← Blog

Visibilidad de Datos

La IA promete $230 mil millones en oil & gas. El problema es que el modelo de negocio los bloquea.

El potencial existe. Los pilotos funcionan. Y el valor igual se escapa. Un análisis de dónde concentrar, cómo escalar y por qué los contratos actuales bloquean el retorno.

Leo Giménez

Leo Giménez · CEO & Founder, Performy

Experto en ventas y comportamiento humano · 22 nov 2026 · 8 min

El número que todos citan pero pocos saben dónde está

El potencial de la IA en upstream oil & gas se estima en $230 mil millones de valor capturable, según análisis de McKinsey. Es un número que circula en cada conferencia del sector y aparece en casi toda presentación de estrategia tecnológica. El problema es que ese número rara vez viene acompañado de la pregunta correcta: ¿dónde está exactamente, quién lo captura y bajo qué condiciones?

El valor no está distribuido de forma uniforme. Algunos casos de uso concentran la mayor parte del retorno posible; la mayoría de los proyectos activos en la industria están atacando los de menor impacto. No porque el equipo sea incompetente, sino porque los de mayor impacto son los más difíciles de demostrar, los que más datos integrados requieren y —con frecuencia— los que más tensionan los contratos existentes.

El desafío real no es tecnológico. Es la combinación de tres problemas que rara vez se resuelven al mismo tiempo: dónde concentrar, cómo escalar desde el piloto y cómo estructurar el acuerdo de valor cuando la eficiencia generada reduce el volumen de actividad que muchos contratos remuneran.

Los tres frentes que concentran la mayor parte del valor

No todos los casos de uso de IA en upstream compiten en la misma liga. El patrón que se observa en la industria muestra una concentración clara en tres frentes, con perfiles de retorno, complejidad de implementación y velocidad de payback muy distintos:

Optimización de subsuperficie y yacimientos

Modelado de reservorios, planificación de pozos y gestión dinámica de producción. Mayor potencial de valor en términos absolutos; también la mayor complejidad de datos y la mayor dependencia de modelos interdisciplinarios.

Mantenimiento predictivo y confiabilidad

Detección de fallas antes de que ocurran, optimización de ciclos de intervención y reducción de tiempo no productivo (NPT) en instalaciones críticas. ROI más demostrable a corto plazo y más fácil de vincular a métricas contractuales.

Eficiencia en perforación

Reducción de días por pozo, optimización de parámetros en tiempo real y gestión proactiva de incidentes. Payback más rápido — y el más contencioso para las empresas de servicios (OFSE) que cobran por actividad.

La decisión de dónde empezar no es trivial. Empezar por el frente más simple de demostrar (mantenimiento predictivo) tiene sentido para construir credibilidad interna. Pero si el modelo contractual no está preparado para los otros dos, el techo de captura de valor es bajo desde el inicio.

Por qué los pilotos no se convierten en producción

La industria de activos intensivos tiene un patrón bien documentado: proyectos de IA que demuestran resultados en uno o dos pozos, luego se detienen. El "piloto purgatorio" no es una anomalía de esta industria — es el patrón de adopción por defecto cuando no hay una decisión activa de escalado.

Las causas más frecuentes que explican por qué un piloto exitoso no pasa a producción:

  1. Fragmentación de datos: los datos de producción, geológicos y operativos viven en sistemas distintos, con historiales de distinta calidad y sin un modelo de gobernanza que los integre. El piloto funcionó con datos seleccionados manualmente; a escala, ese proceso no es sostenible.
  2. Silos organizacionales: quien decide la tecnología no es quien opera el activo ni quien negocia el contrato. La falta de alineación entre el equipo digital, operaciones y comercial crea fricción en cada decisión de expansión.
  3. Incentivos desalineados: el equipo que implementa la IA no captura el upside si funciona. El ahorro generado va al P&L del operador; el prestador de servicios, que puso esfuerzo en la implementación, recibe la misma tarifa de siempre — o menos, si la eficiencia redujo su volumen facturable.
El problema no es probar que la IA funciona. Es probar que vale más que el costo organizacional de adoptarla a escala.

El nudo contractual: cuando la eficiencia reduce los ingresos

Aquí está la tensión más difícil de resolver. Una parte significativa de los contratos OFSE (empresas de equipos y servicios para la industria) remunera actividad: días de operación, metros perforados, horas de equipo. El modelo es simple y predecible — hasta que la IA entra a optimizar ese mismo proceso.

