KI im Bergbau zahlt sich aus: McKinsey sieht erste Gewinne
Fünfzehn von 19 großen Bergbauunternehmen melden finanzielle Gewinne durch künstliche Intelligenz – ein deutlicher Sprung.
Künstliche Intelligenz (KI) beginnt sich im Bergbau tatsächlich auszuzahlen. Fünfzehn der 19 von McKinsey verfolgten großen Bergbauunternehmen verzeichneten im dritten Quartal bis zum 11. September finanzielle Gewinne durch KI – ein deutlicher Anstieg gegenüber nur vier Unternehmen im Vorquartal. Damit geht die Technologie offenbar über reine Pilotprojekte hinaus.
Nach Schätzungen der in New York ansässigen Beratungsfirma könnte KI das Ergebnis vor Zinsen, Steuern, Abschreibungen und Amortisation (EBITDA) der Bergbauunternehmen um 10% bis 15% steigern. Möglich werde dies, indem die Produktion um etwa 5% erhöht und die direkten C1-Cash-Kosten um rund 10% gesenkt werden. Die Aufbereitung führt dabei mit zehn der 19 Unternehmen, die einen Einfluss auf das Endergebnis durch KI in ihren Anlagen meldeten.
„Ein Haufen von KI-Initiativen ist keine Transformation“, sagte Ferran Pujol, Partner von McKinsey mit Sitz in Santiago, der die globale Energie- und Materialpraxis in Lateinamerika leitet, am Montag auf dem Mining Forum Americas in Colorado Springs. „Der Test besteht darin, ob sich das Geschäftsfeld anders verhält, nicht ob wir bessere Werkzeuge haben.“
Erste Datenpunkte mit Vorbehalt
Der Sprung deutet darauf hin, dass Bergbauunternehmen möglicherweise endlich Jahre der Experimente in operative Gewinne umwandeln. Doch McKinsey bezeichnet die Summe als „realisierte Wertansprüche“ und nennt weder die Namen der Bergbauunternehmen noch den Dollarwert der Gewinne. Pujol nannte die Zahl für das unvollständige Quartal einen ersten Datenpunkt, der noch einer Bestätigung bedarf. Der nächste Test besteht nun darin, ob die Unternehmen die Gewinne aufrechterhalten, sie von Rohstoffpreisen und normalen operativen Veränderungen abgrenzen und sie auf mehrere Minen übertragen können.
Um zu bewerten, wie weit die Anwendungen von KI im Bergbau fortgeschritten sind, teilte McKinsey diese in vier Kategorien nach Evidenzgrad ein. Den höchsten Evidenzgrad „im Gewinn- und Verlustkonto nachgewiesen“ vergibt McKinsey für ein KI-Tool in der Produktion, bei dem eine Finanzkennzahl in den Ergebnissen oder einem regulatorischen Bericht offengelegt wurde. Die nächsthöhere Stufe, „nachgewiesen“, erforderte, dass ein Unternehmen das Tool eingesetzt und seine Wirkung quantifiziert hatte. Bei aufstrebenden Tools war nur einer dieser Tests erfüllt, während aspirationale Anwendungen noch nicht in die Produktion eingetreten waren.
Der Einsatz von KI zur Anpassung von Mühlen- und Flotierungseinstellungen war die einzige Anwendung in der Aufbereitung, die die höchste Evidenzkategorie von McKinsey erreichte. McKinsey bewertete Computer Vision sowie Erzvermischung und Optimierung der Lagerbestände als nachgewiesen, während Laugung und Optimierung von Wasser und Reagenzien weiterhin als aufstrebend galten. Pujol sagte, dass Anlagen Modelle nutzen, um Erzcharakteristika vom Blockmodell bis zur Mühle zu verfolgen, die beste Mischung auszuwählen und Betriebseinstellungen anzupassen. Die fortschrittlichsten Unternehmen verbinden die Modelle direkt mit den Anlagensteuerungen und verschieben die Rolle der Bediener vom manuellen Einstellen von Variablen hin zur Überwachung und Verbesserung der Modelle.
Instandhaltung als Werttreiber
Auch die Instandhaltung schnitt stark ab. Die Planung und Optimierung von Stilllegungsphasen erreichte die oberste Kategorie, während die vorausschauende Instandhaltung für Minenflotten und Anlagen als nachgewiesen eingestuft wurde. Trotz der Aufmerksamkeit, die der vorausschauenden Instandhaltung zuteilwird, sagte Pujol, dass der Großteil des Werts aus der Planungs- und Stilllegungsoptimierung stammt.
