Dentro de la transformación de IA de una empresa minera

Jul 26, 2023

El estado de ánimo era aprensivo.mientras científicos de datos, metalúrgicos e ingenieros de Freeport-McMoRan ingresaban a la sala de control de un molino concentrador de mineral de cobre en Bagdad, Arizona, la mañana del 19 de octubre de 2018. Llegaron para saber qué sucedería cuando arrancaran el gran molino hasta un ritmo de trabajo que nunca se había probado.

La posibilidad de causar problemas en el ingenio pesaba en la mente de todos. Los miembros del equipo inicialmente se habían resistido a la idea de operar el molino más rápido. Querían evitar que la pila de mineral que alimenta el molino cayera por debajo del tamaño mínimo que habían mantenido durante mucho tiempo. Su preocupación era que una reserva demasiado pequeña obstaculizaría el rendimiento de la planta.

Si el tamaño mínimo de las pilas de acopio realmente ayudaba a que el molino funcionara mejor era otra cuestión. Nadie lo sabía con certeza. Los gerentes y el personal de la planta tampoco pudieron decir qué sucedería si las existencias se redujeran a menos del mínimo tradicional.

Con el paso de las semanas, la planta concentradora de mineral de cobre mantuvo un ritmo más acelerado sin pérdida de eficiencia. El modelo de datos había sido correcto: el molino podía manejar más mineral de lo que pensaban sus operadores.

Lo que sí sabían es que un modelo de inteligencia artificial (IA) hecho a la medida, cargado con datos operativos de tres años de la planta y programado para buscar ajustes operativos que aumentarían la producción, seguía diciendo que la producción de cobre aumentaría si el molino fueron alimentados con más mineral por minuto.

Para los operadores de la planta, esa noción sonaba bastante lógica, excepto que no tenía en cuenta el tamaño mínimo de las pilas de almacenamiento que tenían en mente. Pero el modelo no sabía, ni le importaba, el tamaño mínimo de las pilas de almacenamiento ni ninguna de las otras ideas de los operadores de la planta sobre cómo debería funcionar la planta.

Con el permiso de los ejecutivos de la empresa, los miembros de la cuadrilla en el sitio de Bagdad decidieron acelerar el ritmo del molino como había sugerido el modelo. También se prepararon para aumentar las actividades de extracción y trituración para que no se agotara la reserva de mineral.

A las diez de la mañana, un técnico hizo clic en un control en la pantalla de su computadora para acelerar el sistema de cintas transportadoras que transportaban trozos de mineral desde la trituradora hasta la pila de almacenamiento y desde la pila de almacenamiento hasta el molino.

Todos en la sala vigilaban los 13 monitores de gran tamaño en la sala de control, que estaban iluminados con lecturas de cientos de sensores de rendimiento colocados alrededor del molino. La cantidad de mineral molido a través del molino aumentó. No hubo advertencias.

Pasaron doce horas. El molino se mantuvo firme. Incluso cuando su reserva de mineral cayó por debajo del mínimo habitual, la entrega acelerada de mineral de la trituradora y la mina permitió que el molino siguiera funcionando. Con el paso de las semanas, la planta mantuvo el ritmo más rápido sin pérdida de eficiencia. El modelo de datos había sido correcto: el molino podía manejar más mineral de lo que pensaban sus operadores.

"Ese fue el gran avance que habíamos estado buscando", nos dijo Justin Cross, el gerente general del sitio de Bagdad. "Una vez que comenzamos a hacer funcionar el molino a toda velocidad, sabíamos que podíamos obtener resultados de más de las recomendaciones que hacía el modelo".

La historia de cómo Freeport-McMoRan aprendió a confiar tanto en un modelo de IA como en la intuición de ingenieros de minería y metalúrgicos veteranos podría no llamar la atención fuera de la industria tecnológica.

