Por David Alberto Morán Bohórquez
Recientemente un ingeniero de petróleo con Magister, con más de 40 años de experiencia profesional colgó un comentario a mi artículo ¿Es factible que Venezuela alcance los 1.250 kbpd para diciembre de 2026? Un análisis Monte Carlo y de restricción física
En su comentario afirma «La producción petrolera en Venezuela está determinada por factores políticos (adjudicación de campos a dedos, decisiones políticas incorrectas, etc.), institucionales (alta corrupción institucional y falta de gerencias), infraestructura que carecen de mantenimiento e inversiones) y hasta coyunturas diplomáticas sesgadas por criterios ideológicos antes de lo económico que no pueden ser capturados por un modelo estadístico de este tipo. En consecuencia, el análisis se percibe más como un despliegue técnico sin sustento real, ya que omite las variables críticas que definen la viabilidad de cualquier pronóstico de producción»
Agradezco sinceramente su tiempo dedicado a revisar el texto y lo oportuno de su comentario, ya que me permite hacer pedagogía profesional a nuestra comunidad.
Concuerdo plenamente en su comentario en un punto central: la realidad petrolera venezolana está fuertemente determinada por variables institucionales, decisiones políticas, fricciones de infraestructura y restricciones de gobernanza que no responden a una dinámica puramente lineal ni a una ingeniería de yacimientos en condiciones idóneas.
Precisamente por esa razón, la intención de esa publicación no es construir un modelo predictivo o de «fuerza bruta» del comportamiento futuro de la producción. Una especie de “oráculo del futuro”. Eso no lo hace ningún planificador profesional.
El objetivo central del ejercicio fue calibrar cuantitativamente las expectativas públicas —como las estimaciones ya no tan recientes recientes del Secretario de Energía de EE. UU., Chris Wright, de llevar la producción a 1.25 Mbd o incrementarla un 30%-40% para el cierre de 2026— y contrastarlas con la inercia real del sistema.
Permítanme compartir tres precisiones metodológicas sobre por qué la simulación estocástica es especialmente útil para este objetivo:
1. La inercia histórica ya «absorbe» o contiene el ruido político e institucional: La serie histórica de 44 meses analizada no refleja la capacidad teórica ni el potencial del subsuelo; refleja precisamente el desempeño neto real bajo las variables que bien mencionas (corrupción, falta de mantenimiento, escasez de diluente y vaivenes políticos). Es decir, la media y la variabilidad empleadas ya traen «incorporadas» (en su ADN) las ineficiencias del entorno.
2. Cadenas de Markov y probabilidad de transición: Al evaluar sistemas complejos con alta incertidumbre institucional, el comportamiento futuro depende fuertemente del estado inmediatamente anterior (Norris, J. R. (1998). Markov Chains. Cambridge University Press). La simulación Monte Carlo sobre incrementos mensuales permite estudiar la probabilidad de transición entre estados operativos. La conclusión estadística es clara: pasar del estado actual (1,117 kbpd) al estado objetivo (1,250 kbpd) en 5 meses exige romper la matriz de transición histórica y sostener un salto de +26.6 kbpd/mes constante (2.5 veces la media histórica), algo altamente improbable bajo la estructura actual.
3. El sesgo de medición (bruto vs. neto): Adicionalmente, el ejercicio sirve para evidenciar la brecha entre el barril comercializado (que incluye el diluente importado para el blend Merey 16) y la extracción neta en pozo. Si descontamos ese ~12% de sobreestimación presente en las fuentes secundarias, (que comento al final de mi artículo) el volumen real extraído ronda los 997 kbpd, lo que hace que la meta política requeriría un salto de más de +50 kbpd/mes netos en yacimiento.
En resumen, la simulación Monte Carlo no pretende ignorar las variables políticas e institucionales, sino medir la probabilidad de que esas mismas restricciones —o un milagro de gestión— permitan alterar la dinámica del sistema en el plazo anunciado.
