{"id":12761,"date":"2026-10-27T22:01:49","date_gmt":"2026-10-28T01:01:49","guid":{"rendered":"https:\/\/convergencia.tech\/inicio\/?p=12761"},"modified":"2026-10-27T22:01:51","modified_gmt":"2026-10-28T01:01:51","slug":"entrenar-un-llm-para-mineria-o-petroleo-que-ventaja-da-el-modelo-resultante","status":"publish","type":"post","link":"https:\/\/convergencia.tech\/inicio\/entrenar-un-llm-para-mineria-o-petroleo-que-ventaja-da-el-modelo-resultante\/","title":{"rendered":"Entrenar un LLM para miner\u00eda o petr\u00f3leo: qu\u00e9 ventaja da el modelo resultante"},"content":{"rendered":"\n<p class=\"wp-block-paragraph\"><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Informe \u00b7 Octubre de 2026<\/p>\n\n\n\n<h2 class=\"wp-block-heading\"><a>Resumen ejecutivo<\/a><\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Entrenar un modelo base con datos de miner\u00eda o petr\u00f3leo da ventajas reales, pero acotadas: dominio de la jerga, formato constante, menor costo en tareas repetitivas y control de los datos. No da conocimiento actualizado y no reemplaza a un buen RAG.<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Entrenar son tres cosas distintas (desde cero, preentrenamiento continuado y fine-tuning), con costos muy diferentes.<\/li>\n\n\n\n<li>La ventaja principal est\u00e1 en el comportamiento (jerga, formato, criterio) y en el costo de tareas repetitivas. No est\u00e1 en memorizar hechos.<\/li>\n\n\n\n<li>Los hechos que cambian (precios, reservas, normativa, proyectos) van por RAG.<\/li>\n\n\n\n<li>Lo habitual y m\u00e1s econ\u00f3mico: un buen modelo general, m\u00e1s RAG y, si hace falta, un ajuste liviano con LoRA.<\/li>\n\n\n\n<li>Preentrenar desde cero casi nunca se justifica para una empresa de un sector.<\/li>\n\n\n\n<li>Todo modelo ajustado envejece cuando aparece una base mejor, as\u00ed que hace falta un conjunto de evaluaci\u00f3n propio para decidir cu\u00e1ndo repetir el trabajo.<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Las cifras de este informe son \u00f3rdenes de magnitud, no presupuestos.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\"><a>1. Tres formas de entrenar<\/a><\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">La palabra entrenar cubre trabajos muy distintos. Conviene separarlos antes de hablar de ventajas.<\/p>\n\n\n\n<figure class=\"wp-block-table\"><table class=\"has-fixed-layout\"><thead><tr><td>Opci\u00f3n<\/td><td>Qu\u00e9 hace<\/td><td>Datos<\/td><td>C\u00f3mputo<\/td><td>Cu\u00e1ndo tiene sentido<\/td><\/tr><\/thead><tbody><tr><td>Preentrenar desde cero<\/td><td>Entrena todos los pesos desde valores aleatorios<\/td><td>Del orden de billones de tokens<\/td><td>Cl\u00fasteres de miles de GPU durante semanas o meses<\/td><td>Pr\u00e1cticamente nunca para una empresa de un sector<\/td><\/tr><tr><td>Preentrenamiento continuado<\/td><td>Sigue entrenando todos los pesos de una base con un corpus del sector<\/td><td>Miles de millones a cientos de miles de millones de tokens del dominio<\/td><td>Muchas GPU durante d\u00edas o semanas<\/td><td>Hay un corpus grande y de calidad, con jerga poco cubierta por los modelos generales<\/td><\/tr><tr><td>Fine-tuning supervisado (SFT)<\/td><td>Ajusta el modelo con ejemplos de entrada y respuesta ideal<\/td><td>Cientos a decenas de miles de ejemplos curados<\/td><td>Una o pocas GPU; con LoRA o QLoRA, a veces una sola de gama alta para modelos medianos<\/td><td>Tareas concretas con formato y criterio definidos<\/td><\/tr><tr><td>Ajuste por preferencias<\/td><td>Ense\u00f1a cu\u00e1l de dos respuestas es mejor<\/td><td>Pares de respuestas comparadas por expertos<\/td><td>Similar al SFT<\/td><td>Pulir criterio y tono cuando el SFT ya funciona<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">LoRA merece una aclaraci\u00f3n, porque es la t\u00e9cnica m\u00e1s usada. En vez de modificar los miles de millones de pesos de la base, entrena unas matrices peque\u00f1as (adaptadores) que se suman a las originales. Se actualiza una fracci\u00f3n muy chica de los par\u00e1metros, as\u00ed que es m\u00e1s barato, m\u00e1s r\u00e1pido y el adaptador se puede guardar, cambiar o apagar sin tocar la base. QLoRA hace lo mismo sobre una base cuantizada para ahorrar memoria.