Principales destacados
- WeatherNext 2, de Google DeepMind, logró aumentar en alrededor de 24 horas la anticipación con la que las previsiones de ciclones tropicales pueden alcanzar niveles de precisión comparables a los sistemas anteriores.
- La IA ya ayudó a meteorólogos durante el huracán Melissa, en 2025, al anticipar la intensificación de la tormenta y su llegada a Jamaica como un huracán de categoría 5.
- Google está poniendo a disposición WeatherNext 2 y WeatherNext Cyclones de forma abierta, permitiendo que investigadores estudien, prueben y desarrollen nuevas aplicaciones a partir de la tecnología.
Existe una enorme diferencia entre saber que un ciclón se está formando y saber, con suficiente confianza, lo que podría hacer unos días después.
Para quien sigue una tormenta por satélite, esa diferencia puede parecer pequeña. Sin embargo, para un meteorólogo responsable de una región costera, unas horas pueden cambiar completamente una decisión. Las evacuaciones deben organizarse, los refugios prepararse, los equipos desplazarse y los recursos posicionarse antes de que los vientos y las lluvias hagan estas operaciones peligrosas.
Es justamente en ese intervalo donde Google DeepMind está intentando avanzar.
En una investigación publicada en la revista Nature, los investigadores de la empresa presentaron resultados de WeatherNext 2 y WeatherNext Cyclones, modelos de inteligencia artificial desarrollados para mejorar la predicción de ciclones tropicales. Según los resultados divulgados por Google, la tecnología puede ofrecer, en promedio, aproximadamente un día adicional de capacidad predictiva en comparación con los sistemas anteriores.
En la práctica, esto significa que una previsión a tres días vista realizada por WeatherNext puede tener una calidad similar a la que los modelos anteriores solo alcanzaban para dos días. Google considera que este salto equivale, a escala, a aproximadamente una década de progreso acumulado en meteorología.
La novedad es aún más relevante porque no se trata solo de una demostración experimental. WeatherNext ya ha sido utilizado en situaciones reales de pronóstico y participó en el seguimiento del huracán Melissa, una de las tormentas más destacadas de la temporada de 2025.
Ahora, en lugar de mantener la tecnología cerrada, Google decidió poner los modelos a disposición de la comunidad. La empresa afirma que busca acelerar la investigación, ampliar la capacidad de predicción de eventos extremos y ayudar a instituciones de todo el mundo a desarrollar sus propias herramientas.
La IA intenta resolver uno de los problemas más difíciles de la meteorología
Predecir la trayectoria de un ciclón ya es una tarea extremadamente compleja. Predecir al mismo tiempo su trayectoria, intensidad, tamaño y estructura es aún más difícil.
Una tormenta tropical no se comporta como un objeto que sigue una línea recta. Está influenciada por una enorme cantidad de factores atmosféricos y oceánicos que cambian constantemente. Pequeñas variaciones en las condiciones iniciales pueden provocar grandes diferencias en la evolución del sistema unos días después.
Este fenómeno es una de las razones por las que los meteorólogos trabajan con diferentes escenarios y no con una única trayectoria.
WeatherNext aprovecha precisamente esta característica. En lugar de ofrecer solo una previsión considerada la más probable, el sistema puede generar un conjunto de posibilidades. En la temporada de 2025 se generaban 50 escenarios por tormenta. En la nueva generación, Google afirma que ese número ha llegado a 1.000 escenarios.
La idea es relativamente sencilla de entender.
Imagina que un ciclón se desplaza por el océano y existen pequeñas incertidumbres sobre su velocidad, intensidad y dirección. Un pronóstico tradicional puede mostrar la trayectoria más probable, mientras que un sistema ensemble produce varias posibilidades. Si muchas de ellas comienzan a apuntar a la misma región, los meteorólogos obtienen una indicación más clara de dónde se concentra el riesgo.
Al mismo tiempo, los escenarios que muestran caminos diferentes ayudan a visualizar la incertidumbre.
Este enfoque es especialmente importante para fenómenos extremos, ya que el futuro de una tormenta puede cambiar rápidamente. Una pequeña diferencia en las condiciones atmosféricas puede hacer que el ciclón se intensifique mucho más rápido o cambie su trayectoria.
Google DeepMind destaca otro aspecto curioso del modelo. WeatherNext puede producir previsiones de intensidad utilizando datos atmosféricos con una resolución relativamente más baja de la que normalmente se asocia a modelos tradicionales de alta resolución.
Los investigadores involucrados en el proyecto dijeron que se sorprendieron con este comportamiento. La interpretación es que la IA podría estar identificando patrones presentes en los datos que aún no son completamente comprendidos por los científicos.
