Microsoft: IA abierta que predice el clima a 6 semanas

El nuevo método de Microsoft, Probabilistic Bias Correction (PBC), mejoró la precisión de uno de los modelos meteorológicos de referencia del Centro Europeo de Pronósticos Meteorológicos a Medio Plazo (ECMWF) en el 98% de los objetivos de precipitación y el 92% de los de temperatura, según el paper publicado en la revista Nature. Para un founder, el dato relevante no es el récord: es que la herramienta es de código abierto y corre en CPU, no en supercomputadoras ni en clústeres de GPUs.

Los pronósticos del clima —incluidos los modelos de IA más avanzados— suelen perder fiabilidad pasadas las dos semanas. Microsoft dice haber encontrado una forma más barata de estirar esa confiabilidad hasta las dos a seis semanas de anticipación, una ventana en la que agricultores, operadores logísticos y equipos de emergencia tienen que tomar decisiones que cuestan dinero y vidas.

¿Qué es PBC y por qué ataca justo el problema de las 2 a 6 semanas?

Un PBC (Probabilistic Bias Correction) es una capa de corrección: no es un modelo meteorológico nuevo, sino un sistema de machine learning que detecta el sesgo sistemático del modelo existente y lo ajusta.

El problema que resuelve es estructural. Los modelos basados en física simulan la atmósfera con ecuaciones, mientras que los modelos de IA buscan patrones en datos históricos. Ambos rellenan huecos de información —zonas con pocas estaciones meteorológicas, fenómenos atmosféricos que la ciencia todavía no termina de entender— con aproximaciones. Esas aproximaciones se convierten en sesgo, y el sesgo se compone a medida que el pronóstico se aleja en el tiempo.

El ejemplo que da Lester Mackey, investigador principal de Microsoft Research New England, es el cambio climático: un modelo entrenado con registros históricos tiende a predecir temperaturas más frías de las que el planeta está registrando hoy. PBC aprende ese desvío y lo corrige.

La clave técnica es que el método es agnóstico del modelo. Según Judah Cohen, climatólogo e investigador del MIT que desarrolló la herramienta junto a Mackey durante más de una década, sirve igual para un modelo tradicional que para uno de IA: "solo corrigiendo esos errores podemos tomar un modelo sin habilidad y volverlo hábil", declaró a Gizmodo.

Los números: el doble de precisión y la competencia del ECMWF

El paper —firmado por investigadores de Microsoft, el MIT, el ECMWF y otras instituciones— reporta resultados concretos sobre los sistemas del centro europeo. Además del 98% de precipitación y el 92% de temperatura, PBC mejoró la habilidad del modelo numérico en el 91% de los objetivos de presión e incrementó al doble la precisión subestacional del sistema de IA del ECMWF.

Según Gizmodo, la evidencia más contundente viene de una competencia: en el torneo de pronóstico en tiempo real que el ECMWF organizó en 2025, la herramienta produjo los pronósticos globales más precisos en todas las variables y períodos evaluados, superando a los modelos numéricos de seis centros operativos, al modelo de IA del propio ECMWF y a los sistemas de 34 equipos de todo el mundo.

El desempeño en eventos extremos es el dato que más debería interesar fuera del ámbito científico. Para pronósticos a tres semanas, PBC mejoró la capacidad de anticipar calor extremo, precipitación extrema y presión al nivel del mar inusualmente alta. Probado sobre inundaciones reales de la última década, mejoró la habilidad de predicción entre un 76% y un 92%; en inundaciones severas —las que causaron más de 100 muertes o desplazaron a 80.000 personas o más— la mejora fue de 86% a 150%.

El contrapeso viene del propio ECMWF. Matthew Chantry, su responsable estratégico de machine learning, le dijo a The Verge que el paper "es un buen ejemplo de ideas nuevas desarrolladas para beneficio y consideración de la comunidad", pero agregó una advertencia que cualquier equipo de producto debería leer dos veces: "como siempre, convertir las ideas en realidad dentro de un proceso operativo es el paso más desafiante".

Correr en CPU: el dato que cambia el cálculo

La computación necesaria para pronosticar el clima dejó históricamente fuera del juego a muchas agencias de países en desarrollo: los modelos físicos exigen supercomputadoras y los modelos generativos demandan GPUs potentes. PBC, según sus autores, funciona en CPUs.

"Tengo mucha esperanza tanto en la mayor eficiencia de recursos del pronóstico meteorológico como en la confiabilidad extendida de los pronósticos, especialmente para clima extremo", dijo Mackey a The Verge.