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\"><a>2. Qu\u00e9 ventajas tiene el modelo resultante<\/a><\/h2>\n\n\n\n<h3 class=\"wp-block-heading\"><a>2.1 Jerga y formato<\/a><\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">El sector tiene vocabulario, unidades y estructuras propias. En miner\u00eda: informes t\u00e9cnicos tipo NI 43-101 o JORC, ley en gramos por tonelada, onzas, diferencia entre recursos y reservas. En petr\u00f3leo y gas: barriles y barriles equivalentes de petr\u00f3leo, clasificaci\u00f3n de reservas (1P, 2P, 3P), informes de pozo y registros.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Un modelo ajustado respeta esa terminolog\u00eda y esa estructura sin que haya que repetirlas en cada prompt. Eso mejora la consistencia y adem\u00e1s acorta el prompt final: menos tokens de instrucciones en cada consulta significa menos costo y menos latencia.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\"><a>2.2 Tareas acotadas, m\u00e1s baratas y r\u00e1pidas<\/a><\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Para tareas repetitivas y bien definidas (extraer campos de informes t\u00e9cnicos, clasificar documentos, resumir con una plantilla fija), un modelo chico ajustado puede igualar a uno general mucho m\u00e1s grande. Un modelo de 70.000 millones de par\u00e1metros a 4 bits ocupa unos 35 GB, y uno de 7.000 millones, unos 3,5 GB. Menos memoria implica menos hardware, menos latencia y menor costo por documento procesado.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\"><a>2.3 Privacidad y control<\/a><\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Un modelo propio puede correr en servidores propios. Los datos de exploraci\u00f3n, contratos e informes internos no salen hacia una API externa. Adem\u00e1s, la versi\u00f3n del modelo no cambia de golpe, a diferencia de un servicio al que el proveedor puede actualizar o retirar.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\"><a>2.4 El corpus propio como activo<\/a><\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Los datos curados y etiquetados por expertos del sector son lo m\u00e1s dif\u00edcil de copiar. Sirven para entrenar, para evaluar y para volver a ajustar sobre una base mejor en el futuro.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\"><a>3. Lo que el entrenamiento no resuelve<\/a><\/h2>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Hechos que cambian.<\/strong> Precios de commodities, reservas, normativa, proyectos y licencias se actualizan todo el tiempo. Reentrenar cada vez no es pr\u00e1ctico. Hay investigaci\u00f3n que sugiere que ense\u00f1ar hechos nuevos por fine-tuning puede aumentar las alucinaciones, y un RAG con fuentes citables es m\u00e1s f\u00e1cil de auditar.<\/li>\n\n\n\n<li><strong>Cifras exactas y c\u00e1lculos.<\/strong> El modelo predice texto, no calcula con garant\u00edas. Conversiones de unidades, valuaciones y promedios conviene hacerlos con herramientas de c\u00e1lculo.<\/li>\n\n\n\n<li><strong>P\u00e9rdida de capacidad general.<\/strong> Un ajuste agresivo puede degradar lo que el modelo hac\u00eda bien antes (olvido catastr\u00f3fico).<\/li>\n\n\n\n<li><strong>Envejecimiento.<\/strong> Cuando sale una base mejor, hay que repetir el trabajo. Seg\u00fan lo que conozco, y sin haberlo verificado en esta sesi\u00f3n, Bloomberg present\u00f3 en 2023 un modelo propio para finanzas de unos 50.000 millones de par\u00e1metros, y estudios posteriores mostraron que modelos generales m\u00e1s nuevos lo igualaban o superaban en varias tareas del sector.<\/li>\n\n\n\n<li><strong>Razonamiento t\u00e9cnico.<\/strong> Que un modelo haya le\u00eddo muchos informes geol\u00f3gicos no garantiza que razone bien sobre un yacimiento. Hay que medirlo.<\/li>\n\n\n\n<li><strong>Evaluaci\u00f3n.<\/strong> Sin un conjunto de pruebas propio no se sabe si el ajuste mejor\u00f3 algo.<\/li>\n<\/ul>\n\n\n\n<h2 class=\"wp-block-heading\"><a>4. Conocimiento y comportamiento: d\u00f3nde va cada cosa<\/a><\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">La regla pr\u00e1ctica es que el conocimiento va por RAG y el comportamiento va por fine-tuning.