Sin embargo, para las compañías mineras, ilustra un cambio silencioso pero profundo hacia una era que consideramos como la "era del operador", cuando las empresas mejor administradas extraen ganancias del mineral de baja ley que los mineros habrían desechado. hace apenas diez años.

Una mina en la que Freeport-McMoRan había estado procesando leyes decrecientes de mineral es Bagdad, un extenso complejo de Arizona donde los buscadores hicieron sus primeros reclamos en 1882. Las reservas de Bagdad de mineral de mayor ley se han agotado durante algún tiempo, pero Freeport-McMoRan ha sostenido la mina. producción de cobre mediante la realización de diversas mejoras en los procesos.

A fines de 2017, los ejecutivos creían que Bagdad se había vuelto tan eficiente como podía con su equipo existente, por lo que razonaron que agregar capacidad sería la forma más segura de obtener aún más cobre del sitio. A principios de 2018, comenzaron a planificar una expansión de capital de $200 millones del molino concentrador de mineral de Bagdad que aumentaría la producción en un 20 por ciento.

Los precios del cobre eran altos en ese momento. La inversión parecía segura de dar sus frutos.

Luego, los precios del cobre cayeron desde un máximo de cinco años de alrededor de $ 3,30 por libra a principios de junio a $ 2,75 más o menos un mes después. De repente, invertir $200 millones para expandir Bagdad ya no parecía práctico.

Los líderes de Freeport-McMoRan decidieron encontrar nuevos cambios en los procesos que aumentaran la producción de cobre del sitio sin una inyección masiva de capital.

En cambio, los líderes de Freeport-McMoRan resolvieron encontrar nuevos cambios en los procesos que incrementarían la producción de cobre de Bagdad sin una inyección masiva de capital.

Descubrir mejoras en una mina eficiente no sería fácil. Pero Freeport-McMoRan tenía mucha información de alta calidad para estudiar. Aproximadamente diez años antes, Bert Odinet, director de información de Freeport-McMoRan, coordinó un esfuerzo para estandarizar la forma en que cada sitio mide e informa su desempeño y para construir un almacén de datos central para almacenar esas mediciones.

Varios años después, los equipos de mantenimiento presionaron para que se instalaran equipos de red adicionales y sensores de rendimiento en los camiones, palas mecánicas y máquinas estacionarias de la empresa. Los equipos descargarían manualmente los datos de esos sensores al almacén de datos para que pudieran afinar aún más sus prácticas de mantenimiento y mejorar el funcionamiento del equipo.

Cuando las redes de malla inalámbricas se volvieron rentables y confiables, Freeport-McMoRan las instaló en todos sus sitios. Ahora la empresa podía capturar y correlacionar lecturas de rendimiento segundo a segundo en el almacén de datos, todo en tiempo real.

"Aprendimos cosas que nunca hubiéramos predicho", dijo Odinet. "Ese proyecto nos enseñó a ser más receptivos a lo que nos decían los datos. Y nos dio la confianza para intentar análisis más complicados".

Con análisis avanzados y técnicas de inteligencia artificial, Freeport-McMoRan pudo escanear la gran cantidad de datos que recopiló, identificar aún más cambios operativos que podrían aumentar el rendimiento y ponerlos a prueba en el campo.

Bagdad parecía un buen campo de pruebas para este método. El sitio cuenta con ingenieros, metalúrgicos y operadores de equipos creativos y de mente abierta que se destacaron en Freeport-McMoRan por su disposición a probar cosas nuevas. Sus esfuerzos anteriores para mejorar los procesos metalúrgicos de Bagdad, por ejemplo, dieron como resultado una mayor recuperación de cobre.

Y Cross, el gerente general de Bagdad, era un manitas nato al que le gustaba pasar su tiempo libre equipando su camioneta para uso todoterreno y triturando troncos de mezquite para convertirlos en madera para una casa que planeaba construir él mismo. Desde que se unió a Freeport-McMoRan en 2006, Cross dirigió una serie de proyectos para optimizar las operaciones en las minas de la empresa.

