WeatherNext 3: el nuevo modelo de Google para clima en vivo

Google WeatherNext 3 ahora aprende del satélite en vivo, no solo de reanálisis

El 3 de septiembre de 2026, Google DeepMind y Google Research presentaron WeatherNext 3, su tercer modelo meteorológico global basado en IA, y el cambio más relevante no es solo de precisión: es de fuente de datos. Por primera vez, la familia WeatherNext ingiere directamente mosaicos de satélites geoestacionarios en vivo, en lugar de depender exclusivamente de los reanálisis que se actualizan cada seis horas. Según reportó The Decoder, esto le permite al modelo emitir un pronóstico nuevo cada hora, con una resolución de 5 kilómetros — unas cinco veces más fina que la de WeatherNext 2, que trabajaba en una grilla de 25 km cada seis horas.

Para una startup o una pyme que toma decisiones sensibles al clima — logística, agricultura, energía, seguros — la diferencia no es trivial: significa pasar de “una foto cada seis horas” a “una foto casi en tiempo real”, con el detalle suficiente para ver cómo se mueve una tormenta sobre una ciudad concreta.

Qué cambió respecto a WeatherNext 2

El salto técnico, descrito en el paper oficial de Google y resumido por Unite.ai, se sostiene en cinco palancas:

🤖 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

Ingesta directa de satélite geoestacionario. El modelo procesa un mosaico global con 11 canales a 0,1 grados de resolución y una latencia operativa de aproximadamente una hora. WeatherNext 2 entrenaba sobre salidas de modelos numéricos tradicionales (NWP), que cargan con ese retraso de seis horas y arrastran sesgos en variables que cambian rápido, como lluvia y temperatura de superficie.
Resolución cinco veces más alta. Las variables de superficie clave — temperatura y humedad — corren a 5 km; otras variables de superficie a 10 km, y las atmosféricas como viento a 25 km. WeatherNext 2 emitía todo a 25 km cada seis horas.
Más grande, pero optimizado. El tamaño latente sube de 768 a 1024 y la profundidad del mesh transformer de 24 a 32 capas, con ajustes de proceso para contener el costo computacional.
Pronósticos para renovables. El modelo añade salidas a 100 metros de altura —la altura típica de un aerogenerador— junto con cobertura nubosa e irradiancia solar detalladas para estimar producción eólica y solar.
Estaciones meteorológicas como entrada directa. WeatherNext 3 entrena también sobre datos puntuales de METAR (aeropuertos), redes Mesonet regionales y mediciones de barcos y boyas (ICOADS) desde 2001, aprendiendo a predecir temperatura y punto de rocío a 2 metros condicionados por elevación y terreno.

En la práctica, esto significa que el modelo ya no “imita” el resultado de un modelo físico tradicional: aprende patrones directamente de lo que los satélites y las estaciones están observando ahora.

Cuánto mejora en números verificables

Los benchmarks que Google reporta en el paper — citados por Unite.ai — son la parte más concreta para tomarle la palabra a un cambio así:

En pronósticos globales de precipitación a rango medio, el CRPS (una métrica estándar de calidad probabilística) mejora hasta 60 % vs IMERG (el producto satelital de NASA), 30 % vs MRMS (radar) y 10 % vs pluviómetros en los plazos cortos.
En temperatura a 2 metros, la estación de salida mejora el CRPS hasta 30 % frente a WeatherNext 2 y 40 % frente al sistema ENS del ECMWF en plazos cortos.
En una evaluación cuasi-operativa de seis semanas (del 1 de julio al 11 de agosto de 2026), el modelo superó al AIFS ENS v2 del ECMWF en todas las variables de niveles altos, con una mejora promedio cercana al 10 % en la primera semana de pronóstico.

En el caso de uso real, Google estima que los usuarios de Search, Maps y Gemini verán hasta un 50 % más de precisión en pronósticos de precipificación pensados para planificar el día siguiente o más adelante, con las mayores ganancias en regiones donde los pronósticos tradicionales son menos fiables — entre ellas, según The Decoder, América Latina, África y Asia-Pacífico.