Genevieve Flaspohler, coautora del paper, trabajó en PBC como pasante en Microsoft y hoy dirige Rhiza Research, una organización sin fines de lucro que colabora con el Servicio Meteorológico de Kenia con financiamiento de la Fundación Gates para llevar alertas tempranas más precisas a la población. PBC es uno de los métodos que están probando antes de lo que se espera sea una temporada de lluvias más extrema durante un El Niño récord. Según Gizmodo, la oficina meteorológica de Kenia ya experimenta con la herramienta para mejorar el pronóstico del monzón. Flaspohler destaca lo mismo que Mackey: que son modelos livianos, fáciles de entrenar, que científicos sin grandes presupuestos pueden configurar para su localidad.

Google, Nvidia y la carrera del pronóstico con IA

Microsoft no compite solo. Google presentó su modelo WeatherNext 3, que según TechCrunch produce pronósticos cada hora, llega a una resolución de hasta 5 kilómetros —frente a los 25 km grid cada 6 horas del modelo anterior— y usa datos satelitales en tiempo real en lugar de depender solo de los datasets ya procesados por agencias. El modelo ya alimenta Search, Maps y Gemini.

Según Ars Technica, la mayoría de los modelos de IA climática se entrenaba exclusivamente con "reanalysis", snapshots globales que se generan cada seis horas y que descartan información del dato crudo. Ese es exactamente el cuello de botella que Google dice haber roto con la versión 3, con la que también busca pronósticos útiles para energía renovable, como la velocidad del viento a 100 metros.

La diferencia de estrategia es lo interesante para el ecosistema: Google y otros construyen modelos fundacionales, cada vez más grandes, que requieren infraestructura seria. Microsoft fue por el camino opuesto, una capa de post-procesamiento que mejora modelos ya existentes sin entrenar uno nuevo. Ese enfoque tiene una consecuencia económica directa: el costo de cómputo deja de ser la barrera de entrada. En 2018 el ECMWF liberó más de medio siglo de datos meteorológicos, según TechCrunch, y eso fue lo que permitió que el deep learning entrara en meteorología. PBC es un ejemplo de la siguiente etapa: no competir por GPUs, sino por mejores correcciones.

¿Qué significa esto para tu startup?

Aunque el clima no sea tu negocio, hay tres cosas que este paper habilita y que puedes usar esta semana.

• Si tu producto depende del clima, prueba la capa en lugar del modelo. Agro, logística, seguros, construcción, energía o turismo: puedes integrar PBC como post-procesamiento sobre el modelo que ya consumes, sin entrenar nada propio y corriendo en CPU. Menos costo de infraestructura y una mejora medible en la ventana de dos a seis semanas, que es justo donde hoy se toman decisiones de inventario, rutas y personal.
• Replica el enfoque en tus propios modelos de negocio. La idea central de PBC —detectar el sesgo sistemático y corregirlo con machine learning en lugar de reentrenar el modelo completo— se traslada a demanda, precios, churn o inventario. Es un ejercicio mucho más barato que un reentrenamiento y suele dar mejoras que sorprenden.
• Planifica para el gap entre paper y producción. La advertencia de Chantry es válida para cualquier herramienta de IA que quieras integrar: que un modelo gane una competencia no significa que esté listo para operar. Valida con tus propios datos antes de prometerle un SLA a un cliente.

Conclusión

Durante años la carrera del pronóstico con IA se jugó en quién entrenaba el modelo más grande. Microsoft acaba de demostrar que hay un camino lateral: corregir el sesgo de los modelos que ya existen, con una herramienta de código abierto que corre en CPU y que mejora la precisión donde más duele, en el clima extremo a tres semanas. Para las agencias y los equipos con poco presupuesto, la diferencia entre depender de una supercomputadora y de un servidor común es la diferencia entre poder participar o mirar desde afuera. La pregunta para el resto del ecosistema no es si el clima afecta tu negocio, sino si estás tratando el sesgo de tus modelos como un dato exótico o como un problema de ingeniería que se puede resolver.

Fuentes

• Microsoft has a new machine learning tool to improve weather forecasts - The Verge (fuente original)
• Forget the 10-Day Forecast. AI Just Improved Extreme Weather Warnings Up to 6 Weeks Out - Gizmodo
• Google's latest AI weather model gives you no excuse to forget your umbrella - TechCrunch
• Update to Google's AI weather model improves forecast accuracy - Ars Technica