La caracterización geotécnica a escala de banco a menudo sufre de alta incertidumbre, lo que reduce la confianza en el análisis geotécnico debido al costoso desarrollo de recursos de perforación y mapeo. El sistema Medir-Mientras-Perfora (MWD) utiliza sensores para recopilar datos de perforación de las perforadoras de agujeros de voladura a cielo abierto. Históricamente, el enfoque de los estudios MWD se centró en las tasas de penetración para identificar formaciones rocosas durante la perforación. Este estudio explora la efectividad de los modelos de clasificación de Inteligencia Artificial (IA) utilizando datos MWD para predecir categorías geotécnicas, incluyendo unidad estratigráfica, resistencia de roca/suelo, tipo de roca, Índice de Resistencia Geológica y propiedades de meteorización. Los algoritmos de importancia de características, Redundancia Mínima Máxima Relevancia y ReliefF, identificaron todas las respuestas MWD como influyentes, lo que llevó a su inclusión en modelos de Aprendizaje Automático (AA). Los algoritmos de AA probados incluyeron Árboles de Decisión, Máquinas de Vectores de Soporte (MVS), Naive Bayes, Bosques Aleatorios (BA), K-Vecinos Más Cercanos (KNN) y Análisis Discriminante Lineal. KNN, MVS y BA lograron hasta un 97% de precisión, superando a otros modelos. El rendimiento de la predicción varió con la distribución de clases, con conjuntos de datos equilibrados mostrando rangos de precisión más amplios y conjuntos de datos sesgados logrando precisiones más altas. Los hallazgos demuestran un marco robusto para aplicar IA a la caracterización en tiempo real de cuerpos mineralizados, ofreciendo valiosos conocimientos para ingenieros geotécnicos y geólogos en la mejora de la predicción y análisis de cuerpos mineralizados.