Ekons Matrix AI es una herramienta desarrollada por Boston Consulting Group (BCG) junto a YPF que usa modelos termoquímicos para monitorear en continuo las propiedades de las corrientes con las que se producen naftas y gasoil. Ganó el premio Digital Technology of the Year en el LARTC, la conferencia de refinación de América Latina de la World Refining Association, que se hizo en Buenos Aires del 8 al 10 de septiembre de 2026.
Su primera implementación en el mundo es el Complejo Industrial La Plata de YPF: arrancó entre marzo y abril de 2026, llevó alrededor de seis meses de despliegue y hoy está en fase de ajuste y maduración. Según Roberto Rodrigo, Project Leader de BCG y responsable de Ekons OPS AI, la solución puede reducir hasta 50% el tiempo de ejecución de los procesos de blending. El mecanismo es el que cualquier industria puede copiar: reemplazar una espera de laboratorio por una estimación calculada en continuo.
¿Qué es Ekons Matrix AI y qué premio ganó?
Empecemos por el nombre, porque circula mal. La herramienta premiada se llama Ekons Matrix AI; Ekons OPS AI es la línea de operaciones de BCG que la contiene. El premio es el Digital Technology of the Year del LARTC (Latin American Refining Technology Conference), que organiza la World Refining Association y que este año se hizo en Buenos Aires del 8 al 10 de septiembre de 2026 (Punto Capital).
Que el premio se entregue en un congreso técnico de refinadores y no en una feria de tecnología dice algo sobre el tipo de IA del que hablamos: no es un chatbot ni un asistente de escritura. Es un modelo que estima una variable de proceso que antes había que medir en un laboratorio, y que la estima mientras la planta produce.
¿Qué problema resuelve, en criollo?
Una refinería no produce nafta de una sola pieza: la arma. El proceso se llama blending y consiste en combinar distintos componentes hasta cumplir con las especificaciones de calidad que exige la norma. El problema es que esos componentes no son estables: sus propiedades cambian según cómo vengan operando las unidades que los generan.
Históricamente, saber con qué se está trabajando implica sacar una muestra y esperar el resultado del laboratorio. Y mientras se espera, el operador de la sala de control decide con información vieja: o se pasa de calidad —regala producto valioso para no arriesgar el spec— o se queda corto y hay que recircular. Ekons Matrix AI ataca justamente esa espera: “sigue” los componentes desde las unidades donde se generan hasta los tanques y durante el blending, y le da al operador las propiedades estimadas en tiempo real sin depender del análisis de laboratorio.
En la jerga industrial eso es un sensor virtual: un modelo que calcula lo que un instrumento no mide o mide tarde. En este caso el modelo no es una caja negra estadística sino termoquímico, es decir apoyado en la física y la química del proceso, con IA arriba para ajustarlo a la realidad de la planta.
¿De dónde sale el “hasta 50%” y qué conviene leer con cuidado?
El número es fuerte y vale decir exactamente qué es y qué no es. La cifra la da Roberto Rodrigo, Project Leader de BCG y responsable de Ekons OPS AI, y se refiere a hasta 50% del tiempo de ejecución de los procesos de blending: no es 50% de ahorro de costos, ni 50% más producción, ni un promedio medido y publicado con metodología. Es un techo declarado por el proveedor sobre una métrica concreta de proceso.
El segundo matiz es la madurez. La implementación en La Plata arrancó entre marzo y abril de 2026, tomó cerca de seis meses y hoy está en fase de ajuste y maduración. O sea: funciona en producción, pero todavía se está calibrando. Eso es normal y es información útil, porque marca el orden de magnitud real de un proyecto así —medio año de despliegue en una planta que tiene datos, instrumentación y equipo de procesos— y no las seis semanas que suele prometer un pitch.
Lo tomo como referencia y no como benchmark: si alguien te promete esos números para tu planta antes de mirar tus datos, está vendiendo. La pregunta correcta para tu caso es cuánto vale tu espera, y eso se calcula, no se copia. Cómo se dimensiona una inversión así la desarrollo en cuánto cuesta implementar IA en una empresa argentina.
