Foundation · lo que tokeniza el backbone
Todas las señales que lee el gemelo del campo.
Señales operativas, logísticas y de activos provenientes de los sistemas que el operador ya usa. Pasá el cursor o tocá cualquier señal para ver de dónde viene.
Industria · Oil & Gas
Una capa de inteligencia sobre los sistemas que el operador ya usa — SCADA, historians, CMMS, ERP, sistemas de pozo y las planillas que hay en el medio. Modelos que anticipan el tiempo no productivo, optimizadores que planifican el día al menor costo y agentes que actúan antes de que se detenga el set de fractura. No se reemplaza nada; todo se conecta.
01 · SharpAI
Modelos predictivos
10 modelos · foundation + downstream
02 · AUTONOMY
Agentes
8 patrones de agentes en este vertical
03 · FDE
Servicios de ingeniería
2 engagements anonimizados
La cadena de valor
En operaciones no convencionales, una hora de tiempo no productivo puede costar tanto como semanas de flete. Las decisiones que lo evitan están repartidas entre completación, logística, mantenimiento y compras — y hoy la mayoría se toma a mano.
01
Upstream · completación
Mantené el set de fractura bombeando. Anticipá los insumos, las cuadrillas y los equipos que necesita cada etapa antes de que se conviertan en el cuello de botella.
Decisiones que modelamos
02
Logística de campo
Pasá del despacho diario armado en Excel a un plan optimizado: cuántos pedidos, desde qué cantera, con qué camión y qué transportista.
Decisiones que modelamos
03
Activos
Leé de forma continua las señales de bombas, compresores y equipos rotativos y planificá la intervención antes de la falla.
Decisiones que modelamos
04
Supply chain
Repuestos, importaciones y proveedores planificados contra la demanda real de la operación, no contra los promedios del año pasado.
Decisiones que modelamos
05
Downstream
Surtido y análisis de canasta guiados por la demanda para las tiendas de estaciones de servicio, planificados por sucursal en lugar de por abastecimiento.
Decisiones que modelamos
01 · SharpAI · Oil & Gas
Empezamos modelando la operación tal como es — canteras, hubs, PADs, flotas, activos y sus restricciones — alimentada con los datos del propio operador dentro de su propia nube. Los heads predictivos y los optimizadores se apoyan en esa representación compartida, de modo que cada nuevo caso de uso reutiliza la misma base en lugar de arrancar de cero.
Foundation · lo que tokeniza el backbone
Señales operativas, logísticas y de activos provenientes de los sistemas que el operador ya usa. Pasá el cursor o tocá cualquier señal para ver de dónde viene.
Downstream · lo que consume el head
El head de alerta temprana lee el estado del gemelo más un conjunto acotado de señales del momento de decisión, y recalcula el reloj de cobertura de forma continua. Pasá el cursor por cualquier nodo: estos son los insumos detrás de una alerta.
Foundation models · pre-entrenamiento self-supervised, backbone congelado reutilizado downstream
Un modelo en red de la operación — canteras, hubs de transferencia, PADs, locaciones, flotas y transportistas — con balance diario de materiales y las restricciones reales de cada nodo. Es el estado compartido que leen todos los optimizadores, pronósticos y agentes, y el lugar donde se prueban escenarios what-if antes de que lleguen al campo.
Simulación de red de nodos · balance diario + alertas de stock · motor de escenarios · capa de optimización MILP
Corpus · Construido para cada operador con sus propios datos — planes de fractura y producción, registros de despacho, sistemas de pozo, ERP y planillas de campo — y desplegado dentro de la nube del operador (raw → bronze → silver → gold)
Un modelo de secuencias sobre series de tiempo de sensores de bombas, compresores y equipos rotativos. Aprende la firma operativa normal de cada activo a partir del historian y del historial de mantenimiento, y expone un embedding de condición que consumen los heads de falla, mantenimiento y disponibilidad.
Encoder de secuencias sobre ventanas de sensores · embedding de condición por activo · entrenado por operador y clase de activo
Heads downstream · fine-tuned sobre el embedding congelado del foundation por institución y caso de uso
Un reloj de cobertura por locación: cuántas horas de operación pueden sostener el stock actual y los camiones en camino, recalculado de forma continua, con horas de anticipación para actuar.
Pronóstico probabilístico sobre el estado del gemelo · recálculo continuo
El plan diario de menor costo — pedidos, cantera, tipo de camión y transportista — que igual cumple con el programa de fractura, con cada restricción explicitada.
MILP sobre la red del gemelo · curva de costos como referencia
Pronostica el calendario de actividad y la demanda de arena, agua, cuadrillas y equipos que implica.
Pronóstico de series de tiempo condicionado a las revisiones del plan
Predicción del horario de llegada por camión y carga, aprendida de rutas históricas, condiciones del camino y comportamiento de cada transportista.
Head de regresión sobre GPS e historial de rutas
Estimación de vida útil remanente de bombas y compresores, para que el mantenimiento se planifique dentro del programa en lugar de interrumpirlo.
Head de supervivencia sobre el embedding de condición del activo
Planifica repuestos críticos y consumibles contra la actividad pronosticada y el riesgo de falla, equilibrando el costo de quiebre de stock con el costo de inventario.