<\/p>\n\n\n\n<figure class=\"wp-block-table\"><table class=\"has-fixed-layout\"><thead><tr><td>Necesidad<\/td><td>Herramienta<\/td><td>Por qu\u00e9<\/td><\/tr><\/thead><tbody><tr><td>Datos actualizados (precios, reservas, normativa, proyectos)<\/td><td>RAG o herramienta con datos del d\u00eda<\/td><td>Cambian a diario, se actualizan sin reentrenar y se pueden citar<\/td><\/tr><tr><td>Documentos internos y archivo propio<\/td><td>RAG<\/td><td>Trazabilidad: se sabe de qu\u00e9 fuente sali\u00f3 cada dato<\/td><\/tr><tr><td>Estilo, estructura y terminolog\u00eda<\/td><td>Instrucciones fijas en el prompt o LoRA liviano<\/td><td>Es comportamiento, no conocimiento<\/td><\/tr><tr><td>C\u00e1lculos y conversiones<\/td><td>Herramientas de c\u00e1lculo<\/td><td>El modelo no garantiza exactitud num\u00e9rica<\/td><\/tr><tr><td>Extracci\u00f3n masiva de campos de PDFs t\u00e9cnicos<\/td><td>Modelo chico ajustado, m\u00e1s validaci\u00f3n<\/td><td>Menor costo por documento<\/td><\/tr><tr><td>Privacidad total<\/td><td>Modelo propio en servidores propios<\/td><td>Los datos no salen<\/td><\/tr><tr><td>Jerga muy especializada que el modelo general no entiende<\/td><td>Preentrenamiento continuado<\/td><td>Solo con un corpus grande y de calidad<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n<h2 class=\"wp-block-heading\"><a>5. C\u00f3mo encaja en el mapa de niveles<\/a><\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">En el esquema de cuatro niveles del manual para principiantes, entrenar toca un solo nivel.<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Nivel 3, el modelo:<\/strong> cambian los pesos, o se le suman adaptadores LoRA. El resultado sigue siendo un archivo de matrices, y los pesos siguen siendo datos pasivos.<\/li>\n\n\n\n<li><strong>Nivel 1, el arn\u00e9s:<\/strong> no cambia. El RAG sigue entrando por el prompt final como texto.<\/li>\n\n\n\n<li><strong>Nivel 2, el motor de inferencia:<\/strong> no cambia en lo esencial. Muchos motores permiten cargar la base una sola vez y aplicar distintos adaptadores seg\u00fan la tarea.<\/li>\n\n\n\n<li><strong>Nivel 4, el hardware:<\/strong> lo define el tama\u00f1o de la base. Entre 7.000 y 70.000 millones de par\u00e1metros alcanza con una o pocas GPU. Un modelo de billones de par\u00e1metros ya es de datacenter.<\/li>\n\n\n\n<li><strong>Tokens:<\/strong> el ajuste no cambia el tokenizador de la base. Los t\u00e9rminos t\u00e9cnicos raros (nombres geol\u00f3gicos, siglas, compuestos) se parten en varios tokens y ocupan m\u00e1s contexto, y eso no se corrige entrenando.<\/li>\n<\/ul>\n\n\n\n<h2 class=\"wp-block-heading\"><a>6. Qu\u00e9 datos hacen falta<\/a><\/h2>\n\n\n\n<figure class=\"wp-block-table\"><table class=\"has-fixed-layout\"><thead><tr><td>Tipo de dato<\/td><td>Ejemplos<\/td><td>Para qu\u00e9 sirve<\/td><\/tr><\/thead><tbody><tr><td>Documentos t\u00e9cnicos<\/td><td>Informes NI 43-101 o JORC, estudios de factibilidad, informes de pozo, reportes de reservas, normativa<\/td><td>Preentrenamiento continuado, o RAG<\/td><\/tr><tr><td>Pares de entrada y salida curados por expertos<\/td><td>Informe m\u00e1s la ficha de campos correcta<\/td><td>Fine-tuning supervisado<\/td><\/tr><tr><td>Respuestas comparadas<\/td><td>Dos res\u00famenes con cu\u00e1l es mejor y por qu\u00e9<\/td><td>Ajuste por preferencias<\/td><\/tr><tr><td>Conjunto de evaluaci\u00f3n<\/td><td>50 a 200 casos con respuesta de referencia<\/td><td>Siempre, antes y despu\u00e9s<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">Puntos a cuidar:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>La calidad pesa m\u00e1s que la cantidad: pocos ejemplos buenos rinden m\u00e1s que muchos ruidosos.<\/li>\n\n\n\n<li>Extraer bien las tablas, los mapas y los PDFs escaneados suele ser el cuello de botella.<\/li>\n\n\n\n<li>Verificar derechos de uso y confidencialidad de cada documento.<\/li>\n\n\n\n<li>Fechar los datos, para no mezclar informaci\u00f3n vieja con vigente.<\/li>\n<\/ul>\n\n\n\n<h2 class=\"wp-block-heading\"><a>7. Plan paso a paso para empezar sin gastar de m\u00e1s<\/a><\/h2>\n\n\n\n<ol class=\"wp-block-list\">\n<li>Definir una tarea concreta y la m\u00e9trica de \u00e9xito (por ejemplo, porcentaje de campos extra\u00eddos correctamente).<\/li>\n\n\n\n<li>Armar el conjunto de evaluaci\u00f3n con casos reales y respuestas de referencia, y no tocarlo durante el entrenamiento.<\/li>\n\n\n\n<li>Medir primero un modelo general bueno con instrucciones claras y RAG. Esa es la l\u00ednea de base.<\/li>\n\n\n\n<li>Si falta formato, estilo o criterio, hacer fine-tuning liviano con LoRA sobre ejemplos curados.<\/li>\n\n\n\n<li>Evaluar contra la l\u00ednea de base y decidir con n\u00fameros, no con impresiones.