúan dificultando la implementación.

El desafío, sin embargo, también es organizacional. El análisis sostiene que la IA genera mayor valor cuando modifica la manera en que se toman decisiones. Esta capacidad también está evolucionando en el mantenimiento predictivo con inteligencia artificial, donde la analítica prescriptiva permite avanzar desde la detección de anomalías hacia recomendaciones de intervención basadas en información operacional y condición de los activos. Una empresa puede disponer de algoritmos avanzados y aun así obtener resultados limitados si sus procesos permanecen fragmentados o si no existe una estrategia para integrar las recomendaciones digitales con las decisiones operacionales.

Un indicador resulta especialmente significativo: menos del 20 % de las implementaciones analizadas realiza seguimiento del valor generado por IA y comparte ese KPI dentro de la organización. La ausencia de medición dificulta determinar qué soluciones producen beneficios reales y cuáles permanecen como iniciativas tecnológicas sin retorno claramente cuantificado.

La IA también podría transformar el negocio de los servicios petroleros

El avance de la inteligencia artificial en el upstream introduce una consecuencia económica menos evidente. Lo que representa mayor eficiencia y ahorro para un operador puede reducir determinadas actividades facturables para una compañía de servicios petroleros.

Pozos perforados más rápidamente, menos fallas, menor downtime y menos intervenciones generan beneficios para los productores, pero pueden disminuir ingresos asociados al volumen tradicional de servicios. El análisis estima que aproximadamente USD 17.000 millones de ingresos de las compañías OFSE podrían quedar expuestos con los niveles actuales de implementación de IA, cifra que podría alcanzar USD 60.000 millones bajo un escenario de máximo potencial.

Esto no significa necesariamente una pérdida estructural para las compañías de servicios. También abre la posibilidad de modificar su modelo comercial.

Contratos basados en desempeño, software como servicio (SaaS), esquemas de gain-sharing y futuros modelos donde proveedores compartan parte del riesgo de decisiones autónomas pueden ganar relevancia. Helmerich & Payne, por ejemplo, utiliza contratos de desempeño donde puede recibir bonificaciones por pozo al superar determinados parámetros de velocidad de perforación.

La evolución podría llevar a algunas compañías OFSE desde un modelo basado principalmente en vender actividad hacia otro donde actúen como socios de desempeño, combinando automatización, conocimiento de equipos, infraestructura de datos y experiencia operacional para participar directamente en las mejoras de productividad.

El verdadero valor estará en convertir inteligencia en decisiones

Los USD 230.000 millones representan un escenario potencial, no un beneficio asegurado para la industria. Alcanzarlo requeriría niveles elevados de adopción, mayor autonomía operacional y capacidad para extender las aplicaciones más efectivas a una parte considerable de la cadena upstream.

Por ello, la próxima etapa de la inteligencia artificial en el upstream probablemente estará menos determinada por la cantidad de herramientas disponibles y más por la capacidad de integrarlas con activos, personas y procesos.

Producción, perforación y gestión de yacimientos muestran dónde podrían aparecer algunos de los retornos más importantes. Pero la transformación será más profunda si la tecnología también cambia la manera de medir desempeño, distribuir riesgos y contratar servicios.

La pregunta para la industria deja entonces de ser únicamente cuánto puede hacer la IA. El verdadero desafío será determinar cuánto de ese potencial tecnológico puede convertirse en producción adicional, menores costos, mejores decisiones y valor económico medible.

Fuente: Oil & Gas Journal