Este detalle es especialmente interesante para la ciencia.
La inteligencia artificial no necesita necesariamente explicar de forma intuitiva cada patrón que ha aprendido para producir una predicción útil. Pero cuando una IA encuentra relaciones que no eran obvias para los investigadores, el resultado puede abrir una segunda línea de investigación: descubrir qué está percibiendo el modelo.
Es decir, la IA no solo puede predecir mejor, también puede ayudar a los científicos a formular nuevas preguntas sobre el funcionamiento de la atmósfera.
Melissa mostró por qué unas horas pueden marcar la diferencia
Uno de los ejemplos más importantes para entender el impacto de WeatherNext ocurrió en 2025.
El huracán Melissa comenzó como un sistema relativamente débil en el Caribe, y los modelos meteorológicos presentaban diferentes posibilidades para su desarrollo. Existían incertidumbres importantes sobre su trayectoria y sobre cuánto podría intensificarse la tormenta.
WeatherNext presentó un escenario mucho más agresivo.
Según Google DeepMind, cinco días antes del impacto en tierra, el modelo indicaba con un 80% de confianza que Melissa alcanzaría Jamaica como un huracán de categoría 5. Tres días antes, esa confianza se acercó al 100%.
El resultado fue especialmente relevante porque Melissa terminó alcanzando Jamaica como categoría 5. El National Hurricane Center también registró posteriormente que el modelo de Google DeepMind tuvo un muy buen desempeño en la predicción de la intensidad y de la rápida intensificación de la tormenta.
Los datos oficiales muestran la magnitud del fenómeno. El 27 de octubre de 2025, Melissa presentaba vientos máximos sostenidos estimados en 150 nudos, equivalentes a aproximadamente 278 km/h, con ráfagas aún mayores. Al día siguiente, el NHC registraba una presión central mínima de 901 mb y vientos de 150 nudos.
El episodio fue importante porque la intensidad de un ciclón suele ser una de las partes más difíciles de predecir.
Existe una especie de compromiso en los modelos meteorológicos tradicionales. Los sistemas globales pueden ofrecer una visión amplia de la atmósfera y son muy útiles para prever la trayectoria de una tormenta, pero pueden no representar con la misma riqueza los procesos más pequeños que influyen en su intensificación.
Por otro lado, los modelos regionales de alta resolución pueden observar mejor fenómenos de menor escala, pero pueden perder parte del contexto atmosférico global necesario para prever la trayectoria del ciclón.
WeatherNext intenta combinar estas dos ventajas mediante aprendizaje automático.
En lugar de simular la atmósfera de la misma forma que los modelos numéricos tradicionales, la IA aprende patrones a partir de décadas de datos meteorológicos globales y de conjuntos especializados relacionados con ciclones tropicales.
El resultado es un sistema capaz de considerar simultáneamente trayectoria e intensidad, dos características que históricamente representan desafíos diferentes.
El propio National Hurricane Center sigue tratando este tipo de tecnología como una herramienta dentro de un conjunto mucho más amplio de información. Esto es importante porque un pronóstico meteorológico no termina cuando el modelo determina una trayectoria.
Aún es necesario interpretar el impacto esperado.
Un ciclón puede cambiar de intensidad, pero lo que realmente importa para la población es saber qué ciudades podrían enfrentar vientos destructivos, lluvias extremas, tormentas costeras, inundaciones y deslizamientos.
Ahí es donde entran los meteorólogos.
WeatherNext no elimina a los meteorólogos, amplía el número de escenarios
Uno de los puntos más interesantes de esta nueva generación de modelos es precisamente la relación entre la IA y los especialistas humanos.
WeatherNext no fue desarrollado para sustituir el trabajo de quienes siguen huracanes. La propuesta es ofrecer a los meteorólogos más información para que puedan tomar mejores decisiones.
Esto puede parecer una diferencia pequeña, pero es fundamental.
Cuando una IA genera 1.000 escenarios posibles, ninguno de ellos debe interpretarse automáticamente como “el pronóstico”. El valor está en la distribución de las posibilidades.
Si 800 escenarios apuntan a una región determinada y los otros 200 indican caminos alternativos, el meteorólogo puede evaluar la situación con una noción más clara de la incertidumbre.
Si los escenarios están muy dispersos, el mensaje también es importante: aún hay muchas cosas que no pueden determinarse.
Esta característica hace que los modelos ensemble sean especialmente útiles para eventos extremos. La atmósfera es un sistema caótico y no existe un pronóstico perfecto.