Pronóstico de demanda intermitente + optimización de nivel de servicio
Predice el tiempo de arribo y de despacho aduanero de equipos y materiales importados, y señala los embarques que ponen en riesgo el programa.
Modelo de secuencia de eventos sobre los hitos del embarque
Recomendaciones de surtido y de combinaciones de productos guiadas por la demanda para las tiendas de estaciones de servicio, agrupadas por perfil de sucursal.
Análisis de canasta de compra + filtrado colaborativo · clustering de tiendas
02 · AUTONOMY · Oil & Gas
Un score en un dashboard no evita una parada. Estos agentes vigilan el gemelo, deciden dentro de las reglas del operador y actúan por los canales que el campo ya usa — con una persona aprobando todo lo que la política indique que debe aprobar una persona.
8 patrones de agentes · ordenados por madurez de despliegue
Vigila el reloj de cobertura de cada locación y, cuando cruza el umbral, le propone al coordinador de logística el despacho correctivo: qué hub, qué camiones, qué transportista.
Disparador · Cobertura por debajo del umbral
↳ Horas de anticipación en lugar de minutos
Corre el optimizador cada mañana con los últimos planes y el stock vigente, explica el plan recomendado frente al costo de referencia y lo publica una vez aprobado.
Disparador · Ciclo diario de planificación
↳ Plan de menor costo, explicado
Correlaciona señales operativas, logísticas y de activos para detectar riesgo emergente de NPT en cada set, y deriva la alerta a la persona que puede actuar.
Disparador · Cambio en el score de riesgo
↳ Escalamiento más temprano y dirigido
Convierte las estimaciones de vida útil remanente en órdenes de trabajo propuestas en el CMMS, alineadas con el calendario de actividad y la disponibilidad de repuestos.
Disparador · RUL por debajo de la ventana
↳ Paradas planificadas en lugar de imprevistas
Monitorea los repuestos críticos contra la demanda pronosticada y el riesgo de falla, y redacta pedidos de compra en el ERP antes del quiebre de stock.
Disparador · Quiebre de stock proyectado
↳ Stock crítico cubierto
Sigue los hitos de cada embarque, lee y verifica la documentación, y alerta a compras cuando una demora amenaza el programa.
Disparador · Demora en un hito
↳ Menos sorpresas en el yard
Recolecta, valida y carga la documentación de proveedores en el sistema de compras, y escala al equipo solo las excepciones.
Disparador · Solicitud de nuevo proveedor
↳ Menos carga manual de datos
Responde en lenguaje natural las preguntas de planificadores y supervisores sobre el gemelo — stock, ETAs, escenarios, costos — con cada respuesta vinculada a sus datos de origen.
Disparador · A demanda
↳ Una única imagen en vivo del campo
03 · FDE · Oil & Gas
Ingenieros senior integrados a los equipos de completación, logística, mantenimiento y supply chain. Empezamos con un quick win, medimos su impacto contra la referencia del propio operador y escalamos desde ahí — dentro de la nube del operador, sobre sus datos, y transfiriendo el know-how a su equipo.
SCADA, historians (PI), CMMS, ERP (SAP), sistemas de pozo (OpenWells), GPS y las planillas donde está el resto — conectados primero en modo solo lectura, sin reemplazar nada de lo que ya funciona.
Un data lake por capas (raw → bronze → silver → gold) y una base de datos operativa desplegados dentro de la cuenta de AWS o Azure del propio operador. Los datos nunca salen.
Optimización MILP, simulación y pronóstico construidos en conjunto, para que una predicción se convierta en un plan y ese plan respete todas las restricciones físicas y contractuales.
Aplicaciones web para planificadores y coordinadores — plan diario, escenarios what-if, alertas — diseñadas junto con las personas que las van a usar todas las mañanas.
La AI recomienda y explica; la persona decide. Los pasos de aprobación, la trazabilidad de auditoría y los motivos de override son parte del producto, no un agregado de último momento.
Taller de discovery, assessment, prueba de valor e implementación. Del simulador al gemelo digital y a una torre de control predictiva con agentes — un paso medido a la vez.
Engagements anonimizados · el mismo equipo de ingeniería end-to-end
Operador upstream · LATAM
Operador de petróleo y gas no convencional
Orquestación de la logística de arena para operaciones de fractura: gemelo del campo con balance diario y alertas de stock, optimizador MILP de flota y pedidos, aplicación web what-if y una capa de datos dentro del AWS del operador. Hoja de ruta hacia un gemelo digital alimentado por GPS, ETAs predictivos y una torre de control con agentes.
Fase 1 en ejecución — el plan diario se mide contra la curva de costos de referencia del propio operador.
Compañía integrada de energía · LATAM
Red de tiendas de conveniencia en estaciones de servicio
Mix de productos por tienda guiado por la demanda con SharpAI: análisis de canasta de compra, filtrado colaborativo y clustering de tiendas, entregado con un dashboard y probado en un piloto controlado.
10 de las 12 combinaciones de productos probadas en el piloto aumentaron las ventas más de un 45%.
Composición del equipo — estructura FDE típica para este vertical
Ingenieros senior embebidos, modelos predictivos en producción y agentes que ejecutan sobre cada score.