¿Qué puede copiar una industria mediana argentina de este caso?
El patrón, no la herramienta. Ekons Matrix AI es un producto pensado para refinación; nadie con una planta de 80 personas va a comprarlo. Pero la estructura del problema se repite en casi cualquier industria de proceso: hay una decisión operativa que espera un dato que llega tarde. Ahí es donde la IA rinde, porque el resultado se mide en tiempo y en material, no en percepción.
| Patrón en YPF | Equivalente en una industria mediana | Métrica que mueve |
|---|---|---|
| Esperar el laboratorio para conocer las propiedades de cada corriente | Esperar el ensayo de calidad de un lote para liberarlo a despacho | Horas de lote retenido |
| Pasarse de especificación por no arriesgar el spec | Sobredosificar insumo, aditivo o packaging “por si acaso” | % de material regalado |
| Reconstruir a mano de dónde vino cada componente | Trazabilidad de lote armada con planillas y papeles de planta | Horas de administración por lote |
| Conocimiento del proceso repartido entre los operadores veteranos | Manuales, procedimientos y memoria técnica que nadie encuentra a tiempo | Tiempo de respuesta ante un desvío |
Las dos primeras filas son problemas de modelo y datos de proceso: necesitás histórico, instrumentación y alguien que entienda la planta. Las dos últimas se resuelven hoy, con mucho menos, usando IA sobre documentos y registros —el mismo tipo de trabajo que describo en la guía paso a paso para implementar IA en una pyme. Si tu planta todavía no tiene el dato digitalizado, el proyecto no es de IA: es de instrumentación, y conviene saberlo antes de firmar.
Y si la pregunta de la instrumentación te quedó picando, ese es exactamente el eje de lo que viene: Anthropic abrió en research preview el Model Hardware Standard, una interfaz común para que un agente opere máquinas físicas. El filtro ahí es el mismo que acá: sirve solo para equipos que exponen una interfaz programable.
¿Por qué YPF aparece dos veces en el mapa de IA industrial argentina?
Porque está construyendo capas distintas. En upstream ya opera el Real Time Intelligence Center que controla Vaca Muerta desde Puerto Madero: datos de perforación y fractura a 1.300 km, ordenados para que las personas decidan mejor. Ekons Matrix AI es la pieza equivalente en downstream, dentro de la refinería, sobre una variable de calidad de producto.
La lectura para el resto de la industria es que ninguno de los dos casos es “IA que reemplaza gente”. Los dos son IA que le saca la espera de encima a una persona que ya sabía decidir. Ese encuadre importa cuando el proyecto se presenta en planta: define si el operador lo adopta o lo sabotea.
Del lado del marco, el otro movimiento a seguir es el de los incentivos: el Súper RIGI para proyectos de IA y datacenters define parte de las reglas con las que se van a financiar inversiones tecnológicas de escala industrial en los próximos años.
¿Cómo se empieza sin ser YPF?
El orden que uso cuando entro a una planta, y que es exactamente el inverso del que propone la mayoría de los proveedores:
- Elegí una espera, no un caso de uso. “El ensayo de humedad tarda 4 horas y frena el despacho” es un proyecto. “Queremos aplicar IA en producción” no lo es.
- Ponele número. Cuántas veces por mes pasa, cuántas horas cuesta, cuánto material se regala. Si no podés estimarlo con el ERP y una charla con el jefe de planta, todavía no hay caso.
- Revisá si el dato existe. Un modelo necesita histórico etiquetado: mediciones de proceso y el resultado de laboratorio correspondiente. Sin ese par, no hay sensor virtual posible.
- Empezá como asistencia, no como automatismo. Primero el modelo sugiere y el operador decide, con el laboratorio corriendo en paralelo. Recién cuando el error estimado es conocido se le da peso operativo.
- Presupuestá la maduración. Si la primera implementación mundial de una herramienta de BCG en una refinería de YPF lleva seis meses y sigue ajustándose, tu cronograma de ocho semanas es una ilusión.