Si la IA permite perforar un pozo en 15 días en lugar de 20, el operador ahorra $5 días de tarifa diaria. El prestador de servicios perdió esos mismos ingresos. Incluso si ambas partes reconocen que el resultado operativo es mejor — menos riesgo, menos NPT, mejor calidad del pozo —, el modelo financiero del prestador se deteriora con cada mejora que la IA produce.

Esto crea un desincentivo estructural que no es racional ignorar. Los equipos de ventas de OFSE que llevan soluciones de IA a operadores enfrentan una paradoja: vender algo que, si funciona, reduce su propia base de ingresos. Es un problema de diseño contractual, no de tecnología ni de falta de convicción.

Vender algo que, si funciona, reduce tu base de ingresos no es un problema de tecnología. Es un problema de modelo de negocio.

Cómo replantear el modelo de valor compartido

Los equipos que están resolviendo esta tensión están migrando hacia modelos basados en resultados en lugar de actividad. No es un concepto nuevo en la industria — pero la IA le da urgencia porque hace que la brecha entre valor creado y valor capturado sea más visible y más rápida.

Tarifa base + bonificación por desempeño

El prestador mantiene un piso de ingresos y recibe upside si la IA genera eficiencia medible sobre una línea base acordada. El riesgo se comparte; el incentivo se alinea.

Modelos de riesgo/retorno

El prestador invierte en la implementación y recupera una proporción del ahorro generado sobre la baseline operativa. Requiere definir la baseline con precisión — lo que convierte cada conversación de venta en un acuerdo técnico que tiene que quedar documentado.

KPIs contractuales vinculados al valor

El NPT, el tiempo por pozo, el costo por barril equivalente, la disponibilidad de equipo — métricas de resultado que reemplazan las métricas de actividad como base de remuneración.

El denominador común de todos estos modelos es el mismo: alguien tiene que haber acordado, con precisión, qué significa éxito, cómo se va a medir y en qué plazo. Ese acuerdo no nace en un contrato legal — nace en conversaciones de venta y de implementación.

La visibilidad de datos como punto de partida, no de llegada

Antes de compartir valor hay que medirlo. Y para medir el valor comprometido en una venta compleja, hace falta rastrear qué se prometió, cómo se acordó medir el éxito y qué conversaciones definieron esos parámetros. Las revisiones de desempeño 12 o 18 meses después de un cierre dependen de acuerdos que, en la mayoría de los equipos, no quedaron registrados con precisión.

Cuando el éxito del contrato depende de demostrar que la IA redujo el NPT un 18% sobre una baseline acordada, y nadie recuerda con exactitud qué se definió como baseline en aquella reunión del tercer trimestre del año anterior, el caso de valor se vuelve una disputa en lugar de una conversación de expansión.

Este problema se agrava en deals con ciclos largos y múltiples interlocutores. El champion que entendió la propuesta de valor en profundidad puede haber cambiado de rol. El gerente de operaciones que acordó los KPIs de baseline puede no estar en la revisión anual. Sin visibilidad sobre qué fue dicho, cuándo y por quién, el equipo depende de la memoria colectiva — que rara vez es suficiente cuando el número que se tiene que defender es de ocho cifras.

El caso de valor no se defiende en la revisión anual. Se construye en cada conversación desde el primer contacto.

Por qué esto no debería gestionarse sin inteligencia de conversación

Todo lo anterior funciona como framework. El problema de fondo es que aplicarlo requiere visibilidad sobre cada conversación donde el caso de valor se definió, se negó y se acordó. Y esa visibilidad, en la mayoría de los equipos comerciales que venden soluciones complejas, simplemente no existe: depende de lo que un rep anotó, de lo que alguien recuerda y de lo que alguien tuvo tiempo de cargar al CRM después de una llamada de 90 minutos.

Es exactamente lo que Performy corre automáticamente sobre el 100% de las llamadas. Cada conversación donde se define la baseline de valor, donde el comprador dice qué KPIs le importan, donde se acuerda cómo se va a medir el éxito del contrato — queda capturada, estructurada y disponible. No dependes de los apuntes del rep. No pierdes el contexto cuando cambia un interlocutor. Y cuando llegue la revisión de desempeño, tienes evidencia de cada compromiso en lugar de una discusión sobre lo que "se supone que se acordó".

📋

Mapea el caso de valor de tus deals complejos antes de que sea tarde

45 minutos, tu equipo, los cinco deals más importantes de este trimestre. Identifica dónde está el valor prometido, cómo lo mide el contrato actual y qué conversación falta para cerrar esa brecha — antes de la próxima revisión de desempeño.

Leo Giménez

Leo Giménez · CEO & Founder, Performy

Experto en ventas y comportamiento humano. Autor de «Deja de intentar ser alguien».

Conectar en LinkedIn