También ayudó que las operaciones de Bagdad fueran estables. Con pocos problemas de equipo o contratiempos en el proceso que resolver, los trabajadores tendrían tiempo para ayudar a aumentar la producción de cobre.

Los ejecutivos consideraron que se podían encontrar oportunidades prometedoras para impulsar la producción de Bagdad en una parte de la operación: el molino concentrador de mineral, una instalación ruidosa donde las enormes máquinas de molienda y las celdas de flotación burbujeantes con soluciones químicas convierten rocas del tamaño de una toronja que contienen alrededor de 0,4 por ciento de cobre en una mezcla finamente molida de 25 por ciento de cobre y 75 por ciento de roca.

Los técnicos de la planta manejaban las instalaciones estrictamente según el libro, un conjunto de instrucciones de operación que habían desarrollado los ingenieros de Freeport-McMoRan en Phoenix. Tenía que haber formas de construir sobre esas instrucciones que mejoraran el rendimiento de la planta.

Después de hablar con ingenieros y especialistas en operaciones de Bagdad y de la sede central, el director ejecutivo de Freeport-McMoRan, Richard Adkerson, y la directora financiera, Kathleen Quirk, decidieron dejar que el equipo de Bagdad trabajara con McKinsey en un nuevo tipo de proyecto de minería: minería de datos de forma ágil.

El proyecto requería más que ciencia de datos sofisticada. También pidió un nuevo enfoque para resolver problemas operativos complicados.

"Por lo general, cuando ejecutamos proyectos operativos, los diseñamos en exceso. Probamos todos los escenarios imaginables, construimos medidas de seguridad y hacemos todo lo posible para garantizar que un cambio de proceso resulte en una mejora antes de que lo hagamos", observó Cross. "Es una forma confiable de obtener buenos resultados. Pero requiere una gran cantidad de tiempo, esfuerzo e inversión de capital".

Los consultores de McKinsey estimaron que el equipo de Bagdad podría obtener mejores resultados, más rápidamente, si llevara a cabo el proyecto de análisis de manera diferente. Introdujeron la idea de trabajar bajo principios ágiles, que enfatizan el desarrollo rápido de soluciones funcionales que luego los equipos mejoran, poco a poco, de acuerdo con los comentarios de los usuarios.

El gerente general reunió a un equipo de personas que representaban a cada división de la planta, junto con otras partes de la organización con las que tendrían que trabajar, como la mina y el grupo central de ciencia de datos de Freeport-McMoRan.

Otra característica esencial de los métodos ágiles es la colaboración cara a cara dentro de equipos completos. Cross reunió a un equipo de personas que representaban a cada división de la planta, junto con otras partes de la organización con las que tendrían que trabajar, como la mina y el grupo central de ciencia de datos de Freeport-McMoRan.

La composición del equipo le permitió aprovechar la experiencia y dar cuenta de los intereses de cada división de Bagdad que su trabajo podría afectar. También permitió que el equipo enfrentara mejor los desafíos que involucraban a diferentes divisiones y que no podían ser resueltos por una sola división.

El enfoque ágil del equipo consistía en trabajar en "sprints", episodios de actividad de dos semanas en los que el equipo concebía una función de modelado de datos o un cambio operativo, lo probaba y aprendía qué lo mejoraría.

A medida que salieran a la luz mejoras, el equipo las agregaría a una cartera de pedidos. Luego, revisaría los elementos de la cartera de pedidos en sprints posteriores, comenzando con las tareas más fáciles y beneficiosas.

Para los miembros de la tripulación de Bagdad, este estilo de trabajo ágil no solo era diferente de la forma habitual de trabajar. Representaba una desviación radical de la forma en que habían estado haciendo las cosas.

"Nos tomó un tiempo sentirnos cómodos con Agile", dijo Cross. "Tuvimos que dejar atrás muchos viejos hábitos".