Preguntas frecuentes sobre Ekons Matrix AI y la IA en refinerías.
Es una herramienta desarrollada por Boston Consulting Group (BCG) junto a YPF que usa modelos termoquímicos con inteligencia artificial para monitorear en continuo las propiedades de las corrientes y componentes con los que una refinería produce combustibles. Sigue esos componentes desde las unidades donde se generan hasta los tanques y durante el proceso de blending, y le entrega al operador de la sala de control las propiedades estimadas en tiempo real, sin esperar el resultado del análisis de laboratorio. Ojo con el nombre: la herramienta premiada es Ekons Matrix AI; Ekons OPS AI es la línea de operaciones de BCG que la contiene.
El Digital Technology of the Year, entregado durante el LARTC (Latin American Refining Technology Conference), la conferencia de refinación de América Latina que organiza la World Refining Association y que se realizó en Buenos Aires del 8 al 10 de septiembre de 2026. El premio fue para Ekons Matrix AI, desarrollada por BCG junto a YPF.
El blending es el proceso por el cual una refinería combina distintos componentes hasta alcanzar las especificaciones de calidad que exige la norma para naftas y gasoil. El problema es que las propiedades de esos componentes cambian según cómo vengan operando las unidades que los generan, y conocerlas implica sacar una muestra y esperar el laboratorio. Mientras se espera, el operador decide con información vieja: o se pasa de calidad y regala producto valioso, o se queda corto y hay que recircular. Un modelo que estima esas propiedades en continuo elimina esa espera.
La cifra es “hasta 50% del tiempo de ejecución de los procesos de blending” y la declaró Roberto Rodrigo, Project Leader de BCG y responsable de Ekons OPS AI. Conviene leerla con precisión: es un techo declarado por el proveedor sobre una métrica concreta de proceso, no un promedio medido y publicado con metodología, y no significa 50% de ahorro de costos ni 50% más producción. Sirve como referencia de orden de magnitud, no como benchmark para otra planta.
Su primera implementación en el mundo es el Complejo Industrial La Plata de YPF. Arrancó entre marzo y abril de 2026, el despliegue llevó alrededor de seis meses y al momento del premio la solución estaba en fase de ajuste y maduración: funciona en producción, pero todavía se está calibrando.
El patrón, no la herramienta. La estructura del problema se repite en casi cualquier industria de proceso: hay una decisión operativa que espera un dato que llega tarde. Ejemplos típicos en una pyme industrial argentina: el ensayo de calidad que retiene un lote antes del despacho, la sobredosificación de insumo o aditivo “por si acaso”, la trazabilidad de lote armada con planillas, y el conocimiento de proceso que vive en la cabeza de los operadores veteranos. Los dos primeros necesitan histórico e instrumentación; los dos últimos se resuelven hoy con IA sobre documentos y registros.
Con tres chequeos antes de contratar nada. Uno: que el proyecto sea una espera concreta y no un objetivo general —“el ensayo tarda cuatro horas y frena el despacho” es un caso, “queremos aplicar IA” no lo es—. Dos: que puedas ponerle número con el ERP y una charla con el jefe de planta (cuántas veces por mes pasa, cuántas horas cuesta, cuánto material se regala). Tres: que el dato exista, o sea que haya histórico de mediciones de proceso apareado con el resultado de laboratorio. Si falta eso último, el proyecto no es de IA: es de instrumentación.
Última actualización: · Versión 1.0 · Datos del premio, la herramienta y los plazos de implementación tomados de la cobertura de Punto Capital Noticias sobre el LARTC y de la página oficial del evento (World Refining Association). El “hasta 50%” es una cifra declarada por BCG, no una medición publicada con metodología. Opinión, análisis y el marco de implementación: Diego Ceredi, consultor certificado por Anthropic (Claude) y Google (Gemini).
YPF controla Vaca Muerta desde Puerto Madero con IA en tiempo real: qué le enseña el Real Time Intelligence Center a la industria argentina
12 min de lectura
Claude para equipos administrativos: cómo usar chat, Projects, Skills y Cowork en 2026
11 min de lectura