Competidores y contexto: no estás solo en esta pelea

El movimiento de Google se inscribe en una carrera que ya tiene varios jugadores institucionalizados. La referencia europea es el ECMWF (Centro Europeo de Pronósticos a Plazo Medio), cuyo sistema AIFS se volvió operativo en 2025 y que, según un estudio de la Universidad de Miami publicado en Weather and Forecasting en 2026, ya muestra patrones útiles para pronosticar ciclones tropicales en el Atlántico con varios días de anticipación — aunque todavía con debilidades a plazos cortos para sistemas débiles.

En el frente privado destaca WindBorne Systems, una startup californiana que levantó en agosto de 2026 una Serie B de US$37 millones liderada por Khosla Ventures y Galvanize, con una valoración post-money de US$250 millones. Su modelo: lanzar los globos meteorológicos de mayor duración de vuelo del mundo (unos 600 en el aire en cualquier momento desde 20 sitios de lanzamiento) y alimentar con esos datos un modelo propio. Su CEO, John Dean, contó a TechCrunch que sus clientes actuales son la National Weather Service, la US Air Force y la US Navy, y que la próxima frontera es commodities y empresas privadas que necesitan traducir el clima en decisiones de negocio.

El patrón es claro: la capa de IA es cada vez más barata y portátil; la capa de datos propios sigue siendo el foso defensivo. Google tiene satélites en vivo; WindBorne tiene globos en la estratósfera; el ECMWF tiene décadas de archivo y supercomputación.

Qué significa esto para tu startup

Si tu producto toca clima — aunque sea tangencialmente — esta noticia cambia tres palancas:

Acceso a un insumo antes caro. El modelo ya está disponible vía BigQuery, Earth Engine, Google Cloud Storage (formato Zarr) y la Weather API de Google Maps Platform, según la documentación de desarrolladores de Google. Para una startup esto significa que puedes construir sobre el modelo de Google sin entrenar el tuyo, pagando solo por inferencia.
Cobertura donde antes no había nada. Las regiones peor servidas por los modelos numéricos tradicionales — gran parte de LATAM, África y el sudeste asiático — son justamente donde Google asegura las mayores mejoras. Si tu mercado está en México, Colombia, Chile o la Península Ibérica, la precisión sube más que en el norte de Europa.
Casos de uso nuevos para renovables y commodities. Las salidas a 100 m de altura (viento) y de irradiancia solar abren la puerta a productos para operadores de granjas solares y eólicas, traders de energía y fondos que usan clima para predecir commodities — exactamente el segmento que WindBorne está intentando atacar.

Dos acciones concretas esta semana

Audita tus dependencias climáticas. Si hoy consumes una API de clima (OpenWeather, Tomorrow.io, la del ECMWF, o un scraping manual), mapea qué variables usas y a qué resolución. Con WeatherNext 3 disponible vía BigQuery y la Weather API, vale la pena correr un piloto de dos semanas comparando tu métrica de negocio — conversiones, ventas, rutas optimizadas, kWh estimados — contra tu proveedor actual.
Evalúa un caso de uso de renovables o seguros paramétricos. Si trabajas en insurtech, agtech o gestión energética, las salidas nuevas del modelo (viento a 100 m, irradiancia, precipitación a 5 km) son una base más barata para productos paramétricos (seguros que se disparan automáticamente al cruzar un umbral climático) o para dashboards de generación renovable. Un MVP con la API de Google se puede levantar en días, no en meses.

La tendencia de fondo es que el pronóstico del tiempo deja de ser un commodity caro y se vuelve una utilidad de IA que cualquier startup puede enchufar — igual que pasó con el reconocimiento de imágenes o la transcripción. La pregunta ya no es si puedes acceder a un buen pronóstico, sino qué producto差异化 construyes encima.