WeatherNext 3: DeepMind predice el clima cada hora

Google DeepMind mete el pronóstico del clima en tiempo real

Google DeepMind y Google Research presentaron el 3 de septiembre de 2026 a WeatherNext 3, su modelo meteorológico global más avanzado hasta la fecha. Por primera vez, un modelo global actualiza el pronóstico cada hora — no cada seis — y lo hace a una resolución de hasta 5 kilómetros para variables como temperatura y humedad, cinco veces más fino que su antecesor WeatherNext 2.

La novedad técnica de fondo no es la precisión en abstracto, sino el dato con el que se entrena: observaciones reales en directo. La mayoría de los modelos de IA meteorológica, incluido el propio WeatherNext 2, se entrenan sobre salidas de modelos numéricos tradicionales (NWP), que ya llegan con un retraso de seis horas. WeatherNext 3 ingiere en directo un mosaico global de imágenes satelitales geoestacionarias y observaciones dispersas de estaciones terrestres, por lo que cada nuevo pronóstico se apoya en el estado más reciente de la atmósfera, según el anuncio oficial de Google.

¿Qué cambia frente a WeatherNext 2?

La diferencia es de granularidad temporal y espacial, los dos cuellos de botella del pronóstico hiperlocal:

🤖 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

Frecuencia: pasa de actualizar cada 6 horas a hacerlo cada hora.
Resolución: 5 km para variables de superficie (temperatura, humedad), 10 km para otras variables de superficie y 25 km para variables atmosféricas como viento, frente a una rejilla única de 25 km cada seis horas en la versión anterior.
Datos: integra directamente el mosaico satelital en directo junto con registros históricos, en lugar de esperar al análisis NWP que introduce el retraso.
Arquitectura: el sistema descansa sobre una única red generativa funcional (FGN) tipo mesh transformer de 32 capas y tamaño latente de 1024, que produce simultáneamente campos en grilla, tracks de ciclones y predicciones puntuales por estación.

Según el paper técnico citado por Unite.AI, el modelo fue entrenado con datos hasta el 30 de junio de 2026 y produce ensambles de 64 miembros con horizontes de hasta 15 días.

El salto en precipitación: hasta 60% mejor contra IMERG

Lluvia y nieve han sido históricamente el punto débil de cualquier modelo global. Las celdas convectivas se forman en escalas muy pequeñas y los modelos físicos clásicos las difuminan. WeatherNext 3 se entrena sobre dos fuentes de alta calidad: el producto satelital IMERG de la NASA y la reanálisis propia de Google basada en radar espacial, llamada PARDIG.

Los resultados que reporta Google:

Mejoras de hasta 60% en CRPS contra IMERG.
Mejoras de hasta 30% contra MRMS (radar).
Mejoras de hasta 10% contra pluviómetros en los primeros horizontes.
Pronósticos de precipitación hasta 50% más precisos cuando se planifica con un día o más de anticipación, medido por Brier score y CRPS.

En una evaluación cuasi-operativa de seis semanas (del 1 de julio al 11 de agosto de 2026) documentada en el paper, WeatherNext 3 superó al sistema AIFS ENS v2 del ECMWF en prácticamente todas las variables de niveles altos, con una mejora media cercana al 10% en la primera semana de pronóstico.

Energía renovable: viento a 100 metros y radiación solar por hora

Una de las piezas que más interesa a operadores energéticos: el modelo entrega viento a 100 metros de altura — la cota aproximada de las turbinas — junto con cobertura nubosa de alta resolución y radiación solar. Para un parque eólico o solar, eso significa poder anticipar la producción con granularidad útil para ofertar en el mercado eléctrico o balancear la red.

TechRepublic recoge que esta capacidad convierte al modelo en una pieza de infraestructura para el sector de limpias, no solo en una curiosidad científica. El propio anuncio destaca que operadores de red y desarrolladores de renovables pueden ajustar oferta y demanda con horas de anticipación gracias al ciclo de actualización por hora.

Quién corre contra Google en este terreno

El espacio ya no es de un solo jugador. El ecosistema de IA meteorológica incluye hoy a Huawei con Pangu, al Shanghai AI Lab con Fengwu, a la Universidad de Fudan con Fuxi, a NVIDIA con FourCastNet y al propio ECMWF con AIFS, además de startups con su propio stack, según el repaso de The Next Web. Una firma suiza asegura además superar a Microsoft y Google en benchmarks internos, aunque sin verificación independiente pública todavía.

El caso más citado es Fengwu, que según Reuters predijo la llegada a tierra del tifón Dolphin con cinco días de anticipación, dentro de un margen de 30 kilómetros y 30 minutos. La organización China ya probó un precedente para ciclones cuando el modelo de Google DeepMind, WeatherNext, anticipó con tres días de antelación la intensificación del huracán Melissa en Jamaica en 2025, lo que según Singularity Hub equivalió a "una década de progreso meteorológico" en esa métrica concreta.

El posicionamiento de Google se ancla en dos frentes: integración nativa con productos de consumo (Search, Gemini, Maps, Maps Platform Weather API y Earth Engine) y disponibilidad de los datos brutos vía BigQuery, Earth Engine y Cloud Storage en formato Zarr, con opción de inferencia personalizada sobre aceleradores en Google Cloud.

¿Qué significa esto para tu startup?

WeatherNext 3 cambia la ecuación para tres perfiles de founders:

1) Si construyes en agtech, logística o seguros. Pronósticos con 5 km de resolución y refresco horario permiten modelos de riesgo, ruteo o pricing dinámicos a nivel de municipio o parcela, no de país. Lo que hace un año requería comprar datos a agencias nacionales o a proveedores privados caros, ahora se puede consultar en BigQuery o Earth Engine con una API.

2) Si trabajas con energía solar o eólica. Tener viento a 100 m y radiación solar por hora es exactamente la granularidad que necesitas para construir ofertas de mercado intradiarias, optimizar mantenimiento o mejorar proyecciones a inversores. Antes esto lo entregaban pocos proveedores privados; ahora es accesible vía la Weather API de Google Maps Platform o los datos en crudo en Cloud Storage.

Acciones concretas:

Prototipa en una tarde: monta un dashboard en BigQuery con la tabla de WeatherNext 3 y compara tus predicciones internas de venta o demanda contra el forecast horario para validar mejora.
Integra vía API: si ya usas Google Maps Platform, activa la Weather API y rediseña la UX para mostrar probabilidad de lluvia por hora, no solo por día — un diferenciador de producto barato de implementar.
Valida en mercados desatendidos: el anuncio menciona explícitamente mejoras mayores en regiones con poco acceso a supercómputo. Si operas en LATAM, África o Asia-Pacífico, audita si tu producto asume pronósticos gruesos que ya están obsoletos.

Google insiste en su disclaimer oficial: para alertas de tiempo severo y avisos de seguridad pública, sigue contando con la agencia meteorológica local. Para decisiones comerciales y de producto, esta capa nueva cambia las reglas.