<\/li>\n\n\n\n<li>Considerar preentrenamiento continuado solo si hay un corpus muy grande y la jerga sigue fallando.<\/li>\n\n\n\n<li>Mantener: reevaluar cada vez que aparezca una base mejor, y repetir el ajuste si conviene.<\/li>\n<\/ol>\n\n\n\n<h2 class=\"wp-block-heading\"><a>8. Riesgos<\/a><\/h2>\n\n\n\n<figure class=\"wp-block-table\"><table class=\"has-fixed-layout\"><thead><tr><td>Riesgo<\/td><td>Qu\u00e9 pasa<\/td><td>C\u00f3mo mitigarlo<\/td><\/tr><\/thead><tbody><tr><td>Alucinaciones con apariencia t\u00e9cnica<\/td><td>El modelo escribe cifras plausibles pero falsas<\/td><td>Exigir fuentes, validar cada n\u00famero contra los documentos y usar RAG para datos<\/td><\/tr><tr><td>Datos desactualizados<\/td><td>Responde con informaci\u00f3n vieja como si fuera vigente<\/td><td>Mantener la informaci\u00f3n vigente fuera de los pesos<\/td><\/tr><tr><td>P\u00e9rdida de capacidad general<\/td><td>El ajuste degrada otras habilidades<\/td><td>Ajuste liviano y evaluaci\u00f3n amplia<\/td><\/tr><tr><td>Datos confidenciales en el entrenamiento<\/td><td>El modelo podr\u00eda reproducirlos<\/td><td>Curar el corpus y controlar qui\u00e9n usa el modelo<\/td><\/tr><tr><td>Derechos de autor y licencias<\/td><td>Uso de documentos sin permiso<\/td><td>Revisar la procedencia de cada fuente<\/td><\/tr><tr><td>Obsolescencia de la base<\/td><td>Una base nueva supera al modelo ajustado<\/td><td>Conservar los datos y el set de evaluaci\u00f3n para repetir el ajuste<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n<h2 class=\"wp-block-heading\"><a>9. Decisi\u00f3n r\u00e1pida<\/a><\/h2>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Conviene ajustar un modelo si:<\/strong><\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>la tarea es repetitiva y de alto volumen;<\/li>\n\n\n\n<li>el formato y el criterio importan m\u00e1s que los datos del d\u00eda;<\/li>\n\n\n\n<li>hay datos curados y expertos que los validen;<\/li>\n\n\n\n<li>la privacidad o el costo por documento justifican infraestructura propia.<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Conviene empezar por RAG y un modelo general si:<\/strong><\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>los datos cambian a diario;<\/li>\n\n\n\n<li>hace falta citar fuentes;<\/li>\n\n\n\n<li>no hay todav\u00eda un conjunto de ejemplos curados ni de evaluaci\u00f3n;<\/li>\n\n\n\n<li>se quiere validar la idea antes de invertir en entrenamiento.<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Lo m\u00e1s frecuente es combinar ambos: RAG para el conocimiento vigente y un ajuste liviano para el estilo y la estructura.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\"><a>10. Glosario<\/a><\/h2>\n\n\n\n<figure class=\"wp-block-table\"><table class=\"has-fixed-layout\"><thead><tr><td>T\u00e9rmino<\/td><td>Significado<\/td><\/tr><\/thead><tbody><tr><td>Modelo base<\/td><td>Modelo preentrenado sobre el que se construye; todav\u00eda no sigue bien instrucciones<\/td><\/tr><tr><td>Preentrenamiento<\/td><td>Entrenamiento inicial sobre enormes vol\u00famenes de texto<\/td><\/tr><tr><td>Preentrenamiento continuado<\/td><td>Seguir entrenando una base con un corpus de un dominio<\/td><\/tr><tr><td>Fine-tuning (SFT)<\/td><td>Ajuste supervisado con ejemplos de entrada y respuesta ideal<\/td><\/tr><tr><td>LoRA \/ QLoRA<\/td><td>T\u00e9cnica que entrena adaptadores peque\u00f1os en lugar de todos los pesos; QLoRA lo hace sobre una base cuantizada<\/td><\/tr><tr><td>Adaptador<\/td><td>Conjunto chico de matrices que se suma a los pesos de la base<\/td><\/tr><tr><td>Olvido catastr\u00f3fico<\/td><td>P\u00e9rdida de habilidades previas por un ajuste excesivo<\/td><\/tr><tr><td>RAG<\/td><td>Recuperar informaci\u00f3n y agregarla al prompt, sin cambiar los pesos<\/td><\/tr><tr><td>Conjunto de evaluaci\u00f3n<\/td><td>Casos de prueba con respuesta de referencia para medir el modelo<\/td><\/tr><tr><td>L\u00ednea de base<\/td><td>Resultado del modelo general sin ajustar, contra el que se compara<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n<h2 class=\"wp-block-heading\"><a>Anexo: casos reales en el sector petrolero<\/a><\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Este anexo re\u00fane lo que se encontr\u00f3 en fuentes p\u00fablicas hasta octubre de 2026. Casi todo es informaci\u00f3n que comunican las propias empresas o sus proveedores, sin auditor\u00edas independientes, as\u00ed que las cifras sirven de orientaci\u00f3n.