McKinsey trajo entrenadores ágiles para ayudar. Los entrenadores explicaron los rudimentos de Agile (construir un backlog, decidir qué lograr en cada sprint, celebrar reuniones matutinas para acordar el trabajo que el equipo realizaría cada día y notar cualquier dificultad que pudiera ralentizarlo), pero principalmente para unirse. las actividades del equipo y enseñar a sus miembros a trabajar juntos de manera ágil.

Shannon Lijek, un socio de McKinsey que se especializa en ayudar a las organizaciones a aplicar métodos ágiles, fue uno de los entrenadores que vino para ayudar al equipo de Bagdad a acostumbrarse a lo ágil.

"Descubrimos que la mejor manera de aprender ágil es saltar directamente", dijo Shannon Lijek, socio de McKinsey.

"Agile puede ser difícil de adoptar al principio porque no es un proceso que pueda memorizar. Es un conjunto de principios para minimizar el esfuerzo desperdiciado y hacer más trabajo. Y hemos encontrado que la mejor manera de aprender ágil es saltando justo adentro", dijo Lijek.

Una forma en que el equipo ágil de Bagdad eliminó esfuerzos innecesarios fue introduciendo soluciones tan pronto como había construido "productos mínimos viables" o MVP, que eran lo suficientemente buenos para usar, en lugar de trabajar para perfeccionar esos productos primero.

"Si hubiéramos construido el modelo nosotros mismos, habríamos tratado de hacerlo 100 por ciento correcto antes de hacer algo con él", nos dijo Cross.

"Shannon y los entrenadores de McKinsey nos alentaron a trabajar con soluciones que no estaban terminadas. Decían: 'Puedes obtener el 60 por ciento de la mejora con un MVP, y eso es mucho. Así que simplemente comienza a usarlo. Entonces puedes preocúpate por mejorarlo'".

Por Congrio Rojo

El esfuerzo de Freeport-McMoRan aumentar la producción de cobre en Bagdad nos enseñó mucho sobre cómo usar métodos ágiles y herramientas de inteligencia artificial en nuestros sitios, donde puede ser difícil alterar las rutinas aceptadas. Aquí hay algunas cosas que tenemos en cuenta a medida que expandimos el uso de Agile y AI a más operaciones de Freeport-McMoRan:

Congrio rojoes presidente y director de operaciones, Américas, de Freeport-McMoRan.

Una vez que el equipo formado por Cross se reunió, comenzó a investigar la posibilidad de mejorar el rendimiento de la planta. La idea era pasar un mes examinando los datos del molino en busca de patrones que revelaran posibles mejoras. Si esas mejoras parecían lo suficientemente prometedoras, el equipo las perseguiría.

A partir de finales de junio, el equipo de Bagdad y los científicos de datos de McKinsey construyeron un modelo de aprendizaje automático para verificar si el molino realmente funcionaba tan eficientemente como la gente creía. El modelo, un tipo de modelo de aumento de gradiente extremo, constaba de un conjunto de miles de árboles de decisión que habían sido diseñados para incluir una gran cantidad de conocimientos metalúrgicos.

El personal del grupo central de operaciones de Bagdad y Freeport-McMoRan creía que todo el mineral que ingresaba al molino era del mismo tipo. En consecuencia, habían definido una única "receta" de parámetros inferiores y superiores para los 42 ajustes de control del molino: la mezcla de trozos de mineral de diferentes tamaños que se alimentaban al molino, el nivel de pH en las celdas de flotación, etc.

Pero cuando el equipo ágil de Bagdad pasó los datos de los sensores de rendimiento del molino a través de su modelo, los miembros del equipo aprendieron algo nuevo. Desde la perspectiva del molino, la mina en realidad estaba produciendo siete tipos distintos de mineral.

Además, la receta estándar del molino para la configuración de control no coincidía con las propiedades de todos esos tipos de minerales. El mineral que contiene más pirita de hierro, por ejemplo, produciría más cobre si el nivel de pH en las celdas de flotación se estableciera más alto que la receta prescrita.

