Una tormenta se forma sobre el Caribe. Los modelos meteorológicos discrepan sobre hacia dónde se dirige y qué tan fuerte llegará a ser. Cinco días antes de tocar tierra, un modelo de IA predice, con un ochenta por ciento de confianza, que el sistema azotará Jamaica como un huracán de categoría 5. Esa predicción resulta ser correcta. La tormenta, el huracán Melissa, causa inundaciones y deslizamientos de tierra generalizados, pero las comunidades reciben alertas más tempranas de lo que habría sido posible con las herramientas de predicción tradicionales. Este no es un escenario hipotético. Es lo que ocurrió en octubre de 2025 y marca un punto de inflexión en la forma en que la inteligencia artificial se aplica a uno de los problemas de predicción más trascendentales de la ciencia.
La ventaja de un día que costó una década conseguir
El modelo WeatherNext, desarrollado por Google DeepMind y Google Research, ofrece predicciones de ciclones con un tiempo de antelación que es, en promedio, un día entero superior al de los modelos existentes. Para ponerlo en perspectiva: sus previsiones a tres días son tan precisas como las previsiones a dos días de los modelos anteriores. Ese único día de tiempo de advertencia adicional no es una mejora técnica menor. Históricamente, avanzar la precisión de las previsiones un día habría requerido aproximadamente una década de trabajo científico incremental, según los investigadores detrás del modelo.
Mike Brennan, director del Centro Nacional de Huracanes de EE. UU., enmarca los riesgos con claridad. Es necesario organizar las evacuaciones. Hay que preparar los suministros. Es necesario posicionar los recursos. Cada una de estas tareas depende del tiempo, y actuar basándose en una predicción errónea conlleva graves consecuencias. «El tiempo es realmente oro cuando se trata de ese tipo de decisiones», ha señalado Brennan. Un día extra no solo mejora un número en un gráfico de rendimiento. Cambia lo que es operativamente posible para las personas responsables de proteger vidas.
El problema de la intensidad que desconcertaba a los modelos anteriores
La predicción de trayectoria, es decir, la dirección que toma una tormenta, ha sido un punto fuerte relativo de los modelos meteorológicos de IA durante algún tiempo. La predicción de intensidad es un asunto completamente diferente. Los huracanes operan en múltiples escalas espaciales simultáneamente. Predecir la trayectoria de una tormenta requiere datos atmosféricos a escala global: frentes fríos, vientos dominantes, sistemas de presión a gran escala. Predecir cuán fuerte será una tormenta requiere datos locales y detallados sobre las condiciones atmosféricas y oceánicas en el núcleo de la tormenta.
Los modelos de IA anteriores manejaron la trayectoria razonablemente bien. La intensidad, como señala Kate Musgrave, líder del grupo de ciclones tropicales en el Instituto Cooperativo de Investigación en la Atmósfera y coautora del artículo, «no la podían hacer bien en absoluto». Esta distinción importa enormemente en la práctica. Una tormenta que parece manejable en categoría 1 puede intensificarse rápidamente durante la noche hasta convertirse en una emergencia de categoría 5. El huracán Melissa ilustró exactamente este escenario y marcó la primera vez que el Centro Nacional de Huracanes pudo predecir un huracán de categoría 5 mientras la tormenta aún estaba en intensidad de categoría 1.
Lo que hace que el rendimiento de WeatherNext en cuanto a intensidad resulte especialmente desconcertante para los investigadores es que logra esta precisión utilizando datos atmosféricos de menor resolución de la que requieren los modelos tradicionales. Cuando la comunidad científica en general se enteró de esto, la reacción fue de sorpresa. La suposición había sido que la predicción de intensidad detallada exigía datos de entrada detallados. WeatherNext parece extraer señales significativas de entradas más toscas de formas que aún no se comprenden. «Al fin y al cabo es una caja negra», dice Ferran Alet, científico investigador de Google DeepMind y uno de los autores principales del artículo, «pero eso les da a los físicos una señal de que está ocurriendo algo que antes no se entendía».
Lo que una caja negra le enseña a la ciencia
Aquí es donde la historia se vuelve interesante más allá de la meteorología. El modelo WeatherNext no produce una única previsión. Genera una gama de escenarios potenciales para cada tormenta en desarrollo, capturando la sensibilidad de los sistemas complejos a pequeñas variaciones iniciales. El año pasado produjo 50 escenarios por tormenta. Ahora genera 1.000. Ese volumen de resultados probabilísticos simplemente no se puede lograr con la modelización numérica convencional dadas las limitaciones informáticas actuales.
La opacidad del modelo es tanto una limitación como, de forma inesperada, un instrumento científico. Los investigadores no comprenden del todo por qué funciona tan bien como lo hace. Pero el hecho de que funcione, utilizando datos que la comunidad científica consideraba insuficientes, es en sí mismo informativo. Sugiere que los datos de menor resolución contienen más señales predictivas sobre la intensidad de las tormentas de lo que se creía anteriormente. Esa es una hipótesis que vale la pena investigar y que no habría surgido sin el rendimiento anómalo del modelo de IA.
Google DeepMind ha anunciado que hará de código abierto los modelos WeatherNext utilizados durante la temporada de huracanes. La intención es permitir que la comunidad de investigación en general los examine, utilice y desarrolle a partir de ellos. Alet ha expresado su esperanza de que esta apertura pueda generar nuevos conocimientos científicos sobre cómo se comportan los ciclones, no solo mejores previsiones.
Vale la pena retener el enfoque de Brennan aquí. El modelo es una nueva y potente herramienta, pero es una herramienta entre muchas. Ningún modelo garantiza un rendimiento superior en todas las tormentas o en todas las temporadas. La experiencia humana sigue siendo esencial, no porque la IA no pueda procesar datos, sino porque traducir una previsión de trayectoria e intensidad en evaluaciones de impacto viables requiere un juicio que va más allá del reconocimiento de patrones. «Son los impactos los que matan a la gente», señala Brennan. Ese trabajo de traducción pertenece a los expertos.
En resumen
WeatherNext demuestra que la IA puede cerrar una brecha de larga data en la predicción de huracanes, específicamente la dificultad de predecir cambios rápidos de intensidad, mientras opera con datos de entrada que la ciencia convencional consideraba inadecuados. La mejora de un día en el tiempo de antelación es significativa en términos humanos: amplía la ventana para la evacuación, la logística y la preparación. La precisión inexplicada del modelo también apunta hacia algo más amplio. Cuando un sistema de IA supera las expectativas utilizando métodos que los científicos aún no comprenden, la caja negra se convierte en una pregunta de investigación. El objetivo no son solo mejores previsiones. Es un nuevo conocimiento sobre cómo funcionan las tormentas.
Basado en información de Ars Technica.