A mediados de los años 70, un grupo de geólogos se preparaba para perforar el subsuelo de Mount Tolman, en Estados Unidos, con algo inusual sobre la mesa: una predicción generada por ordenador sobre lo que encontrarían bajo tierra.
Los ordenadores de aquella época eran lentos y costosos. No existían redes neuronales ni modelos de lenguaje. Y sin embargo, un sistema de inteligencia artificial ya era capaz de analizar datos geológicos incompletos y señalar, con una lógica construida a partir del conocimiento experto, dónde valía la pena cavar.
Un sistema experto en tiempos de recursos escasos
La inteligencia artificial de los años 70 no guardaba ningún parecido con lo que conocemos hoy. Los recursos de cálculo eran escasos y caros, y no existían grandes volúmenes de datos estructurados. En ese contexto surgieron los sistemas expertos: programas diseñados para reproducir el razonamiento de especialistas humanos mediante reglas lógicas y modelos probabilísticos.
PROSPECTOR fue uno de los más representativos. Su objetivo era analizar información geológica, geoquímica y estructural para estimar la probabilidad de encontrar yacimientos minerales concretos. Combinaba múltiples fuentes de datos y evidencias parciales para construir una estimación razonada sobre lo que podría haber bajo tierra.
Lo que lo distinguía de los modelos actuales era su método de aprendizaje. No entrenaba con millones de ejemplos: su conocimiento lo incorporaban manualmente los propios geólogos expertos, traduciendo su experiencia en reglas que el sistema podía aplicar. Era, en esencia, conocimiento humano codificado en lógica computacional.
La predicción que cambió la historia de la IA aplicada
El momento que convirtió a PROSPECTOR en referencia histórica llegó cuando el sistema identificó una alta probabilidad de encontrar un depósito de molibdeno en la zona de Mount Tolman. No era una intuición. Era el resultado de analizar datos incompletos con un modelo probabilístico construido sobre conocimiento experto real.
Las campañas de perforación posteriores confirmaron la existencia del yacimiento.
Este resultado tuvo una repercusión que iba más allá de la geología. Representó uno de los primeros casos documentados en que un sistema de inteligencia artificial contribuía directamente a una decisión con impacto económico tangible. La IA dejaba de ser un experimento académico para demostrar utilidad real en la gestión de recursos y en decisiones empresariales con consecuencias concretas.
El principio que no ha cambiado en medio siglo
Lo que hizo valioso a PROSPECTOR no fue la cantidad de datos que procesaba, sino su capacidad para interpretar información incompleta e interrelacionada. Ese sigue siendo el desafío central de la inteligencia artificial aplicada: no disponer de más datos, sino extraer valor de los que existen, aunque sean parciales o inciertos.
PROSPECTOR demostró que combinar conocimiento experto con modelos computacionales genera valor incluso cuando la información es fragmentaria. Ese principio no ha cambiado. Es la base de los sistemas modernos de forecasting y análisis de escenarios que hoy apoyan decisiones estratégicas en sectores muy distintos.
La gestión de la incertidumbre sigue siendo el motor central del desarrollo de la IA. En muchos ámbitos, las decisiones dependen de variables simultáneas donde pequeñas variaciones pueden tener consecuencias económicas significativas. Saber cuándo confiar en un modelo, y hasta qué punto, resulta tan importante como el modelo mismo.
De la mina al mercado eléctrico: la IA como herramienta estratégica
Desde aquellos primeros sistemas expertos, la inteligencia artificial se expandió progresivamente hacia la medicina, las finanzas, la industria y la energía. Las metodologías evolucionaron de forma considerable, pero los principios fundamentales permanecieron.
Los modelos actuales de Machine Learning y Deep Learning procesan volúmenes masivos de información: imágenes satelitales, sensores, registros históricos, datos meteorológicos. Pueden identificar relaciones complejas y patrones que serían imposibles de detectar con métodos tradicionales. La escala es radicalmente distinta a la de PROSPECTOR, pero el objetivo es el mismo: reducir la incertidumbre para tomar mejores decisiones.
En el sector energético, estas herramientas tienen aplicaciones estratégicas directas. Los modelos híbridos —que combinan técnicas estadísticas, conocimiento experto e inteligencia artificial— apoyan hoy decisiones sobre proyectos renovables, contratos PPA, almacenamiento en baterías y gestión del riesgo en mercados eléctricos. La complejidad del sistema energético actual exige exactamente el tipo de razonamiento que PROSPECTOR fue pionero en desarrollar hace cinco décadas.
Es llamativo que un sistema diseñado para localizar minerales en el subsuelo comparta su lógica esencial con herramientas que hoy anticipan el precio de la electricidad en Europa. La tecnología cambió por completo. El problema de fondo, no tanto: hay que tomar decisiones con información imperfecta, y eso requiere modelos capaces de razonar bajo incertidumbre. PROSPECTOR lo entendió antes que casi nadie.