Google DeepMind y Google Research presentaron el 3 de septiembre de 2026 WeatherNext 3, su modelo de predicción meteorológica más avanzado hasta la fecha. La clave del salto: el sistema abandona las simulaciones físicas tradicionales y aprende directamente de datos de satélites en tiempo real, lo que le permite generar una previsión nueva cada hora con una resolución cinco veces superior a su predecesor.
De las simulaciones de supercomputadora al satélite en directo
La mayoría de los modelos de inteligencia artificial meteorológica, incluido el anterior WeatherNext 2, se entrenaban con datos procedentes de modelos numéricos de predicción del tiempo (NWP, por sus siglas en inglés). Esos sistemas son simulaciones físicas que requieren supercomputadoras y acumulan un retraso de seis horas en los datos. Ese desfase introduce errores sistemáticos en variables que cambian rápido, como la lluvia o la temperatura superficial.
WeatherNext 3 rompe con ese esquema. El modelo ingiere un mosaico continuo de datos de satélites geoestacionarios globales, actualizados cada hora, y los combina con observaciones directas de estaciones meteorológicas dispersas. El resultado es una previsión nueva cada sesenta minutos, anclada en las observaciones más recientes disponibles.
La arquitectura que hace posible este procesamiento se llama Functional Generative Network (FGN) mesh transformer, un diseño que permite al sistema manejar simultáneamente campos de datos en cuadrícula, trayectorias discretas de ciclones y coordenadas puntuales de estaciones.
Cinco veces más resolución: lo que cambia en la práctica
WeatherNext 2 producía previsiones en una cuadrícula de 25 kilómetros con actualizaciones cada seis horas. WeatherNext 3 trabaja con variables de superficie clave, como temperatura y humedad, a 5 kilómetros de resolución; otras variables de superficie, a 10 kilómetros; y variables atmosféricas como la velocidad del viento, a 25 kilómetros.
Esa diferencia no es solo técnica. Zonas costeras, valles y áreas de montaña presentan variaciones de temperatura y humedad que se producen en pocos kilómetros. Los modelos anteriores las promediaban y las perdían. WeatherNext 3 las resuelve porque entrena directamente sobre datos de estaciones de observación dispersas, no sobre representaciones agregadas de la atmósfera.
Un ejemplo concreto: en un mapa de temperatura a 2 metros sobre el suelo en el Reino Unido, WeatherNext 2 mostraba manchas borrosas y térmicamente homogéneas. WeatherNext 3 reproduce la topografía local con detalle, diferenciando valles fríos de laderas expuestas al sol en el mismo territorio.
Precipitación y energía limpia: las dos apuestas sectoriales de WeatherNext 3
La predicción de lluvia y nieve es el punto más débil histórico de los modelos globales. Los sistemas de precipitación dependen de procesos nubosos rápidos y a pequeña escala que las simulaciones físicas tradicionales no capturan bien. WeatherNext 3 aborda este problema con mayor resolución espacial y temporal combinadas, lo que permite detectar antes la formación de frentes y sistemas de precipitación.
El modelo incorpora también variables diseñadas específicamente para la producción de energía renovable. Genera previsiones de velocidad del viento a 100 metros de altura, que es aproximadamente la altura de operación de las turbinas eólicas, junto con datos de cobertura nubosa y radiación solar de alta resolución. Esa información permite a los operadores de redes eléctricas y promotores de energías limpias estimar con más precisión cuánta energía generarán sus instalaciones y ajustar la demanda.
América Latina, África y Asia-Pacífico: quién gana más con la nueva resolución
El coste computacional de los modelos regionales de alta resolución tradicionales ha dejado históricamente sin cobertura detallada a grandes zonas de América Latina, África y Asia-Pacífico. Esas regiones dependían de previsiones globales de baja resolución porque generar modelos locales requería infraestructura de supercomputación inaccesible.
WeatherNext 3 produce previsiones en cuadrícula de 5 kilómetros a escala global sin necesidad de modelos regionales separados. Para agricultores, operadores de infraestructuras o servicios de emergencia en esas zonas, eso significa acceso a previsiones localizadas que antes no existían o llegaban con demasiado retraso para ser útiles.