Google ya venía trabajando en esta dirección antes del anuncio más reciente. En 2025, la empresa lanzó Weather Lab, una plataforma que permite explorar pronósticos de ciclones generados por modelos de IA y compararlos con sistemas basados en física. El proyecto también se desarrolló en colaboración con instituciones como el National Hurricane Center, el Cooperative Institute for Research in the Atmosphere, el Met Office británico y otros investigadores internacionales.
Esta colaboración es importante porque los modelos de IA para meteorología deben evaluarse frente a observaciones reales y métodos establecidos.
La discusión científica sobre la IA en la predicción del tiempo aún está madurando. Un análisis publicado por Nature en marzo de 2026 destacó que, aunque los modelos de inteligencia artificial están mostrando resultados impresionantes en la predicción de eventos extremos, aún se necesitan pruebas más rigurosas antes de que estos enfoques sean adoptados ampliamente por agencias públicas de pronóstico.
Esta cautela no disminuye el avance de WeatherNext. De hecho, ayuda a situarlo en perspectiva.
Una IA puede mostrar resultados extraordinarios en determinados conjuntos de datos y tormentas, pero eso no significa que siempre será el mejor modelo para todas las regiones, estaciones o tipos de ciclón.
El propio National Hurricane Center refuerza esta precaución: que un modelo tenga un rendimiento excelente en una temporada o en una tormenta específica no garantiza que será el mejor sistema en la siguiente situación.
Por eso, el escenario más probable no es una sustitución completa de la meteorología tradicional.
Es una combinación.
Modelos físicos, observaciones satelitales, radares, sensores oceánicos, aviones de reconocimiento y sistemas de IA pueden trabajar juntos. Cada fuente ofrece una perspectiva diferente de lo que está ocurriendo.
Y cuanto mayor es la calidad de esa información, mayor es la capacidad de los especialistas para identificar riesgos antes de que se conviertan en una emergencia.
El salto de 50 a 1.000 escenarios cambia la escala del pronóstico
La capacidad de producir 1.000 escenarios también revela una de las grandes ventajas de la inteligencia artificial aplicada a la meteorología: la velocidad.
Los modelos tradicionales de predicción numérica dependen de enormes cantidades de procesamiento para simular el comportamiento de la atmósfera. Hacerlo varias veces, con diferentes condiciones iniciales, puede requerir recursos computacionales significativos.
Los sistemas de IA siguen una lógica diferente. Una vez entrenados, pueden generar pronósticos rápidamente.
WeatherNext 2 es descrito por Google como un modelo global de predicción a medio plazo capaz de trabajar con diferentes variables meteorológicas y producir conjuntos de predicciones. Datos del Google Earth Engine muestran que el sistema opera con pronósticos de hasta 15 días y utiliza múltiples miembros de ensemble.
Esto abre posibilidades que van mucho más allá de los huracanes.
WeatherNext 2 puede trabajar con variables como temperatura, viento, precipitación, humedad y presión. Google también señala aplicaciones para eventos extremos, incluidos ciclones, ríos atmosféricos y temperaturas extremas.
En un mundo donde los eventos climáticos extremos pueden generar enormes impactos económicos, la capacidad de producir pronósticos rápidamente puede tener valor en muchos sectores.
Las empresas energéticas pueden usar mejores previsiones para planificar la generación renovable.
Los operadores de infraestructura pueden anticipar riesgos.
Los equipos de emergencia pueden posicionar recursos.
Los agricultores pueden tomar decisiones sobre riego y protección de cultivos.
Las aerolíneas y compañías marítimas pueden planificar rutas.
Y los gobiernos pueden recibir información adicional antes de decidir evacuaciones.
La diferencia es que la misma tecnología puede producir información en distintas escalas.
Un pronóstico global ayuda a entender el comportamiento de grandes sistemas atmosféricos. Al mismo tiempo, los conjuntos de escenarios pueden utilizarse para analizar la evolución probable de un ciclón específico.
Esta combinación es una de las razones por las que Google trata WeatherNext como parte de una estrategia más amplia de IA aplicada al planeta.
La empresa también utiliza inteligencia artificial en sistemas de predicción de inundaciones. Actualmente, Flood Hub cubre áreas de riesgo en más de 150 países y alcanza a cerca de 2.000 millones de personas, según Google. La empresa afirma además haber puesto a disposición de forma abierta conjuntos de datos y estructuras relacionadas con la predicción de inundaciones.
La lógica es similar: cuanto antes se pueda identificar un riesgo, mayor suele ser el margen de respuesta.
El código abierto puede ser tan importante como el propio pronóstico
Quizás la parte más estratégica del anuncio no esté solo en el rendimiento de WeatherNext.
Está en el hecho de que Google está abriendo la tecnología.
