La dernière initiative de Google en matière de modèles météorologiques repose sur un principe simple : les prévisions s’améliorent lorsque le modèle observe l’atmosphère au plus près du temps réel. WeatherNext 3, qui alimente désormais les prévisions dans Search, Maps et Gemini, fait passer le système d’IA de Google de mises à jour toutes les six heures à des prévisions horaires en intégrant des observations satellitaires.¹

L’entreprise affirme que ce changement fournit une vision mondiale cinq fois plus précise que WeatherNext 2, certaines variables étant cartographiées à une résolution pouvant atteindre 5 kilomètres au lieu d’une grille de 25 kilomètres. Samier Merchant, ingénieur de recherche chez Google, a déclaré que la clé résidait dans l’accès à des « jeux de données observationnelles plus récents et plus riches ». ¹ Google affirme que les prévisions de précipitations peuvent être jusqu’à 50 % plus précises au moins un jour à l’avance, en particulier pour les systèmes de pluie et de neige évoluant rapidement ainsi que dans les régions disposant de moins de stations de mesure au sol.¹

Le directeur de DeepMind, Demis Hassabis, a amplifié le lancement, décrivant WeatherNext 3 comme une « avancée majeure » qui apprend à partir d’« observations du monde réel, en temps réel » afin de produire plus rapidement des prévisions plus localisées.Demis Hassabis (demishassabis)² Google présente également le modèle comme un outil énergétique, notamment avec des prévisions de vitesse du vent à la hauteur des éoliennes, alors que l’entreprise souligne la valeur de la production renouvelable face à la hausse de la demande des centres de données.¹

Mais une lecture plus attentive des résultats techniques modère cette célébration. Une évaluation indépendante a relevé une amélioration d’environ 5 % de la précision dans la haute atmosphère par rapport à WeatherNext 2 — ce qui équivaut, selon Google, à environ six heures supplémentaires de délai de prévision fiable — ainsi qu’un gain pouvant atteindre 30 % de la précision des températures de surface propres à un lieu.³

Cette même évaluation a identifié une exception gênante en début de prévision : pour plusieurs variables, WeatherNext 3 affichait initialement de moins bons résultats que les modèles de comparaison avant de prendre l’avantage plus tard dans ses perspectives à 15 jours. Elle a également signalé des motifs de précipitations d’apparence hexagonale et des ensembles de prévisions de température mondiale pouvant dériver vers des valeurs trop chaudes ou trop froides — des anomalies que l’article n’explique pas.³

C’est là toute la tension centrale. L’IA peut fonctionner à un coût bien inférieur et bien plus fréquemment que les modèles numériques traditionnels, mais elle demeure largement une boîte noire d’apprentissage de motifs. Google entraîne lui-même encore WeatherNext 3 à partir de données de modèles fondés sur la physique, tandis que les prévisionnistes comparent généralement plusieurs modèles avant d’émettre des alertes.¹