Ravikanth „Ravi“ Malladi, Senior Advisor für Daten und KI bei Freeport-McMoRan (NYSE: FCX), sagte, Minen gewännen dadurch, dass Ausrüstung entsprechend ihrem Zustand statt nach festen Zeitplänen oder nach Ausfällen gewartet werde. Schlechte Grundpraktiken könnten die Technologie jedoch zunichtemachen. „Man kann eine Ölprobe nehmen“, sagte Malladi. „Wenn die Ölprobe das Labor nicht erreicht und die Daten nicht in Ihr System gelangen, also Ihr fundamentales System der Aufzeichnungen, habe ich Angst, dass KI kaum Fortschritte erzielen kann.“
Die Evidenz dünnt jenseits der Anlage aus. McKinsey stuft digitale Zwillinge von Minen und Anlagen als nachgewiesen ein, klassifiziert jedoch die anderen acht Anwendungen für die Minenplanung und den Betrieb als aufstrebend oder aspirational. Dazu gehörten Minenplanung, Bohr- und Sprengdesign, Disposition, Kollisionsvermeidung, das Laden elektrischer Flotten und die Autonomie gemischter Flotten. Alle drei Explorationsanwendungen – Zielgebietserkundung, automatisierte Kernprotokollierung und Gehaltskontrolle – blieben aufstrebend.
Akilan Kapilan, ein Direktor und Branchenberater für Energie und Ressourcen bei Microsoft (Nasdaq: MSFT), sagte, Modelle sollten Optionen empfehlen, anstatt ungeprüfte Betriebsentscheidungen zu treffen. Metallurgen und andere Spezialisten müssten Grenzen setzen und die Kontrolle behalten, da Modelle falsche Antworten liefern können, wenn sie nicht auf zuverlässigen Daten basieren.
KI treibt die Mineraliennachfrage
Robert Friedland, Gründer und geschäftsführender Co-Vorsitzender von Ivanhoe Mines (TSX: IVN; US-OTC: IVPAF), erweiterte die Diskussion auf die Auswirkungen von KI auf die Mineraliennachfrage. Der Wettlauf um die Entwicklung von KI würde den Bedarf an Strom, Kupfer und kritischen Mineralien unabhängig davon beschleunigen, wie schnell Bergbauunternehmen die Technologie selbst übernehmen, sagte er in einer separaten Präsentation. „Ich bin nicht sicher, was KI für den durchschnittlichen Amerikaner tun wird“, sagte er. „Aber ich kann Ihnen versichern, dass KI voranschreitet, weil es sich um eine Militärentechnologie handelt.“
McKinseys breitere globale Umfrage unter 1.719 Befragten zeigt, warum der Sprung im Bergbau wichtig ist. Branchübergreifend gaben 89% an, dass ihre Organisationen in diesem Jahr KI in mindestens einer Geschäftsfunktion regelmäßig nutzten, aber nur 44% berichteten, sie unternehmensweit skaliert zu haben. Nur 7% der Befragten aus den Bereichen Energie und Materialien hatten KI-Agenten in der Fertigung skaliert, und Richard Sellschop, Senior Partner bei McKinsey, sagte, der Bergbau liege wahrscheinlich sogar noch hinter dieser Zahl, da die stärkere Adoption im Energiesektor den Gruppen-Durchschnitt erhöhte.
Der Test der Skalierbarkeit
Pujol sagte, dass Unternehmen, die über Pilotprojekte hinausgehen, tendenziell einer „70-70-70“-Personalierungsregel folgen: Sie halten 70% ihres Technologietalents intern, machen 70% des Teams zu Buildern statt Koordinatoren oder Managern und rekrutieren 70% aus den oberen Führungsebenen. Sie verbinden Technologiestaff auch direkt mit Operationsteams und geben einem einzelnen Executive die Kontrolle über das Budget und das finanzielle Ergebnis.
In einem von Pujol beschriebenen hybriden Modell stellen zentrale Teams Datensysteme, Plattformen und wiederverwendbare Tools bereit, während jede Mine den Wert und das Budget besitzt, da ihr Erzkörper und ihre Betriebsbedingungen unterschiedlich sind. Der Chief Executive sollte diesen Eigentümer ernennen, während der Chief Operating Officer erfolgreiche Tools auf andere Standorte verteilt und der Chief Financial Officer den Beitrag von KI von anderen Geschäftsveränderungen trennt, so McKinsey.
Malladi drängte Unternehmen, Technologieteams mit Arbeitern an den Minenstandorten zu integrieren, anstatt die Implementierung von einem Unternehmenssitz aus zu verwalten. Für Aufsichtsräte und Führungskräfte sagte Malladi, dass die Frage nicht mehr lautet, ob KI eingeführt werden soll. Sie wollen wissen: „Wann klingelt die Registrierkasse?“
Für deutsche Anleger ist die Entwicklung relevant, weil Bergbauunternehmen wie Freeport-McMoRan und Ivanhoe Mines an internationalen Börsen gehandelt werden und die Branche als Zulieferer für die globale KI-Infrastruktur gilt. Ob sich die Effizienzgewinne nachhaltig in den Bilanzen niederschlagen, dürfte in den kommenden Quartalen zum entscheidenden Bewertungskriterium werden.