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\"><a>A.1 Shell: adaptar un modelo base abierto<\/a><\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Shell tom\u00f3 un modelo abierto (Llama) y lo adapt\u00f3 con el framework NVIDIA NeMo. Combin\u00f3 dos de las opciones de la secci\u00f3n 1: preentrenamiento continuado (en la terminolog\u00eda de la empresa, DAPT) y fine-tuning supervisado (SFT). Lo hizo adem\u00e1s del RAG, no en su lugar.<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Cur\u00f3 primero los datos: armar un corpus de alta calidad fue la base del proyecto.<\/li>\n\n\n\n<li>Gener\u00f3 datos sint\u00e9ticos, que despu\u00e9s hubo que verificar. Descubri\u00f3 que mezclar SFT con DAPT mejoraba mucho la incorporaci\u00f3n de conocimiento.<\/li>\n\n\n\n<li>Arm\u00f3 benchmarks propios para comprobar que el modelo captara bien sus dominios t\u00e9cnicos.<\/li>\n\n\n\n<li>Resultado reportado: 26 % m\u00e1s de precisi\u00f3n que los modelos Llama sin ajustar y 30 % de mejora en comprensi\u00f3n del dominio en los benchmarks de Shell. Son mediciones sobre pruebas internas.<\/li>\n\n\n\n<li>Motivo: necesitaba capacidades de personalizaci\u00f3n que los productos del mercado no ofrec\u00edan.<\/li>\n<\/ul>\n\n\n\n<h3 class=\"wp-block-heading\"><a>A.2 YPF: agentes y monitoreo en tiempo real<\/a><\/h3>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Centro de monitoreo en tiempo real (RTIC): usa anal\u00edtica avanzada e IA para optimizar el upstream y hacer ajustes operativos de forma remota. La prensa regional reporta que monitorea m\u00e1s de 2.000 pozos de Vaca Muerta.<\/li>\n\n\n\n<li>Plaza Huincul: en diciembre de 2025 inaugur\u00f3 una sala integrada de control operativo con cinco agentes de IA entrenados para resolver consultas t\u00e9cnicas, optimizar procesos y dar datos a los operadores.<\/li>\n\n\n\n<li>Cadena de suministro: junto con Globant lanz\u00f3 Digital Suppl.AI, una plataforma con 46 agentes de IA en ocho soluciones ag\u00e9nticas para abastecimiento, inventarios, contratos y proveedores.<\/li>\n\n\n\n<li>Comercial: la App YPF se potencia con IA como parte de su transici\u00f3n a billetera interoperable.<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Las fuentes no aclaran si hay fine-tuning de un modelo base o agentes configurados sobre un modelo general. No se puede afirmar cu\u00e1l de las dos cosas es.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\"><a>A.3 Otras petroleras<\/a><\/h3>\n\n\n\n<figure class=\"wp-block-table\"><table class=\"has-fixed-layout\"><thead><tr><td>Empresa<\/td><td>Qu\u00e9 se reporta<\/td><td>Estado de la evidencia<\/td><\/tr><\/thead><tbody><tr><td>Aramco<\/td><td>Metabrain, lanzado en marzo de 2024 y presentado como LLM industrial: 7.000 millones de par\u00e1metros y 90 a\u00f1os de datos de la compa\u00f1\u00eda. En enero de 2025 se anunci\u00f3 el desarrollo de uno de 1 bill\u00f3n de par\u00e1metros<\/td><td>No se confirm\u00f3 que el modelo mayor est\u00e9 terminado ni si Metabrain parte de una base ajustada<\/td><\/tr><tr><td>ExxonMobil<\/td><td>Perforaci\u00f3n automatizada en Guyana con Halliburton, con 33 % menos de tiempo de maniobras; busca especialistas en IA generativa para subsuelo y operaciones de pozo<\/td><td>Cifra comunicada por la compa\u00f1\u00eda y su socio<\/td><\/tr><tr><td>BP<\/td><td>Fue de las primeras en probar Copilot de Microsoft<\/td><td>Uso de un modelo de terceros<\/td><\/tr><tr><td>Tecpetrol<\/td><td>En Fort\u00edn de Piedra baj\u00f3 la perforaci\u00f3n de 40 a 16 d\u00edas y duplic\u00f3 las etapas de fractura por jornada, con IA, machine learning y un centro de operaciones en tiempo real<\/td><td>Cifra de la empresa; no a\u00edsla el aporte de la IA<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">Tendencia general: seg\u00fan un an\u00e1lisis de BMI, la adopci\u00f3n de IA es despareja. Lideran las grandes petroleras y algunas estatales, con apoyo de socios como SLB, Halliburton, Microsoft y NVIDIA, mientras que el 57 % de las exploradoras y productoras chicas ni la usa ni planea usarla (31 % en las grandes). El sector tambi\u00e9n reporta falta de especialistas en IA. Una nota de la SPE (JPT) de principios de 2024 ya se\u00f1alaba que las petroleras apuntaban al fine-tuning de modelos base, muchas de forma silenciosa.