Google DeepMind lanza WeatherNext 3: predice el tiempo cada hora a 5km

Qué es WeatherNext 3 y por qué importa

Google DeepMind y Google Research presentaron WeatherNext 3, un nuevo modelo de inteligencia artificial para predicción meteorológica que resuelve las tres debilidades históricas de los modelos climáticos por deep learning: baja resolución, mal desempeño con lluvia y dependencia de datos ya procesados por supercomputadoras gubernamentales.

El modelo predice variables clave con una resolución de 5 km (frente a 15–25 km de versiones anteriores), ofrece pronósticos cada hora en lugar de cada seis y, según Google, mejora en un 60% las evaluaciones de lluvia respecto a WeatherNext 2. Además, es 2,4 veces más grande en parámetros que su predecesor.

Qué cambia frente a WeatherNext 2 y la competencia

Hasta ahora, los modelos de IA meteorológica eran precisos pero demasiado generales y poco útiles para tomar decisiones locales. WeatherNext 3 ataca exactamente eso, según explicó a TechCrunch Samier Merchant, ingeniero senior de Google:

🤖 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

«Esta es la primera vez que algunas de las variables centrales alimentarán e impulsarán muchos productos de Google».

En el benchmark Operational WeatherBench —construido por la startup Brightband—, el modelo supera a sistemas anteriores de Google, a Microsoft, a Nvidia y al Centro Europeo de Pronósticos Meteorológicos a Mediano Plazo (ECMWF), además de a los pronósticos tradicionales del Servicio Meteorológico Nacional de EE.UU. y del propio ECMWF.

Otra novedad relevante: ahora el modelo apunta a estaciones meteorológicas específicas, lo que acerca la tarea de predicción a datos verificables. Daniel Rothenberg, científico atmosférico de Brightband, lo explicó así: «La idea es ejecutar tareas de extremo a extremo. Que el modelo prediga lo que medirá la estación del aeropuerto de Denver cada hora conecta la predicción con el núcleo del problema».

Cómo se entrena con datos crudos, no con procesados

La mayoría de modelos de IA se entrenan con los datos formateados que producen las supercomputadoras gubernamentales. WeatherNext 3 ingiere datos crudos de satélites meteorológicos en tiempo real cada hora, sin pasar por el pulido de los sistemas tradicionales.

Google afirma que es el «primer» modelo de IA en incorporar observaciones crudas para un pronóstico global de alta resolución. Sin embargo, la startup WindBorne sostiene que su modelo WeatherMesh 6 ya hacía esto desde finales de 2025, usando datos propios de su flota de 600 globos meteorológicos en 20 sitios de lanzamiento. Google respondió que su cobertura global es de mayor resolución; ambas partes coinciden en que todavía dependen de datasets nacionales, por lo que la verdadera asimilación directa de datos sigue siendo un trabajo abierto.

El contexto sectorial: de la física tradicional al transformer

Los pronósticos meteorológicos clásicos vienen de supercomputadoras gubernamentales que ejecutan ecuaciones físicas de la atmósfera. Son precisos, pero lentos y costosos. En 2018, el ECMWF liberó más de medio siglo de datos meteorológicos, lo que permitió entrenar modelos de deep learning con precisión comparable y velocidad muy superior.

Desde entonces, agencias públicas ya integraron IA en sus productos: el Servicio Meteorológico Nacional de EE.UU. y la Oficina Meteorológica del Reino Unido la usan. En paralelo, la predicción de ciclones con IA se consolidó: el modelo WeatherNext de ciclones —publicado en Nature y desarrollado con el Centro Nacional de Huracanes de EE.UU., el Instituto Cooperativo de Investigación Atmosférica (CIRA) y la Met Office del Reino Unido— predijo con 80% de confianza que el huracán Melissa (octubre de 2025) golpearía Jamaica como Categoría 5 cinco días antes de tocar tierra, según reportó WIRED.

WindBorne y el negocio detrás de los datos

El verdadero campo de batalla ya no es solo el modelo, sino los datos propios. WindBorne Systems, fundada en 2019, opera esa red de globos que describe como un «sistema nervioso planetario». En su ronda Serie B de US$37 millones —co-liderada por Khosla Ventures y Galvanize, y que valoró la compañía en US$250 millones, según reportó TechCrunch—, llevó su financiamiento total a más de US$62 millones.

Sus clientes actuales son principalmente gobiernos: el Servicio Meteorológico de EE.UU., la Fuerza Aérea y la Armada compran sus datos. El siguiente paso apunta al sector privado: fondos de inversión y trading firms que usan pronósticos afinados para predecir precios de commodities y otros activos sensibles al clima.

Qué significa esto para tu startup

No eres meteorólogo, pero si tu producto depende del clima —logística, agritech, energía renovable, e-commerce de bienes sensibles, insurtech, turismo, eventos— este salto impacta directamente tu operativa y tus costos.

Acciones concretas que puedes tomar hoy:

Revisa tu dependencia climática oculta. Audita qué procesos internos (rutas de entrega, fechas de siembra, mantenimiento de paneles solares, demanda estacional) se benefician de pronósticos horarios y de alta resolución. WeatherNext 3 estará disponible vía Google Cloud, Google Maps, Search y Gemini, así que intégralo en flujos internos sin construir tu propio modelo.
Evalúa el costo vs. suscripción premium. Si hoy pagas licencias caras a proveedores privados de datos meteorológicos, compara con la opción de consumir WeatherNext 3 desde Google Cloud o complementar con datos crudos vía alianzas con WindBorne. La promesa del modelo es reemplazar parte del gasto en software de predicción con API de IA más baratas.
Monitorea la asimilación directa de datos. La lucha entre Google y WindBorne por ser «el primero» en entrenar con observaciones crudas aún no está cerrada. Lo que se resuelva en los próximos meses definirá qué proveedor tiene el moat real para datos no satelitales —y eso afecta el precio que pagarás por acceso a datos propios de largo alcance.
Construye sobre la API, no el modelo. El coste de entrenar un modelo como este es enorme. La oportunidad está en consumir los pronósticos vía Gemini o Google Maps y construir UX específica para tu vertical: alertas para agricultores, recomendaciones de stock para retailers, pricing dinámico para aerolíneas. El modelo es commodity; el producto encima todavía no.