Google WeatherNext 3: predicciones cada hora con 60% más precisión

Google mete datos satelitales en tiempo real a su modelo de IA para el clima

Google presentó este miércoles WeatherNext 3, la tercera generación de su modelo meteorológico basado en inteligencia artificial, entrenado por Google DeepMind y Google Research. La novedad central: por primera vez ingiere observaciones satelitales crudas en tiempo real, en lugar de alimentarse exclusivamente de los análisis procesados por los supercomputadores de las agencias gubernamentales.

Según Google, el modelo produce pronósticos cada hora con una resolución espacial de hasta 5 kilómetros, frente a los 25 km y los ciclos de 6 horas de WeatherNext 2 — un salto equivalente a multiplicar por cinco la nitidez global del mapa. En pruebas con Operational WeatherBench (la herramienta de comparación de la startup Brightband), WeatherNext 3 superó a modelos previos de Google, a alternativas de Microsoft y Nvidia, y a los pronósticos tradicionales del Servicio Meteorológico Nacional de EE.UU. y del Centro Europeo de Pronósticos a Plazo Medio (ECMWF), según reportó TechCrunch.

La mejora más concreta llega en lluvia y nieve: las evaluaciones de precipitación son 60% mejores que las de WeatherNext 2 según TechCrunch, y Google afirma que los usuarios verán pronósticos hasta un 50% más precisos cuando miren al menos un día hacia adelante, según The Verge.

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

Por qué importa el cambio técnico

Los modelos meteorológicos clásicos resuelven ecuaciones físicas en supercomputadoras propiedad de los estados: costosos, lentos y con un desfase inevitable entre el momento en que se mide y el momento en que se publica el pronóstico. La generación anterior de modelos de IA — incluida WeatherNext 2 — aprendía patrones sobre esos datos ya procesados, lo que heredaba sus limitaciones de resolución y latencia.

WeatherNext 3 incorpora 2,4 veces más parámetros que su predecesor, según TechCrunch, y apunta a estaciones meteorológicas específicas, no solo a grillas tridimensionales. Esto le permite, por ejemplo, predecir qué va a medir la estación del aeropuerto de Denver a una hora determinada, y comparar esa salida con datos reales sobre el terreno.

La integración satelital horaria también reduce el problema clásico de los modelos de IA: dependían de datos formateados por agencias. Google sostiene que es el "primer" modelo de IA en incorporar observaciones crudas para un pronóstico global de alta resolución, aunque la startup WindBorne afirma que su modelo WeatherMesh 6 ya ingería datos crudos desde finales de 2025, según TechCrunch. Google respondió que su resolución global es mayor; en cualquier caso, ambos modelos siguen apoyándose en datasets nacionales.

El ojo puesto en la energía renovable

Una de las variables que el modelo aprende a pronosticar es la velocidad del viento a 100 metros, la altura típica de las palas de un aerogenerador. Ferran Alet, research scientist en Google DeepMind, lo justificó así ante The Verge: a medida que crecen las necesidades energéticas de Google y del resto del mundo, "asegurarnos de que las renovables sean una oportunidad muy atractiva es muy importante para nosotros".

El uso no se queda en el marketing: WeatherNext 3 ya está integrado en Google Search, Google Maps, Gemini y otros productos, y Google ha trabajado con el Centro Nacional de Huracanes de EE.UU. y agencias en Asia para mejorar sus pronósticos con estos modelos.

El flanco débil: cuando el dato meteorológico se convierte en vector de ataque

La dependencia creciente de observaciones externas abre una vulnerabilidad que ya se materializó. MIT Technology Reviewdocumentó que la estación meteorológica del aeropuerto Charles de Gaulle de París fue manipulada los días 6 y 15 de abril de 2026 — aparentemente con un secador de pelo o un encendedor — para registrar picos de temperatura sospechosos. Una persona ganó 20.000 dólares en mercados de predicción que habían apostado a que la temperatura alcanzaría los 22°C cuando el promedio real estaba cerca de los 18°C.

Los modelos tradicionales tienen un salvavidas llamado data assimilation: cada medición se contrasta con lo que dice el modelo físico y con estaciones vecinas, lo que permite detectar anomalías. Los modelos de IA, al ser "data-driven" puros, son más dependientes de observaciones limpias, y al mismo tiempo más vulnerables a manipulaciones coordinadas y sutiles. Investigadores del ECMWF están explorando si se pueden producir pronósticos directamente a partir de observaciones crudas, saltándose ese filtro — lo que podría mejorar velocidad y precisión pero también amplifica el riesgo, según MIT Technology Review.

Qué significa esto para tu startup

Tres lecturas prácticas para founders que trabajan en clima, agtech, energía o infraestructura:

Construye sobre WeatherNext 3 si tu producto depende de预报 hiperlocal. Ahora que las salidas son horarias y a 5 km, puedes montar alertas de heladas, ventanas de fumigación o riesgo de inundación con granularidad antes reservada a proveedores pagos. Revisa la documentación y los pesos abiertos en GitHub para casos de uso que no compitan con los productos propios de Google.
Piensa en el ángulo renovable desde el día uno. Si estás en España, Chile, México o cualquier mercado con alta penetración eólica o solar, la capacidad de pronosticar viento a 100 m y radiación horaria abre nuevos productos: trading energético, gestión de microrredes, contratos PPA con cobertura de riesgo. El coste de cómputo de WeatherNext 3 es bajo comparado con simulaciones físicas, lo que mejora la economía unitaria.
Diseña pensando en integridad del dato. Si tu modelo consume feeds meteorológicos de terceros, añade validación contra estaciones vecinas y monitorización de anomalías. Como mostró el caso de Charles de Gaulle, los modelos de IA son resilientes al ruido pero frágiles ante manipulaciones coordinadas. Tener redundancia de fuentes y alertas de outliers ya no es paranoia: es una línea de defensa competitiva.