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\"><a>A.4 Lecciones para este informe<\/a><\/h3>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Quien ajusta modelos base de forma documentada (Shell) tiene un corpus enorme de d\u00e9cadas, equipos de datos y un benchmark propio.<\/li>\n\n\n\n<li>Ni siquiera Shell abandona el RAG: ajusta el modelo y adem\u00e1s recupera informaci\u00f3n.<\/li>\n\n\n\n<li>La mayor\u00eda de los casos p\u00fablicos son agentes, centros de monitoreo y modelos de uso general sobre datos propios, m\u00e1s que modelos entrenados por la empresa.<\/li>\n\n\n\n<li>Lo que permiti\u00f3 medir la mejora fue un conjunto de evaluaci\u00f3n propio, algo que el plan de la secci\u00f3n 7 pone como segundo paso.<\/li>\n\n\n\n<li>Conviene leer con cuidado las cifras de mejora: casi todas las comunican las empresas o sus proveedores.<\/li>\n<\/ul>\n\n\n\n<h3 class=\"wp-block-heading\"><a>A.5 Fuentes consultadas<\/a><\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">NVIDIA (caso de estudio de Shell con NeMo), Weights &amp; Biases (caso de Shell), JPT de la SPE, iProfesional, M\u00e1s Energ\u00eda de LM Neuqu\u00e9n, Forbes Argentina y Revista Econom\u00eda (Digital Suppl.AI), Energy Today (an\u00e1lisis de BMI), Sharikat Mubasher (Aramco) y Fortune.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Informe \u00b7 Octubre de 2026 Resumen ejecutivo Entrenar un modelo base con datos de miner\u00eda o petr\u00f3leo da ventajas reales, pero acotadas: dominio de la jerga, formato constante, menor costo en tareas repetitivas y control de los datos. No da conocimiento actualizado y no reemplaza a un buen RAG. Las cifras de este informe son [&hellip;]<\/p>\n","protected":false},"author":2,"featured_media":10318,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[4],"tags":[],"class_list":["post-12761","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai"],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v26.0 - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>Entrenar un LLM para miner\u00eda o petr\u00f3leo: qu\u00e9 ventaja da el modelo resultante - Convergencia.tech<\/title>\n<meta name=\"description\" content=\"Entrenar un LLM para miner\u00eda o petr\u00f3leo: qu\u00e9 ventaja da el modelo resultante\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/convergencia.tech\/inicio\/entrenar-un-llm-para-mineria-o-petroleo-que-ventaja-da-el-modelo-resultante\/\" \/>\n<meta property=\"og:locale\" content=\"es_ES\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Entrenar un LLM para miner\u00eda o petr\u00f3leo: qu\u00e9 ventaja da el modelo resultante - Convergencia.tech\" \/>\n<meta property=\"og:description\" content=\"Entrenar un LLM para miner\u00eda o petr\u00f3leo: qu\u00e9 ventaja da el modelo resultante\" \/>\n<meta property=\"og:url\" content=\"https:\/\/convergencia.tech\/inicio\/entrenar-un-llm-para-mineria-o-petroleo-que-ventaja-da-el-modelo-resultante\/\" \/>\n<meta property=\"og:site_name\" content=\"Convergencia.tech\" \/>\n<meta property=\"article:published_time\" content=\"2026-10-28T01:01:49+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2026-10-28T01:01:51+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/convergencia.tech\/inicio\/wp-content\/uploads\/2026\/01\/dff61eac-668f-483c-97e7-b6d2a58cb66b.jpg\" \/>\n\t<meta property=\"og:image:width\" content=\"1280\" \/>\n\t<meta property=\"og:image:height\" content=\"720\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/jpeg\" \/>\n<meta name=\"author\" content=\"Claudio R Parrinello\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Escrito por\" \/>\n\t<meta name=\"twitter:data1\" content=\"Claudio R Parrinello\" \/>\n\t<meta name=\"twitter:label2\" content=\"Tiempo de lectura\" \/>\n\t<meta name=\"twitter:data2\" content=\"12 minutos\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\/\/convergencia.tech\/inicio\/entrenar-un-llm-para-mineria-o-petroleo-que-ventaja-da-el-modelo-resultante\/\",\"url\":\"https:\/\/convergencia.tech\/inicio\/entrenar-un-llm-para-mineria-o-petroleo-que-ventaja-da-el-modelo-resultante\/\",\"name\":\"Entrenar un LLM para miner\u00eda o petr\u00f3leo: qu\u00e9 ventaja da el modelo resultante - Convergencia.tech\",\"isPartOf\":{\"@id\":\"https:\/\/convergencia.tech\/inicio\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\/\/convergencia.tech\/inicio\/entrenar-un-llm-para-mineria-o-petroleo-que-ventaja-da-el-modelo-resultante\/#primaryimage\"},\"image\":{\"@id\":\"https:\/\/convergencia.tech\/inicio\/entrenar-un-llm-para-mineria-o-petroleo-que-ventaja-da-el-modelo-resultante\/#primaryimage\"},\"thumbnailUrl\":\"https:\/\/convergencia.tech\/inicio\/wp-content\/uploads\/2026\/01\/dff61eac-668f-483c-97e7-b6d2a58cb66b.jpg\",\"datePublished\":\"2026-10-28T01:01:49+00:00\",\"dateModified\":\"2026-10-28T01:01:51+00:00\",\"author\":{\"@id\":\"https:\/\/convergencia.tech\/inicio\/#\/schema\/person\/e5fe6aa8f1c43ac4a89cbdff073f62d4\"},\"description\":\"Entrenar un LLM para miner\u00eda o petr\u00f3leo: qu\u00e9 ventaja da el modelo resultante\",\"breadcrumb\":{\"@id\":\"https:\/\/convergencia.tech\/inicio\/entrenar-un-llm-para-mineria-o-petroleo-que-ventaja-da-el-modelo-resultante\/#breadcrumb\"},\"inLanguage\":\"es\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/convergencia.tech\/inicio\/entrenar-un-llm-para-mineria-o-petroleo-que-ventaja-da-el-modelo-resultante\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"es\",\"@id\":\"https:\/\/convergencia.tech\/inicio\/entrenar-un-llm-para-mineria-o-petroleo-que-ventaja-da-el-modelo-resultante\/#primaryimage\",\"url\":\"https:\/\/convergencia.tech\/inicio\/wp-content\/uploads\/2026\/01\/dff61eac-668f-483c-97e7-b6d2a58cb66b.jpg\",\"contentUrl\":\"https:\/\/convergencia.tech\/inicio\/wp-content\/uploads\/2026\/01\/dff61eac-668f-483c-97e7-b6d2a58cb66b.jpg\",\"width\":1280,\"height\":720},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/convergencia.tech\/inicio\/entrenar-un-llm-para-mineria-o-petroleo-que-ventaja-da-el-modelo-resultante\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Portada\",\"item\":\"https:\/\/convergencia.tech\/inicio\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Entrenar un LLM para miner\u00eda o petr\u00f3leo: qu\u00e9 ventaja da el modelo resultante\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/convergencia.tech\/inicio\/#website\",\"url\":\"https:\/\/convergencia.tech\/inicio\/\",\"name\":\"Convergencia.tech\",\"description\":\"Convergencia.tech\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/convergencia.tech\/inicio\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"es\"},{\"@type\":\"Person\",\"@id\":\"https:\/\/convergencia.tech\/inicio\/#\/schema\/person\/e5fe6aa8f1c43ac4a89cbdff073f62d4\",\"name\":\"Claudio R Parrinello\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"es\",\"@id\":\"https:\/\/convergencia.tech\/inicio\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/secure.gravatar.com\/avatar\/4bf26232b2090e32e55cf27d62bd64c1bc43df22f09309d12add5fb6b68e7182?s=96&d=mm&r=g\",\"contentUrl\":\"https:\/\/secure.gravatar.com\/avatar\/4bf26232b2090e32e55cf27d62bd64c1bc43df22f09309d12add5fb6b68e7182?s=96&d=mm&r=g\",\"caption\":\"Claudio R Parrinello\"},\"url\":\"https:\/\/convergencia.tech\/inicio\/author\/c2421210\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Entrenar un LLM para miner\u00eda o petr\u00f3leo: qu\u00e9 ventaja da el modelo resultante - Convergencia.tech","description":"Entrenar un LLM para miner\u00eda o petr\u00f3leo: qu\u00e9 ventaja da el modelo resultante","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/convergencia.tech\/inicio\/entrenar-un-llm-para-mineria-o-petroleo-que-ventaja-da-el-modelo-resultante\/","og_locale":"es_ES","og_type":"article","og_title":"Entrenar un LLM para miner\u00eda o petr\u00f3leo: qu\u00e9 ventaja da el modelo resultante - Convergencia.tech","og_description":"Entrenar un LLM para miner\u00eda o petr\u00f3leo: qu\u00e9 ventaja da el modelo resultante","og_url":"https:\/\/convergencia.tech\/inicio\/entrenar-un-llm-para-mineria-o-petroleo-que-ventaja-da-el-modelo-resultante\/","og_site_name":"Convergencia.tech","article_published_time":"2026-10-28T01:01:49+00:00","article_modified_time":"2026-10-28T01:01:51+00:00","og_image":[{"width":1280,"height":720,"url":"https:\/\/convergencia.tech\/inicio\/wp-content\/uploads\/2026\/01\/dff61eac-668f-483c-97e7-b6d2a58cb66b.jpg","type":"image\/jpeg"}],"author":"Claudio R Parrinello","twitter_card":"summary_large_image","twitter_misc":{"Escrito por":"Claudio R Parrinello","Tiempo de lectura":"12 minutos"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/convergencia.tech\/inicio\/entrenar-un-llm-para-mineria-o-petroleo-que-ventaja-da-el-modelo-resultante\/","url":"https:\/\/convergencia.tech\/inicio\/entrenar-un-llm-para-mineria-o-petroleo-que-ventaja-da-el-modelo-resultante\/","name":"Entrenar