Google DeepMind anticipó el huracán Melissa con 5 días de ventaja

El 28 de octubre de 2025, el huracán Melissa tocó tierra en Jamaica con vientos sostenidos de más de 211 km/h, convirtiéndose en el primer huracán de categoría 5 en impactar la isla. Lo que la población no sabía en ese momento era que, cinco días antes, un modelo experimental de inteligencia artificial ya había pronosticado con un 80 % de certeza que la tormenta se intensificaría de forma explosiva y seguiría esa trayectoria. Ese modelo era WeatherNext, de Google DeepMind, y había hecho lo que ningún modelo de física tradicional logró en esa ventana de tiempo: ofrecer una predicción sólida y consistente.

Publicado en marzo de 2026, el reporte de verificación de la temporada 2025 del Centro Nacional de Huracanes (NHC) de EE.UU. confirma que Google DeepMind Ensemble Mean (GDMI) superó en precisión de trayectoria a todos los modelos operativos en plazos cortos (hasta 120 horas) tanto en el Atlántico como en el Pacífico oriental. En el Atlántico, los errores de trayectoria de los pronósticos oficiales estuvieron por debajo de los promedios de cinco años, pero la intensidad fue más difícil de predecir debido a un número inusualmente alto de casos de rápida intensificación (RI). Sin embargo, el NHC destaca que las tasas de detección de RI mejoraron respecto a la guía de modelos.

Paradigmático fue el caso del huracán Melissa. Evan Thompson, director del Servicio Meteorológico de Jamaica, confirmó que la alerta temprana emitida con base en los modelos de Google fue crucial para preparar a la población. "Cualquier cosa que hubieran experimentado antes no se compararía con esto", dijo Thompson, instando a la gente a prepararse. Los daños fueron catastróficos: techos arrancados de más de 120.000 edificios, decenas de miles de viviendas destruidas y 45 fallecidos. Pero el pronóstico mantuvo su consistencia, lo que probablemente salvó vidas.

Ahora, Google ha dado un paso más. En noviembre de 2025 presentó WeatherNext 2, una evolución del modelo basada en una nueva arquitectura llamada Red Generativa Funcional (FGN). Según la compañía, este sistema genera pronósticos ocho veces más rápido que su predecesor, actualizando las predicciones cada hora en lugar de cada seis. Además, supera al WeatherNext original en el 99,9 % de las métricas clave como temperatura, humedad y velocidad del viento. Y lo más relevante para la región: ya está integrado en servicios de Google que cualquiera puede usar, desde el buscador hasta Google Maps y la API meteorológica para desarrolladores e investigadores.

Para Latinoamérica, donde la infraestructura de supercomputación meteorológica es limitada y costosa, este avance representa un cambio de juego. Históricamente, según explica Julian Green, CEO de la startup meteorológica Brightband, solo ocho países han tenido modelos de predicción propios, y estos suelen ser los más ricos. La diferencia es brutal: un pronóstico a siete días en un país rico es más preciso que el pronóstico para mañana en un país pobre.

Con modelos de IA que se ejecutan en hardware de escritorio (una TPU, según Google DeepMind) en menos de un minuto, se elimina la barrera de entrada. Un estudiante de doctorado, como señala Ferran Alet, científico de Google DeepMind, puede hoy construir un modelo competitivo sin necesidad de un supercomputador del tamaño de un tráiler.

Eso sí, la tecnología no es perfecta. El informe del NHC ya señalaba que la intensidad sigue siendo un desafío, sobre todo en eventos de rápida intensificación. Y un estudio reciente en Science Advances (2026) advierte que los modelos entrenados con datos del pasado pueden tener dificultades para predecir fenómenos extremos que no están bien representados en el historial. Google reconoce que las predicciones de lluvia y nieve aún carecen de precisión por datos incompletos. Pero el ritmo de mejora es acelerado: en una sola generación de modelos se ha logrado el progreso que antes requería una década.

Para una empresa instalada en Latinoamérica, esto no es solo tecnología para saber si lloverá. Un pronóstico más preciso a 15 días permite a una cadena de retail redirigir inventarios antes de una tormenta, a una eléctrica ajustar la generación eólica y solar, y a una aseguradora modelar mejor el riesgo climático. El mercado de predicción meteorológica se expande a medida que la calidad y el alcance mejoran. Y, como dice Ferran Alet, el objetivo último va desde saber si tienes que coger un paraguas hasta salvar gente.