Google DeepMind anunció la disponibilidad abierta de WeatherNext 2 y WeatherNext Cyclones utilizados durante la temporada de huracanes. La expectativa es que investigadores e instituciones puedan estudiar los modelos, probar nuevos métodos y descubrir formas de mejorar la predicción de eventos extremos.
Esto puede acelerar un área que aún está en formación.
Cuando un modelo permanece cerrado, los investigadores externos dependen de resultados publicados o de interfaces limitadas para evaluar su funcionamiento. Con un acceso más amplio, la comunidad científica puede investigar el comportamiento del sistema en diferentes regiones y condiciones.
También existe una oportunidad científica particularmente interesante.
Como los propios investigadores admiten que aún no entienden completamente por qué WeatherNext puede extraer ciertos patrones de datos de resolución relativamente baja, investigadores externos podrán intentar descubrir qué está utilizando la IA.
Esta investigación puede producir algo más grande que una simple mejora del algoritmo.
Puede ayudar a meteorólogos y científicos atmosféricos a comprender mejor algunos mecanismos asociados a la formación e intensificación de los ciclones.
El código abierto también puede permitir que equipos de países con menos recursos computacionales exploren nuevas soluciones. No todos los servicios meteorológicos del mundo tienen acceso a las mismas supercomputadoras o infraestructura que los grandes centros internacionales.
Una tecnología de IA capaz de acelerar pronósticos puede, por tanto, tener un efecto democratizador.
Pero existe una advertencia importante: abrir un modelo no significa automáticamente que cualquiera pueda usarlo como un sistema operativo de alertas meteorológicas listo para reemplazar a una agencia oficial.
WeatherNext aún debe evaluarse según la región, el tipo de fenómeno y las necesidades de cada aplicación. El propio Google clasifica parte de los datos de WeatherNext como experimentales y advierte que no deben tratarse automáticamente como pronósticos oficiales o validados para todos los usos.
Esto refuerza la idea de que el código abierto es, ante todo, una invitación a la investigación.
Un día extra puede parecer poco, pero puede cambiarlo todo
Hay algo casi contraintuitivo en esta historia.
Un día parece poco comparado con los 15 días de pronóstico que pueden producir modelos como WeatherNext. Pero, para un ciclón tropical, un día de previsión confiable puede ser extremadamente valioso.
En ese intervalo, las autoridades pueden tomar decisiones que serían mucho más difíciles de ejecutar cuando una tormenta ya está cerca.
Evacuar a miles o millones de personas no es algo que ocurra en minutos. Hay que organizar carreteras, preparar refugios, alertar hospitales y desplegar equipos.
También existe el desafío de evitar falsas alarmas.
Un pronóstico muy incierto puede provocar evacuaciones innecesarias. Un pronóstico que subestime el riesgo puede dejar a comunidades sin tiempo suficiente para reaccionar.
Por eso, mejorar la precisión no significa solo predecir mejor la trayectoria de una tormenta. Significa aumentar la confianza en las decisiones que se toman alrededor de ella.
El caso de Melissa muestra por qué esta diferencia es tan importante.
El National Hurricane Center registró que la tormenta pasó por un período pronunciado de rápida intensificación mientras permanecía al sur de Jamaica, en condiciones oceánicas muy favorables y con bajo cizallamiento vertical del viento. El informe final también destacó el buen desempeño del modelo de Google DeepMind en la predicción de la intensidad y de la rápida intensificación.
Este tipo de resultado no significa que todos los futuros ciclones serán predichos perfectamente.
Significa algo más interesante: la inteligencia artificial parece estar añadiendo una nueva capa de información a uno de los sistemas de predicción más importantes para la seguridad pública.
Y ahora la comunidad científica podrá poner esta capacidad a prueba a una escala mucho mayor.
La verdadera prueba de WeatherNext no ocurrirá solo en las tormentas que acierte, sino también en aquellas en las que falle. Será necesario observar cómo se comporta el sistema en diferentes océanos, en distintas épocas del año y frente a fenómenos que no se parecen a los datos más comunes de su entrenamiento.
Si el rendimiento se mantiene consistente, el impacto podría ir más allá del mundo de los huracanes.
La IA meteorológica está dejando de ser solo una demostración de laboratorio y comenzando a convertirse en una herramienta científica y operativa.
En el caso de WeatherNext, el objetivo no es que la inteligencia artificial “adivine” el clima.
Es ofrecer a los seres humanos una visión más amplia de las posibilidades futuras.
Y, cuando se trata de un ciclón tropical, ver esas posibilidades un poco antes puede ser exactamente lo que falta para transformar una alerta en una respuesta capaz de salvar vidas.
