En octubre de 2025, una tormenta comenzó a formarse sobre el Caribe. Los modelos meteorológicos tradicionales no se ponían de acuerdo: unos la veían débil y rumbo a Haití; otros, intensificándose y girando hacia Jamaica. Cinco días antes de tocar tierra, el modelo de inteligencia artificial WeatherNext, desarrollado por Google DeepMind y Google Research, proyectó con un 80 % de confianza que el sistema golpearía la isla como un huracán categoría 5. Melissa fue catastrófica, pero las alertas tempranas permitieron a las comunidades costeras prepararse con un margen que antes no existía.
Ese margen, según un estudio publicado en Nature, es en promedio de 24 horas adicionales: las predicciones a tres días del modelo de IA igualan la precisión que los sistemas previos alcanzaban a dos días. Para un país como México, Centroamérica o las islas del Caribe, ese día puede significar la diferencia entre una evacuación ordenada y una emergencia caótica.
Cómo funciona WeatherNext
Tradicionalmente, la predicción de ciclones combinaba dos métodos con limitaciones propias: uno para la trayectoria (corrientes globales) y otro para la intensidad (procesos termodinámicos locales en el núcleo de la tormenta). WeatherNext unifica ambos análisis en una sola arquitectura denominada redes generativas funcionales (FGN). El sistema fue entrenado con cerca de 20 terabytes de datos atmosféricos globales y el registro histórico de aproximadamente 5.000 tormentas de la base de datos IBTrACS.
Su capacidad de cómputo es otro salto. Mientras los modelos físicos tradicionales tardan horas en simular la evolución de un ciclón, WeatherNext genera una simulación a 15 días vista en menos de un minuto usando aceleradores TPU de Google. Para mejorar la fiabilidad, los desarrolladores ampliaron el tamaño de los conjuntos de simulación de 50 variantes (en pruebas iniciales) a 1.000 escenarios simultáneos por ciclón. Esta potencia permite evaluar riesgos poco frecuentes pero de alto impacto, como las intensificaciones rápidas.
Menos datos, más precisión
Uno de los hallazgos técnicos más relevantes es la resolución espacial que necesita el modelo. Históricamente se creía imprescindible usar mallas de altísima resolución para medir la intensidad del viento en el núcleo del ciclón. WeatherNext opera con datos de 28 por 28 kilómetros, una resolución hasta 100 veces más gruesa que la empleada por las herramientas convencionales, sin perder precisión. Esto abre la puerta a que agencias meteorológicas con menor capacidad computacional puedan adoptarlo.
Código abierto: un regalo para los servicios meteorológicos de América Latina
Google ha liberado el código fuente y los pesos de los modelos WeatherNext 2 y WeatherNext Cyclones. También publicó una versión reducida, WeatherNext 2-mini, diseñada para ejecutarse en un solo TPU a través de cuadernos públicos de Google Colab, con una resolución de 111 por 111 kilómetros —suficiente para muchas aplicaciones regionales.
Para los servicios meteorológicos de América Latina —que a menudo operan con presupuestos ajustados y recursos limitados— esto representa una oportunidad concreta. No necesitan construir supercomputadoras ni comprar licencias costosas; pueden integrar el modelo en sus flujos de trabajo con una conexión a internet y una cuenta de Google. Países como México, Colombia, Brasil, Chile y los del Caribe, expuestos de forma recurrente a huracanes y tormentas tropicales, podrían beneficiarse directamente de esta tecnología sin depender de centros de pronóstico extranjeros.
Más allá de la prevención de desastres
La modelización probabilística en abierto tiene aplicaciones directas en sectores clave para la región. La planificación de energías renovables —por ejemplo, la operación de parques eólicos en el Istmo de Tehuantepec o en la Patagonia chilena— puede anticipar vientos extremos y ajustar la producción. Las aseguradoras y los gobiernos locales pueden modelar riesgos con mayor exactitud para diseñar políticas de gestión de desastres. Incluso la logística portuaria y la agricultura de precisión se benefician de pronósticos más largos y fiables.
Lo que aún no sabemos
A pesar del avance, quedan preguntas abiertas. Los estudios académicos recientes —como una comparación entre modelos de IA y modelos numéricos tradicionales publicada en Weather and Forecasting, y un análisis desde la perspectiva de GNSS sobre la degradación espaciotemporal de la precisión en modelos fundacionales de clima— sugieren que la IA no es una solución mágica. La precisión puede variar según la región geográfica y el tipo de fenómeno. Para América Latina, donde la densidad de estaciones meteorológicas y datos de GPS es menor que en Estados Unidos o Europa, la calibración local será clave.
La apertura de WeatherNext es, en cualquier caso, un giro relevante en la conversación sobre el acceso a la inteligencia artificial. Hasta ahora, las herramientas de pronóstico de alta precisión eran patrimonio de unos pocos centros de cómputo. Que un modelo capaz de adelantar 24 horas la llegada de un huracán esté al alcance de cualquier oficina meteorológica latinoamericana con una laptop y conexión a internet cambia las reglas del juego. La pregunta ya no es si la IA puede predecir mejor—los datos lo confirman—, sino si los gobiernos y las empresas de la región están dispuestos a integrar esta capacidad en sus sistemas de alerta y toma de decisiones.