un LLM para miner\u00eda o petr\u00f3leo: qu\u00e9 ventaja da el modelo resultante - Convergencia.tech","isPartOf":{"@id":"https:\/\/convergencia.tech\/inicio\/#website"},"primaryImageOfPage":{"@id":"https:\/\/convergencia.tech\/inicio\/entrenar-un-llm-para-mineria-o-petroleo-que-ventaja-da-el-modelo-resultante\/#primaryimage"},"image":{"@id":"https:\/\/convergencia.tech\/inicio\/entrenar-un-llm-para-mineria-o-petroleo-que-ventaja-da-el-modelo-resultante\/#primaryimage"},"thumbnailUrl":"https:\/\/convergencia.tech\/inicio\/wp-content\/uploads\/2026\/01\/dff61eac-668f-483c-97e7-b6d2a58cb66b.jpg","datePublished":"2026-10-28T01:01:49+00:00","dateModified":"2026-10-28T01:01:51+00:00","author":{"@id":"https:\/\/convergencia.tech\/inicio\/#\/schema\/person\/e5fe6aa8f1c43ac4a89cbdff073f62d4"},"description":"Entrenar un LLM para miner\u00eda o petr\u00f3leo: qu\u00e9 ventaja da el modelo resultante","breadcrumb":{"@id":"https:\/\/convergencia.tech\/inicio\/entrenar-un-llm-para-mineria-o-petroleo-que-ventaja-da-el-modelo-resultante\/#breadcrumb"},"inLanguage":"es","potentialAction":[{"@type":"ReadAction","target":["https:\/\/convergencia.tech\/inicio\/entrenar-un-llm-para-mineria-o-petroleo-que-ventaja-da-el-modelo-resultante\/"]}]},{"@type":"ImageObject","inLanguage":"es","@id":"https:\/\/convergencia.tech\/inicio\/entrenar-un-llm-para-mineria-o-petroleo-que-ventaja-da-el-modelo-resultante\/#primaryimage","url":"https:\/\/convergencia.tech\/inicio\/wp-content\/uploads\/2026\/01\/dff61eac-668f-483c-97e7-b6d2a58cb66b.jpg","contentUrl":"https:\/\/convergencia.tech\/inicio\/wp-content\/uploads\/2026\/01\/dff61eac-668f-483c-97e7-b6d2a58cb66b.jpg","width":1280,"height":720},{"@type":"BreadcrumbList","@id":"https:\/\/convergencia.tech\/inicio\/entrenar-un-llm-para-mineria-o-petroleo-que-ventaja-da-el-modelo-resultante\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Portada","item":"https:\/\/convergencia.tech\/inicio\/"},{"@type":"ListItem","position":2,"name":"Entrenar un LLM para miner\u00eda o petr\u00f3leo: qu\u00e9 ventaja da el modelo resultante"}]},{"@type":"WebSite","@id":"https:\/\/convergencia.tech\/inicio\/#website","url":"https:\/\/convergencia.tech\/inicio\/","name":"Convergencia.tech","description":"Convergencia.tech","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/convergencia.tech\/inicio\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"es"},{"@type":"Person","@id":"https:\/\/convergencia.tech\/inicio\/#\/schema\/person\/e5fe6aa8f1c43ac4a89cbdff073f62d4","name":"Claudio R Parrinello","image":{"@type":"ImageObject","inLanguage":"es","@id":"https:\/\/convergencia.tech\/inicio\/#\/schema\/person\/image\/","url":"https:\/\/secure.gravatar.com\/avatar\/4bf26232b2090e32e55cf27d62bd64c1bc43df22f09309d12add5fb6b68e7182?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/4bf26232b2090e32e55cf27d62bd64c1bc43df22f09309d12add5fb6b68e7182?s=96&d=mm&r=g","caption":"Claudio R Parrinello"},"url":"https:\/\/convergencia.tech\/inicio\/author\/c2421210\/"}]}},"amp_enabled":true,"_links":{"self":[{"href":"https:\/\/convergencia.tech\/inicio\/wp-json\/wp\/v2\/posts\/12761","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/convergencia.tech\/inicio\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/convergencia.tech\/inicio\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/convergencia.tech\/inicio\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/convergencia.tech\/inicio\/wp-json\/wp\/v2\/comments?post=12761"}],"version-history":[{"count":1,"href":"https:\/\/convergencia.tech\/inicio\/wp-json\/wp\/v2\/posts\/12761\/revisions"}],"predecessor-version":[{"id":12762,"href":"https:\/\/convergencia.tech\/inicio\/wp-json\/wp\/v2\/posts\/12761\/revisions\/12762"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/convergencia.tech\/inicio\/wp-json\/wp\/v2\/media\/10318"}],"wp:attachment":[{"href":"https:\/\/convergencia.tech\/inicio\/wp-json\/wp\/v2\/media?parent=12761"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/convergencia.tech\/inicio\/wp-json\/wp\/v2\/categories?post=12761"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/convergencia.tech\/inicio\/wp-json\/wp\/v2\/tags?post=12761"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}