"Pensar en los grupos de minerales en términos de datos de los instrumentos del molino, en lugar de clasificaciones de la geología tradicional, fue un cambio de mentalidad importante y abrió muchas posibilidades nuevas para mejorar el rendimiento", dijo Sean Buckley, socio de McKinsey que dirigió el trabajo de análisis.

En total, el análisis del equipo sugirió que ajustar los controles del molino para adaptarse a cada uno de los siete tipos de mineral podría aumentar la producción de cobre en un 10 por ciento o más.

Esa perspectiva convenció a los líderes de Freeport-McMoRan para que dejaran que el ágil equipo de Bagdad construyera un modelo de IA que analizaría el mineral que llegaba al molino y sugeriría configuraciones de control para aumentar la producción de cobre a partir de ese mineral.

Los miembros del equipo escribieron algoritmos para discernir las conexiones entre el tipo de mineral, las lecturas operativas de los sensores de la planta, la cantidad de mineral que pasa por el molino y la cantidad de cobre recuperado. A continuación, desarrollaron más algoritmos para predecir el rendimiento de la planta en función de las mediciones de los sensores.

Después de varias semanas de sprints de desarrollo, los miembros del equipo aumentaron la precisión de las predicciones de rendimiento del modelo al 96 por ciento, lo suficientemente alto como para saber que el modelo estaba interpretando correctamente la transmisión de datos desde los sensores del molino y relacionándolos con la configuración de control del molino.

Para determinar cuánto cobre podría producir Bagdad, el personal decidió establecer un nuevo mandato: maximizar la producción de cobre a un costo razonable, con poca inversión de capital nuevo.

Luego, el equipo cambió su atención de predecir el rendimiento a mejorarlo. El personal comenzó haciendo una pregunta simple que nadie había hecho en mucho tiempo: ¿Qué medida de rendimiento queremos optimizar?

Durante años, el equipo de Bagdad había orientado sus decisiones y actividades hacia objetivos particulares de producción de cobre y costos operativos. Ese enfoque tenía cierto sentido. Significaba que Bagdad generaba ganancias constantemente.

Ahora, para determinar cuánto cobre podría producir Bagdad, el equipo decidió establecer un nuevo mandato: maximizar la producción de cobre a un costo razonable, con poca inversión de capital nuevo.

Cross y Cory Stevens, vicepresidente de mejora operativa de Freeport-McMoRan, sabían que maximizar la producción podría disminuir el desempeño de Bagdad en otras áreas. La tasa de recuperación del molino, el porcentaje de cobre extraído del mineral, podría caer. O toda la operación podría detenerse durante horas.

Stevens se dirigió a otros ejecutivos para explicarles que el experimento de Bagdad podría ser costoso. Las cifras de rendimiento que verían en los próximos meses podrían ser deprimentes, advirtió.

No obstante, los ejecutivos coincidieron con Stevens en que si Bagdad lograba el aumento del 10 por ciento en la producción que predecía el modelo, el costo a corto plazo valdría la pena. Le dieron el visto bueno para intentar maximizar la producción.

Con esa aprobación, Cross otorgó al personal de Bagdad la libertad de realizar cambios operativos que se desviaran de los procedimientos estándar y podrían hacer que la planta no alcanzara sus objetivos de rendimiento. La seguridad de los trabajadores y la integridad de los equipos eran las únicas áreas en las que no se permitirían compromisos ni experimentos. Cualquier otro cambio fue un juego limpio.

Durante una serie de iteraciones durante el próximo mes, el equipo concibió, probó y refinó algoritmos que analizarían los datos generados por sensores y recomendarían configuraciones de control para maximizar la producción de cobre. Los nuevos algoritmos, conocidos como algoritmos genéticos, utilizaron los principios de la selección natural para "evolucionar" las configuraciones que producirían la mayor cantidad de cobre, dado un tipo particular de mineral.

