La última apuesta de Google por los modelos meteorológicos parte de una premisa sencilla: los pronósticos mejoran cuando el modelo observa la atmósfera más cerca del tiempo real. WeatherNext 3, que ahora alimenta los pronósticos en Search, Maps y Gemini, desplaza el sistema de IA de Google de actualizaciones cada seis horas hacia pronósticos horarios mediante la incorporación de observaciones satelitales.¹

La empresa afirma que ese cambio ofrece una imagen global cinco veces más precisa que WeatherNext 2, con algunas variables cartografiadas a una resolución de hasta 5 kilómetros en lugar de una cuadrícula de 25 kilómetros. El ingeniero de investigación de Google Samier Merchant afirmó que la clave fue el acceso a «conjuntos de datos observacionales más recientes y ricos».¹ Google asegura que los pronósticos de precipitación pueden ser hasta un 50% más precisos con al menos un día de antelación, especialmente para sistemas de lluvia y nieve que evolucionan rápidamente y en regiones con menos estaciones de medición terrestres.¹

El jefe de DeepMind, Demis Hassabis, amplificó el lanzamiento y describió WeatherNext 3 como un «gran avance» que aprende de «observaciones del mundo real y en tiempo real» para producir predicciones más localizadas con mayor rapidez.Demis Hassabis (demishassabis)² Google también presenta el modelo como una herramienta energética, incluidos pronósticos de velocidad del viento a la altura de las turbinas, mientras la empresa subraya el valor de la generación renovable ante el aumento de la demanda de los centros de datos.¹

Pero una lectura más atenta de los resultados técnicos modera la celebración. Una evaluación independiente halló una mejora de aproximadamente el 5% en la precisión de la atmósfera superior frente a WeatherNext 2 —equivalente, según Google, a unas seis horas adicionales de anticipación fiable— y una ganancia de hasta el 30% en la precisión de la temperatura superficial específica por ubicación.³

La misma evaluación identificó una incómoda excepción en los pronósticos iniciales: para varias variables, WeatherNext 3 al principio tuvo un rendimiento peor que los modelos de comparación antes de adelantarse más tarde en su proyección de 15 días. También señaló patrones de precipitación con aspecto hexagonal y conjuntos globales de temperaturas que pueden desviarse demasiado hacia el calor o el frío, anomalías sin explicación en el documento.³

Esa es la tensión central. La IA puede funcionar de manera mucho más económica y frecuente que los modelos numéricos tradicionales, pero sigue siendo en gran medida una caja negra de aprendizaje de patrones. La propia Google aún entrena WeatherNext 3 con datos de modelos basados en la física, mientras que los meteorólogos suelen comparar varios modelos antes de emitir alertas.¹