La evaluación independiente de la precisión del modelo fue realizada por Brightband, que situó a WeatherNext 3 como el modelo meteorológico global de IA más preciso en evaluaciones en vivo.
Integración en Google Search, Maps, Gemini y Cloud
WeatherNext 3 no es solo un modelo de investigación. Google lo ha integrado en Google Search, Google Maps, Gemini y Google Maps Platform. Los usuarios que consulten el tiempo en cualquiera de esas plataformas reciben ya previsiones generadas por este sistema.
Para empresas y desarrolladores, el modelo está disponible también a través de Google Cloud, lo que permite incorporar sus datos a aplicaciones propias: desde sistemas de gestión agrícola hasta plataformas de logística o planificación de eventos.
Qué revisar si usas datos meteorológicos de Google en tu trabajo o negocio
Si tomas decisiones basadas en previsiones del tiempo integradas en productos de Google, hay cuatro cambios concretos que WeatherNext 3 introduce y que conviene tener en cuenta:
La frecuencia de actualización pasa de seis horas a una hora. Si tus procesos estaban calibrados para recibir datos cada seis horas, la cadencia de actualización ha cambiado y puedes aprovechar información más reciente.
La resolución espacial en temperatura y humedad pasa de 25 kilómetros a 5 kilómetros. Para operaciones agrícolas, gestión de riesgos o planificación logística en zonas con relieve complejo, eso implica que los datos ahora distinguen microclimas que antes quedaban promediados.
Si operas activos de energía renovable, el modelo ahora incluye velocidad del viento a 100 metros y datos de radiación solar de alta resolución. Esas variables están disponibles a través de Google Cloud y pueden integrarse directamente en modelos de predicción de producción.
Para zonas de América Latina, África o Asia-Pacífico con cobertura histórica limitada, la disponibilidad de previsiones a 5 kilómetros es nueva. Vale la pena verificar si las herramientas que usas ya consumen estos datos o siguen tirando de fuentes anteriores de menor resolución.
WeatherNext 3 y el nuevo equilibrio entre modelos de IA y física atmosférica
Durante décadas, la predicción meteorológica de alta resolución fue territorio exclusivo de los grandes centros de cómputo nacionales e internacionales, como el Centro Europeo de Predicción a Plazo Medio (ECMWF) o la NOAA estadounidense. Los modelos de IA llegaron como alternativa más rápida y barata, pero con limitaciones en resolución y en la capacidad de capturar fenómenos locales extremos.
WeatherNext 3 estrecha esa brecha de forma medible. Al entrenar sobre observaciones reales de satélite y estaciones en lugar de sobre simulaciones físicas, el modelo reduce la dependencia de la cadena de procesamiento numérico y acorta el tiempo entre el fenómeno real y la previsión disponible.
El sector de la predicción meteorológica enfrenta ahora un escenario en el que los modelos de IA globales ofrecen resoluciones que antes requerían modelos regionales costosos. Eso presiona a los operadores tradicionales a redefinir su propuesta de valor, especialmente en servicios para mercados emergentes donde la infraestructura de supercomputación nunca llegó a implantarse.
Para el usuario final, el cambio más inmediato es que la previsión que aparece en Google Maps o en una búsqueda de Google ya no tiene seis horas de antigüedad: tiene una.
Imagen ilustrativa generada con inteligencia artificial.
Más sobre esto en LaPrensaIA
- Suno v6: primer modelo de IA musical con licencias de la industria
- Google DeepMind: agentes IA se delatan entre sí al hacer trampa
Fuente original: blog.google
Esta pieza la ha redactado Iberia, el sistema de inteligencia artificial de LaPrensaIA, a partir de las fuentes citadas. Fermín Sánchez ha decidido publicarla y responde de ella. Cómo trabajamos.
Contenido elaborado con la asistencia tecnológica de IBERIA y supervisión editorial. Fermín Sánchez es el responsable editorial de LaPrensaIA, diario de divulgación sobre inteligencia artificial. Cubrimos la actualidad de la IA con criterio propio —tecnología, empresas y sociedad— de forma clara para el público no técnico.
