En agosto de 2026, Google DeepMind publicó un estudio en Nature: la predicción de ciclones tropicales mediante Inteligencia Artificial supera en precisión a los modelos numéricos tradicionales. Las cifras son concretas: la precisión de WeatherNext a 3 días vista equivale al nivel que los métodos anteriores alcanzaban a los 2 días. En la práctica, los meteorólogos han ganado 24 horas adicionales de margen.
Este avance es significativo. DeepMind calcula que equivale a una década de progreso en meteorología. En los últimos 50 años, los ciclones tropicales han causado más de 700.000 muertes y 1,4 billones de dólares en pérdidas económicas a nivel mundial. Ya se llamen tifones, huracanes o ciclones, responden al mismo fenómeno: gigantescas tormentas giratorias nacidas en el océano que embisten la tierra firme. Cada hora extra de aviso previo permite evacuar a más personas a tiempo.
Figura: Esquema de trayectoria e intensidad pronosticadas por WeatherNext; los círculos concéntricos representan diferentes niveles de velocidad del viento. Fuente: deepmind.google
Predicción tradicional: Lecciones de física en superordenadores
Para entender el cambio, conviene recordar el método clásico. La meteorología ha dependido durante más de un siglo del cálculo de ecuaciones físicas en superordenadores. La atmósfera terrestre se divide en una cuadrícula tridimensional densa y se calculan paso a paso la temperatura, la presión y la velocidad del viento en cada nodo a partir de las leyes de Newton y la termodinámica.
Este sistema es lento y muy costoso. Los modelos globales utilizan una resolución de cuadrícula gruesa para no saturar las supercomputadoras nacionales; si se aumenta la resolución para observar la estructura del ciclón, los costes de computación se disparan. Además, existe un dilema estructural: la trayectoria de un tifón está dirigida por la circulación atmosférica a miles de kilómetros, algo adecuado para modelos globales de cuadrícula gruesa; la intensidad, en cambio, depende de procesos termodinámicos a pequeña escala cerca del ojo del huracán, lo que exige alta resolución. La predicción tradicional se ha visto obligada a transigir entre ambos enfoques.
Predicción con IA: Un meteorólogo veterano con 40 años de datos
WeatherNext sigue un camino completamente diferente. Omite el cálculo directo de ecuaciones físicas y aprende patrones a partir de datos históricos. Su conjunto de entrenamiento abarca casi 20 TB de datos atmosféricos globales y los registros completos de cerca de 5.000 tormentas históricas de la base de datos internacional IBTrACS. Es el equivalente a hacer que la IA analice cuatro décadas de clima terrestre, memorizando la formación, los giros y la intensificación repentina de los tifones dentro de sus parámetros.
Para realizar un pronóstico, solo requiere las condiciones meteorológicas actuales e introduce una predicción a 15 días en menos de un minuto. Usando una analogía culinaria: la predicción tradicional equivale a pesar cada ingrediente desde cero en cada receta; la IA ha memorizado 40 años de recetas y sabe qué cocinar tan pronto como abre el frigorífico.
Figura: Comparativa de errores en trayectoria, intensidad y radio de vientos a 5 días. La línea azul corresponde a WeatherNext, con el menor error global y una ventaja de precisión de 1 día. Fuente: deepmind.google
El salto en tres cifras
Un día adicional. La precisión del pronóstico a 3 días iguala el estándar anterior de 2 días, lo que adelanta el tiempo de alerta 24 horas. Desde el punto de vista práctico, para los residentes de zonas costeras esas 24 horas significan tiempo para asegurar viviendas, preparar suministros y evacuar; para los meteorólogos, aporta la certeza necesaria para emitir alertas de máximo nivel.
Menor margen de error. En el promedio de 2023 a 2025, el error de trayectoria a 3 días fue unos 100 km menor que el del modelo probabilístico del Centro Europeo de Previsiones Meteorológicas a Plazo Medio (ECMWF). El error de intensidad fue aproximadamente 11 nudos (~20 km/h) menor que el de los modelos especializados en huracanes. Una diferencia de 100 km en el punto de desembarco determina qué ciudad se inunda; 11 nudos de diferencia determinan si los tejados resisten el vendaval.
Figura: Errores anuales en el pronóstico a 3 días entre 2023 y 2025. En azul, WeatherNext presenta un error de trayectoria ~100 km menor y de intensidad ~11 nudos inferior. Fuente: deepmind.google
Mayor cobertura probabilística. Mientras que los modelos tradicionales suelen generar decenas de escenarios, WeatherNext amplió este año su conjunto de miembros a 1.000, cubriendo específicamente situaciones de bajo porcentaje de ocurrencia pero alto impacto, como la “intensificación rápida”. La intensificación rápida es una de las tareas más difíciles en predicción; en 2025, la rápida aceleración del huracán Melissa previa a tocar tierra en Jamaica fue anticipada por este sistema, permitiendo al Centro Nacional de Huracanes de EE. UU. emitir avisos tempranos.
Un aspecto que sorprendió a los propios investigadores es que WeatherNext logra estos resultados con datos de resolución de 28×28 km, 100 veces más gruesa que los modelos numéricos convencionales. Los autores reconocen en su comunicado que la razón exacta sigue siendo una cuestión abierta. Si una resolución menor es suficiente, las necesidades de computación se reducen drásticamente, haciendo accesibles estos pronósticos avanzados a agencias meteorológicas de países con menor presupuesto.
Limitaciones a tener en cuenta
El debate en la comunidad técnica también incluye reservas. En Hacker News, la noticia acumuló más de 300 puntos y multitud de comentarios, señalando la falta de muestras de eventos extremos en los datos de entrenamiento. Aunque 5.000 tormentas parecen muchas, los eventos meteorológicos extremos tienen distribuciones de cola pesada: un evento de intensidad centenaria podría no figurar en 40 años de registros. Quienes dudan temen que la IA pueda alucinar respuestas ante situaciones inéditas; quienes la apoyan argumentan que los modelos físicos también fallan ante extremos y que la IA al menos expone la incertidumbre mediante sus 1.000 trayectorias probabilísticas.
La explicabilidad es otro reto pendiente. El motivo por el cual la resolución de 28 km funciona tan bien no ha sido completamente aclarado por los autores. Los meteorólogos están acostumbrados a justificar sus previsiones mediante mecanismos físicos, algo que un modelo basado puramente en datos no proporciona. Por ello, el uso principal actual combina la IA con los modelos numéricos tradicionales como referencia cruzada, y DeepMind recalca que la decisión final recae en los meteorólogos humanos. Para facilitar su adopción, se ha publicado el código y los pesos del modelo de forma abierta, junto con una versión ligera de 111 km de resolución que se ejecuta en una sola TPU o en cuadernos de Colab gratuitos.
Reflexiones finales
De todas las cifras presentadas, destaca especialmente el valor de esas 24 horas adicionales. Cuando se aproxima un ciclón, contar con un día más de margen proporciona a las comunidades costeras el tiempo indispensable para asegurar embarcaciones y trasladar a la población a zonas seguras.
La ciencia meteorológica está experimentando un cambio paulatino impulsado por la IA. El objetivo fundamental sigue siendo claro: avisar antes a la población sobre la llegada del temporal. El comportamiento de la IA ante eventos extremos inéditos requerirá un seguimiento continuo, pero la cooperación entre especialistas humanos e Inteligencia Artificial plantea la alternativa más sólida.
Enlaces de referencia:
- Google DeepMind: Avance de WeatherNext en predicción de huracanes
- Debate en HN (item?id=49220126)