A principios de septiembre, el equipo había ampliado el modelo de predicción a un MVP de un modelo de optimización, denominado TROI, que era capaz de emitir recomendaciones cada 12 horas, una vez para cada uno de los dos turnos diarios de la planta.

Cuando salía cada nuevo conjunto de recomendaciones, los ingenieros, operadores de equipos y metalúrgicos del equipo se reunían y decidían qué hacer con ellas.

TROI era un trabajo en progreso, por lo que sus primeras recomendaciones no eran del todo confiables. En cada turno, los metalúrgicos de Freeport-McMoRan y de McKinsey estudiarían las recomendaciones del modelo y se preguntarían si eran creíbles. Luego, los metalúrgicos tomarían nota de las recomendaciones del problema para que el equipo ágil pudiera analizarlas.

Algunas recomendaciones llevaron a los miembros del equipo a descubrir fallas en la lógica de TROI, que agregaron a su trabajo pendiente y corrigieron en sprints de desarrollo posteriores. Otros indicaron que los datos de rendimiento subyacentes eran defectuosos y pidieron al equipo que buscara soluciones.

"TROI nos ayuda a mejorar la calidad de nuestra instrumentación y destaca los sensores que necesitan atención", dijo Frank Ochoa, uno de los ingenieros de instrumentación y control de procesos de Bagdad.

Lo más desafiante fueron las recomendaciones del modelo de apartarse de la receta operativa que el personal de Bagdad había estado siguiendo durante años. El equipo ágil pasó mucho tiempo debatiendo qué hacer con ellos.

Lo más desafiante fueron las recomendaciones de apartarse de la receta operativa que el personal había estado siguiendo durante años. El equipo ágil pasó mucho tiempo debatiendo qué hacer con ellos.

Gradualmente, a medida que el equipo afinaba TROI, sus recomendaciones se volvieron más plausibles y el personal de Bagdad comenzó a seguirlas. Sin embargo, muchas de esas recomendaciones resultaron en pequeñas mejoras de rendimiento, si es que hubo alguna.

Llegó mediados de octubre. El equipo no estaba ni cerca del aumento de producción del 10 por ciento que creía posible.

Cross y Stevens decidieron que era hora de actuar de acuerdo con una importante recomendación que nadie estaba especialmente ansioso por probar: acelerar el flujo de mineral desde la mina y la trituradora hasta el molino. Cross pidió a los operadores de la mina que redujeran sus actividades y les aseguró que no se les culparía por gastar más dinero o provocar fallas operativas.

Los operadores de la mina intensificaron las voladuras, aunque tuvieron que usar más explosivos. Hicieron fila de camiones para llevar rocas a la planta de trituración, en violación de una directiva de larga data para evitar que los camiones permanezcan inactivos. Asfixiaron la trituradora gigante con mineral puro o sin procesar para averiguar cuánto podía manejar.

Finalmente, el 19 de octubre, el equipo aumentó la tasa de procesamiento de la planta. Inmediatamente, la producción de cobre saltó un 5 por ciento. TROI había ayudado al equipo a alcanzar un nivel récord de rendimiento.

Habiendo logrado una importante mejora en el rendimiento, el ágil equipo de Bagdad se dedicó a mejorar la capacidad del modelo para recomendar configuraciones de control del molino que aumentarían la producción de cobre.

El ágil equipo revisó los registros del modelo de datos y las notas de los metalúrgicos todos los días y siguió trabajando a través de una acumulación de actualizaciones. En varias semanas, el equipo refinó el modelo hasta el punto de que los metalúrgicos aceptaban más del 80 por ciento de sus recomendaciones.

TROI ya podía identificar qué tipo de mineral estaba pasando por el molino en cualquier momento. En la siguiente ronda de sprints, el equipo agregó funciones para dar cuenta de otros datos operativos entrantes.

