“Si tú vas a una planta y le preguntas cuál es el estándar que debe tener, te va a decir un SCADA”, explica Camilo Huneeus, socio cofundador y gerente general de Ainwater, la inteligencia del agua. El giro de Ainwater consiste en empujar ese estándar hacia el futuro: “Nosotros llevamos eso hacia lo que va a ser el estándar del futuro”. La diferencia es sustantiva: “Los sistemas actuales te dicen: ‘Esto es lo que está pasando hoy, ahora’. Nosotros te decimos: ‘Esto es lo que va a pasar’”.
Ainwater es un startup en proceso de expansión y crecimiento con operaciones en Chile, en México y en Brasil. Estamos en más de 100 plantas de tratamiento de agua”. El eje tecnológico es Poseidon: “es una plataforma basada en IA para la gestión predictiva de las plantas de tratamiento de agua: agua potable, agua residual y desalinización”.
Optimización operativa y huella hídrica
La propuesta no se reduce a alarmas tempranas; se traduce en decisiones específicas de control. “Va a subir el pH en tu planta. Entonces debes dosificar tanto químico”. Ese enfoque anticipatorio habilita eficiencias cuantificables y ambientales: “Permite reducir de manera más eficiente la huella hídrica, la huella hídrica azul y la huella hídrica gris de las plantas de tratamiento”. La plataforma opera como copiloto: “Una herramienta asistente y virtual para el operador poder interactuar con los datos, recibir recomendaciones de control, sugerencias de operación”.
Brecha de talento: operar con menos y mejor
El ejecutivo es tajante sobre un reto transversal: “Un problema que está ocurriendo en todo el mundo es que la gente se va a jubilar. ¿Y quién viene detrás? No hay nadie”. En ese contexto, la tecnología es un amortiguador de la escasez, no un sustituto de personas: “Nuestra solución basada en IA no viene a reemplazar gente, viene a decir: ‘No hay gente’. Entonces, ayúdennos a operar mejor las plantas”.
Problemas recurrentes: foco del negocio y datos dispersos
Ainwater ha observado patrones que frenan el desempeño. Primero, la prioridad del core business: “Si yo soy una fábrica de queso, mi negocio es producir queso, no tratar agua. Entonces queda relegada a un segundo nivel y se reduce presupuesto”. Segundo, la fragmentación de la información: “Tienen un sistema SCADA, tienen el laboratorio por acá, el Excel por acá; y hay una nube de información que no se aprovecha”. La consecuencia es una operación reactiva, costosa e impredecible.
Un desafío global, no solo latinoamericano
La región no es una excepción, subraya Huneeus: “Todavía hay 700 millones de personas que no tienen acceso a agua y saneamiento”. Y recuerda que, incluso donde hay infraestructura, los rezagos existen: “En los países desarrollados, muy probablemente los sistemas sean aún más anticuados, porque fueron hechos antes”. La conclusión operativa: modernizar con analítica y modelos se vuelve tan necesario como posible.
Sectores, tamaños y modelo de servicio
El alcance sectorial es amplio: “Operamos en plantas de aguas residuales industriales y municipales, de agua potable y para procesos industriales; y en plantas desaladoras municipales y para la minería”. En clientes, el foco está claro: “Trabajamos principalmente con empresas prestadoras de servicios de agua y con industrias: química, minera y agroalimentaria”. Aunque la tecnología es escalable, hay criterios de racionalidad económica: “Técnicamente puedes tener buena instrumentación y modelos sin importar el tamaño, pero en tamaños muy pequeños no tiene tanto sentido”. Hay, sin embargo, un esquema social para comunidades: “Empresas que por responsabilidad social contratan el servicio y comunidades rurales pequeñas, de entre 500 a 5,000 personas, gozan del servicio siendo pagado por la empresa”.
La nueva forma de operar: de arte reactivo a ciencia predictiva
Huneeus combina oficio e ingeniería para explicar el cambio cultural: “Yo mismo diseñé, construí y operé plantas; el tratamiento de agua es una ciencia, pero tiene mucho de arte”. La biología introduce complejidad: “En particular el tratamiento de efluentes es biológico, son bacterias y, como seres vivos, los mecanismos son más complejos”. La IA no elimina la intuición, la organiza: “Con los modelos puedo decir: ‘Se va a producir espuma, voy a tomar una acción antes de que ocurra’; y tengo recomendaciones de control de acuerdo a la realidad operativa de mi planta a partir de mis propios datos”. El principio rector: “No es destruir lo que se hace, sino construir sobre eso para aprovechar la capacidad de procesamiento de datos que hoy día nos da la IA”.
IA no es solo ChatGPT: familias de modelos para casos reales
El entendimiento social de la IA ha mejorado, pero conviene precisar conceptos: “La IA se ha asociado a ChatGPT, que es un large language models, es un tipo de IA, pero hay muchos otros”. Ainwater articula varias familias: “Usamos large language models para asistente virtual, pero también modelos de optimización y modelos predictivos”. La etiqueta es secundaria frente al resultado: recomendaciones accionables en tiempo real que alinean costos, calidad y cumplimiento.
Una realidad que retrata la urgencia
Para dimensionar la brecha de capacidades, Huneeus cuenta una escena elocuente: “Visitando una planta nueva, le pregunté al responsable su historia y me dijo: ‘Yo era el guardia de seguridad’”. Más allá del mérito personal, la conclusión operativa es innegociable: “Un guardia de seguridad no está formado para poder manejar esa infraestructura tecnológica compleja y avanzada”. Precisamente ahí encaja un sistema que documenta, predice y asiste, institucionalizando el conocimiento y cerrando la incertidumbre.
