DeepMind y el huracán Isaías: la IA que acertó la ruta

Un modelo de IA acertó la ruta del huracán Isaías donde fallaron los clásicos

Durante el huracán Isaías, un modelo de IA situó el momento de tocar tierra con un margen de error de pocas horas a más de tres días vista, y fue el que más se acercó al punto real de impacto, en Florida. Los sistemas tradicionales, tanto el europeo como el estadounidense, se desviaron demasiado al oeste. El caso lo difundió el usuario de X Packie Young y lo analizó HurriLab, según recoge Xataka.

Para un founder, la lección no es meteorológica: es sobre el momento exacto en que un modelo entrenado con datos históricos empieza a superar a un sistema basado en física y reglas que llevaba décadas siendo el estándar de la industria. Ese cruce ya ocurrió en la predicción del tiempo, y está ocurriendo en decenas de sectores más.

¿Qué dicen los datos oficiales sobre la IA en predicción meteorológica?

El Centro Nacional de Huracanes (NHC) de EE. UU. publicó su informe de 2025, el primer año en el que incorporó modelos de IA en sus operaciones en tiempo real. Según ese informe, el modelo de DeepMind superó el pronóstico del NHC en trayectoria entre 12 y 72 horas, con una habilidad comparable en intensidad. Los resultados llevaron a integrar la herramienta en las operaciones diarias.

Un artículo publicado en Nature este año sobre el modelo WeatherNext Cyclones —evaluado con ciclones entre 2023 y 2025— mostró de media un día o más de ventaja de anticipación frente a los principales modelos operativos actuales, según recoge Xataka.

El cambio institucional es la parte más reveladora. Durante Isaías, los meteorólogos estadounidenses ajustaron sus pronósticos oficiales para que se parecieran a los del modelo de DeepMind, relegando a un segundo plano a colosos históricos como el modelo europeo o el GFS estadounidense. Ese nivel de confianza explica también lo ocurrido con el huracán Melissa, donde el NHC logró anticipar su intensificación rápida casi tres días antes de que llegara a Jamaica, apoyándose en la IA.

El matiz que casi nadie cuenta: la intensidad sigue siendo de los modelos clásicos

El propio director del NHC matizó que el pronóstico oficial tuvo entre un 20% y un 40% más de habilidad que la IA al predecir la fuerza del huracán. Los modelos clásicos HWRF y HMON siguieron siendo los mejores en pronósticos de intensidad a largo plazo.

El patrón se repite fuera de EE. UU. En China, según Reuters, sistemas como Fengwu (Shanghai AI Laboratory), Pangu (Huawei) y Fuxi (Universidad de Fudan) generan pronósticos mucho más rápido que los sistemas convencionales y empatan o superan a los tradicionales en algunas métricas de precisión. Pero siguen por detrás en la predicción de la intensidad de una tormenta. Reuters reportó que, cinco días antes de que el tifón Dolphin tocara tierra, Fengwu predijo el momento y el lugar del impacto con un margen de 30 minutos y 30 km.

La conclusión operativa es incómoda para quien espera una solución única: la IA gana en trayectoria y velocidad, el modelo físico gana en intensidad y en eventos extremos. Ninguno reemplaza al otro todavía.

La ventaja que sí importa a una startup: eficiencia energética

El Centro Europeo de Previsiones Meteorológicas a Plazo Medio (ECMWF) tiene la IA plenamente operativa con su modelo AIFS, listo desde el 25 de febrero del año pasado, junto al modelo físico IFS. La diferencia principal es la eficiencia: la IA consume unas 1.000 veces menos energía por pronóstico, según recoge Xataka.

Ese es el patrón que se repite en toda la industria. Microsoft publicó en Nature un método de corrección de sesgo llamado Probabilistic Bias Correction que, según The Verge, puede correr solo en CPU y mejoró la precisión de un modelo físico del ECMWF para el 98% de los objetivos de precipitación y el 92% de temperatura, además de duplicar la precisión del sistema de IA del ECMWF.

Y no es solo cosa de gigantes. WindBorne Systems, fundada por estudiantes de Stanford en 2019, lanzó la sexta versión de su modelo WeatherMesh, que según TechCrunch produce un pronóstico cada hora —frente a cada seis horas de los modelos tradicionales— y con resolución de 3 km en EE. UU. La compañía levantó US$25M en financiación con una valoración reportada de US$85M en 2024, y opera unos 400 globos en 15 sitios del mundo.

¿Va a reemplazar la IA a los meteorólogos?

No por ahora. La mayoría de los modelos necesitan a la meteorología tradicional para arrancar y procesar la información con cálculos físicos, así que hoy funcionan como sistema de apoyo. La AEMET española mantiene un enfoque pragmático con ANEMOI-ML dentro del marco europeo: según la agencia, los resultados con IA son peores que los de los modelos tradicionales, y el problema principal es la suavización de los extremos meteorológicos —justo lo que importa cuando hay que emitir alertas por precipitaciones torrenciales.

Ese detalle es el más transferible a cualquier negocio que use IA: los modelos entrenados con datos históricos tienden a promediar, y promediar es exactamente lo que no quieres cuando el valor está en el evento raro. En meteorología eso es un huracán que se intensifica de golpe; en tu negocio puede ser un pico de demanda, un fraude atípico o un cliente a punto de irse.

Qué significa esto para tu startup

• Localiza el proceso caro que un modelo puede reemplazar. La IA meteorológica no gana porque sea más inteligente, gana porque hace el mismo trabajo con una fracción del coste. Revisa qué parte de tu operación depende de cómputo, licencias o personal especializado y pregúntate si un modelo entrenado con tus propios datos puede cubrirla.
• No apagues el sistema viejo: híbridalo. El NHC no sustituyó sus modelos físicos, los puso a trabajar en paralelo y usó cada uno donde era mejor. Aplica lo mismo: deja que el modelo nuevo gestione el caso frecuente y reserva el criterio humano o el sistema clásico para los casos extremos.
• Vigila el sesgo en los extremos. El fallo documentado de la IA meteorológica es suavizar los picos. Si tu producto depende de detectar anomalías —fraude, churn, caídas de infraestructura—, mide explícitamente el rendimiento del modelo en los casos raros, no solo en el promedio.
• Aprovecha la caída del coste de cómputo. Herramientas como el método de Microsoft corren en CPU, y eso abre la puerta a equipos sin presupuesto de GPUs. Antes de asumir que necesitas infraestructura de gran escala, verifica si existe una versión ligera que resuelva el 80% del problema.

Conclusión

La predicción del tiempo dejó de ser un laboratorio de física para convertirse en un caso de estudio sobre adopción tecnológica: un modelo de IA superó al estándar de la industria en una tarea concreta, las instituciones ajustaron sus procesos para parecerse al modelo, y aun así nadie apagó el sistema anterior porque en el terreno donde más duele —la intensidad, los extremos— el clásico sigue ganando.

Ese equilibrio, y no el reemplazo total, es lo que un founder debería copiar. La pregunta útil no es si la IA puede hacer tu trabajo, sino en qué parte exacta de tu operación ya lo hace mejor y más barato, y qué haces con el resto.

Fuentes

• Xataka (fuente original)
• Gizmodo
• TechCrunch
• Reuters vía Yahoo News
• The Verge