Sumando a lo anterior, este tipo de modelado estocástico es indispensable para la toma de decisiones del sector privado (stakeholders, contratistas de servicios, traders y bancos) por razones operativas muy concretas:
1. Planificación de Capex y Opex para contratistas: Un contratista de taladros, mantenimiento o proveedor de productos químicos no puede dimensionar su inventario, personal o contratos de fletamento basándose en promesas de superávit («vamos a llegar a 1.25 Mbd»). Necesita conocer la distribución de probabilidad (P50/P90) de la producción real para evaluar el riesgo de sobrecapacidad o facturación impaga. Si el modelo arroja un 90.85% de probabilidad de no alcanzar la meta, el contratista ajusta su nivel de exposición crediticia.
2. Evaluación de relaciones de solvencia y cobro: Para los acreedores y traders que financian diluente o equipos, el flujo de caja disponible para repago depende directamente del barril neto extraído. Saber que la producción neta real en pozo ronda los 997 kbpd (descontando el ~12% de diluente) permite calcular con precisión el verdadero margen de libre caja de los proyectos joint-venture.
3. Cadenas de Markov y probabilidad de incumplimiento (Default operativo): Las grandes empresas de servicios petroleros modelan sus contratos mediante estados de transición. Si la probabilidad de pasar de un estado de «meseta» a un estado de «expansión acelerada» es menor al 10%, la prima de riesgo que aplicará la contratista en sus tarifas aumentará significativamente para cubrir la incertidumbre.
4. Pruebas de estress de las cadenas de suministro: A los proveedores de nafta y diluente les permite proyectar la demanda física real. Si la meta política exigiera +26.6 kbpd/mes sostenidos, la logística de tanqueros en Jose colapsaría en 60 días por falta de almacenamiento y capacidad de recibo. El modelo demuestra cuantitativamente dónde se rompe la cadena de suministro.
Porqué la cantidad importa
Hacer 10,000 simulaciones es el equivalente a jugar el año 2026 diez mil veces seguidas en una computadora, variando los eventos según la volatilidad real que ha sufrido el país durante los últimos 44 meses.
Con 10,000 iteraciones, la convergencia estadística es sólida: cuando el modelo indica que solo en 915 de esos 10.000 futuros posibles (9.15%) se logra superar los 1,250 kbpd, la meta deja de ser una opinión y se convierte en un dato de baja probabilidad de ocurrencia.
Las 10,000 iteraciones no se hacen para inventar datos, sino para estresar el sistema 10.000 veces bajo las reglas de la física y la historia real, demostrando qué tan robusta (o frágil) es la meta anunciada.
En resumen
Lo que hizo el político/vocero (Chris Wright): Asumió un escenario ideal (determinista), donde las restricciones operativas y políticas desaparecen por decreto o anuncio.
Lo que hace el dato observado: Muestra cómo el sistema se comportó bajo el peso real de esas restricciones durante 44 meses.
Lo que hace la corrida Monte Carlo: Cuantifica la probabilidad de que ese riesgo observado se repita o se desvíe, demostrando que la ineficiencia y la política no son variables «omitidas», sino la esencia de la volatilidad del propio modelo.
En definitiva, un análisis estocástico de Monte Carlo no ignora la política; le asigna un valor al riesgo político y a la ineficiencia operativa. Para un stakeholder que arriesga capital, la diferencia entre una narrativa de 1.25 Mbd y una distribución estocástica P50 de 1.16 Mbd es la diferencia entre la rentabilidad y la pérdida.
Nuevamente, le agradezco su crítica que permite enriquecer enormemente estas conversaciones sobre planificación, energía e incertidumbre
David Morán Bohórquez es ingeniero industrial. Miembro de la Comisión de Energía de la Academia Nacional de Ingeniería y Hábitat de Venezuela y del Consejo Directivo de Cedice Libertad
En X: @morandavid