Cada vez que TROI recomendaba un conjunto de configuraciones de control, los metalúrgicos de la planta consideraban las recomendaciones, elegían cuáles aceptar y se las pasaban a los supervisores y operadores de turno, quienes ajustaban los controles de la planta en consecuencia.

Permitir que los metalúrgicos decidieran qué recomendaciones seguir ayudó al equipo ágil a aprender más rápidamente. De vez en cuando, los metalúrgicos aplicaban configuraciones que parecían cuestionables solo para saber si funcionarían. Y cuando los metalúrgicos rechazaron los ajustes recomendados, escribieron notas en el modelo para explicar sus decisiones.

"TROI no siempre brinda recomendaciones completamente precisas, pero brinda una nueva perspectiva sobre cómo administrar la planta y desafía nuestras suposiciones", dijo Lulu Raymond, metalúrgica senior en Bagdad.

Mientras tanto, los sensores midieron el rendimiento del molino. Los algoritmos de aprendizaje automático del modelo registraron qué configuraciones mejoraron el rendimiento y cuáles no, y si las recomendaciones estaban ayudando.

El ágil equipo revisó los registros del modelo y las notas de los metalúrgicos todos los días, agregó elementos a la lista de actualizaciones que planeaba realizar y siguió trabajando en esas actualizaciones. A principios de diciembre, el equipo había refinado TROI hasta el punto de que los metalúrgicos aceptaban más del 80 por ciento de sus recomendaciones.

No pasó mucho tiempo antes de que los metalúrgicos y los operadores de molinos comenzaran a tratar de burlar a TROI. Supervisarían el tipo de mineral que pasa al molino, anticiparían las configuraciones de control que el modelo podría sugerir y aplicarían esas configuraciones antes de que el modelo hiciera sus recomendaciones dos veces al día (luego aumentadas a cada tres horas). Esto se convirtió en una especie de competencia: ¿Quién puede manejar el molino mejor que TROI?

Lo que es más importante, la producción de la planta aumentó sustancialmente. En el cuarto trimestre de 2018, la producción de Bagdad superó las 85 000 toneladas de mineral por día, un 10 % más que el trimestre anterior, mientras que su tasa de recuperación de cobre aumentó un punto porcentual y sus operaciones se volvieron más estables (gráfico). El trimestre siguiente, la producción de cobre en Bagdad volvió a aumentar.

Esas ganancias deberían impulsar la producción de cobre de Bagdad en 20 millones de libras por año, un aumento que ha permitido a Freeport-McMoRan evitar la mayor parte de la expansión de capital de $200 millones del complejo concentrador de Bagdad.

Creemos que esto es solo el comienzo para Freeport-McMoRan.

Habiendo aprendido a mantener TROI durante el proyecto, los metalúrgicos y científicos de datos de la compañía ahora ejecutan el modelo ellos mismos, sin el apoyo continuo de McKinsey. Estudian informes diarios y semanales que comparan el rendimiento de la planta con las predicciones de TROI y continúan mejorando la capacidad del modelo para hacer recomendaciones.

Los ejecutivos de Freeport-McMoRan también patrocinaron la creación de un segundo equipo ágil en Bagdad para probar y realizar mejoras en los procesos de la mina. Este equipo también está trabajando sin la ayuda de McKinsey, utilizando los métodos ágiles que aprendió en el proyecto del molino.

En otra de las minas de cobre de Arizona de Freeport-McMoRan, Morenci, los gerentes han iniciado un esfuerzo ágil y analítico como el de Bagdad. Y la compañía pronto lanzará su programa más ambicioso de este tipo en Cerro Verde, una mina de cobre en Perú con cinco veces la capacidad de Bagdad.

La era del operador está aquí y Freeport-McMoRan se está adaptando a ella con métodos ágiles y herramientas de IA.

Congrio rojoes presidente y director de operaciones, Américas, de Freeport-McMoRan.harry robinsones socio principal en la oficina del sur de California de McKinsey, yRichard Sellchopes socio de la oficina de Stamford.