Google DeepMind publicó en Nature los resultados de WeatherNext Cyclones, un modelo de inteligencia artificial que en la evaluación de ciclones de 2023 a 2025 superó a los sistemas operativos líderes con un día o más de ventaja en la predicción de trayectoria, intensidad y tamaño del viento. Los autores describen esa mejora como comparable a una década de desarrollo operativo. El sistema ya se probó durante la temporada 2025 en el Centro Nacional de Huracanes de Estados Unidos, donde ayudó a emitir alertas anticipadas por el huracán Melissa antes de su impacto en Jamaica.
El problema que venían arrastrando los modelos de IA meteorológicos era doble. Por un lado, reproducían pronósticos con menor resolución espacial y temporal que los mejores modelos basados en física. Por otro, dependían exclusivamente de datos de análisis: estimaciones globales del estado de la atmósfera que se generan cada seis horas y que, sumando el tiempo de producción y publicación, llegan con entre seis y doce horas de retraso. Cualquier pronóstico arrancaba, entonces, con información que ya tenía medio día de antigüedad.
WeatherNext Cyclones ataca ese problema unificando en un solo sistema lo que antes requería dos métodos con lógicas distintas: la trayectoria del ciclón, que depende de corrientes atmosféricas a gran escala, y la intensidad, que responde a procesos termodinámicos locales en el núcleo de la tormenta.
El modelo se entrenó con cerca de 20 terabytes de datos atmosféricos globales y el registro histórico de unas 5.000 tormentas de la base IBTrACS, y genera conjuntos de hasta 1.000 escenarios simultáneos por ciclón, frente a los 50 que suelen manejar los modelos físicos convencionales. Gracias a aceleradores TPU, calcula una simulación completa a 15 días vista en menos de un minuto. Ese volumen de escenarios permite evaluar eventos poco frecuentes pero de alto impacto, como las intensificaciones rápidas.
Uno de los hallazgos más relevantes, sin embargo, es de eficiencia. El modelo opera con datos de 28 por 28 kilómetros, una resolución hasta 100 veces más gruesa que la malla que emplean las herramientas tradicionales para medir la intensidad en el núcleo, y no pierde precisión. Eso contradice la intuición instalada de que la alta resolución es un requisito innegociable para estimar la fuerza del viento, y cambia la ecuación de costos para cualquier institución que quiera adoptar esta tecnología.
Un modelo que aprende de observaciones crudas
En paralelo, DeepMind presentó WeatherNext 3, la siguiente generación, que ya corre de forma operativa. En lugar de alimentarse solo de análisis, ingiere imágenes de satélites geoestacionarios disponibles cada hora y publica un pronóstico nuevo cada hora, con resolución de 0,1 grados para variables de nivel único como radiación solar y nubosidad, comparable a la de los modelos físicos. También aprende a predecir directamente precipitación estimada por satélite y temperatura a dos metros en cualquier punto del planeta, sin limitarse a celdas de grilla predefinidas. Eso significa que un servicio meteorológico puede consultar temperatura y punto de rocío en una ubicación exacta, condicionada a la geografía local.
Detrás de ambos sistemas está FGN, la arquitectura presentada en arXiv que hace posible el pronóstico probabilístico. En lugar de simular dinámicas caóticas, el modelo aprende a generar perturbaciones en sus propios parámetros para producir un conjunto de escenarios, y se entrena directamente para minimizar el CRPS, una métrica que castiga tanto el error puntual como la falta de calibración de la distribución completa. Los autores muestran que FGN supera a GenCast, el modelo anterior de DeepMind y el primero en superar al sistema de conjunto del Centro Europeo de Pronósticos a Medio Plazo, en un rango amplio de métricas determinísticas y probabilísticas, incluida la trayectoria de ciclones.
Código abierto y ecuación de costos para la región
Para América Latina, el dato más importante no es técnico sino de acceso. Google liberó el código fuente y los pesos de WeatherNext 2 y WeatherNext Cyclones, y publicó una versión reducida, WeatherNext 2-mini, que corre en un solo TPU a través de cuadernos públicos de Google Colab, con una resolución de 111 por 111 kilómetros.
Eso significa que un servicio meteorológico nacional, un equipo de gestión de riesgo o una aseguradora sin supercomputadora puede experimentar con pronósticos probabilísticos de IA por el costo de una sesión en la nube. La región enfrenta cada temporada huracanes en el Caribe, el Golfo de México y el Pacífico centroamericano; veinticuatro horas adicionales de anticipación se traducen directamente en más tiempo para evacuar, asegurar infraestructura y activar protocolos.
La aplicación empresarial va más allá de la protección civil. La modelización probabilística en abierto sirve para planificar energía renovable, gestionar infraestructuras eléctricas, diseñar seguros paramétricos y proteger cadenas logísticas y agroindustriales. Con 1.000 escenarios en vez de 50, una compañía puede cuantificar mejor la probabilidad de un evento extremo y decidir si despliega recursos por adelantado. El valor para el negocio no está en el pronóstico promedio, sino en la cola de la distribución: la que describe lo que puede pasar, no lo que probablemente pasará.
Conviene, eso sí, medir el alcance. La evaluación de WeatherNext Cyclones cubre tormentas de tres temporadas, y los propios autores lo presentan como una herramienta de apoyo al pronosticador humano, no como un reemplazo. En el modelo operativo de NOAA, sus predicciones alimentan un consenso ponderado que lo complementa; la ventaja de un día es un promedio, no una garantía tormenta por tormenta. Tampoco sobra notar que WeatherNext 3 está operativo, pero su paper no anuncia la liberación de sus pesos, a diferencia de las versiones anteriores que sí fueron publicadas en abierto.
La frontera, de todos modos, se movió. Ya no hacen falta mallas finísimas ni infraestructura pesada para obtener pronósticos de nivel mundial, y la señal de intensidad que se consideraba indetectable sin alta resolución aparece con datos mucho más gruesos. Para un ejecutivo de una empresa latinoamericana expuesta a huracanes o a eventos climáticos extremos, la pregunta deja de ser si la IA puede mejorar la anticipación. La pregunta es si su organización está preparada para actuar dentro de la ventana de tiempo que esta tecnología acaba de abrir.
