WeatherNext 3: el modelo de Google DeepMind que pronostica el clima cada hora, no cada seis

Los modelos globales de pronóstico del tiempo, con IA o sin ella, comparten una limitación estructural: solo producen una nueva estimación cada seis horas, y esa estimación llega con horas de retraso. WeatherNext 3, el modelo que Google DeepMind publicó el 3 de septiembre de 2026, rompe ese ciclo: genera un pronóstico global nuevo cada hora, alimentándose de imágenes de satélite geoestacionario con menos de una hora de retraso.

No es solo una mejora de velocidad. Es un cambio de qué datos entran al modelo, y eso importa para cualquiera que dependa de un pronóstico para decidir algo hoy, no dentro de seis horas.

El problema que el propio paper señala

Los modelos de IA para pronóstico del tiempo hasta ahora se entrenaban casi exclusivamente con datos de "análisis": estimaciones ya procesadas del estado de la atmósfera, generadas por los sistemas meteorológicos tradicionales a partir de observaciones reales. El paper de WeatherNext 3 identifica tres problemas de depender solo de eso: los análisis "tienen sesgos conocidos, particularmente en variables clave como precipitación o temperatura superficial"; se publican cada seis horas y llegan con hasta tres horas más de retraso, así que "el estado de análisis más reciente siempre tiene entre 6 y 12 horas de antigüedad"; y algunas observaciones, como las de satélites geoestacionarios, solo se incorporan de forma indirecta, con pérdida de información.

WeatherNext 3 evita ese cuello de botella prediciendo directamente sobre observaciones crudas (satélite, estaciones meteorológicas, ciclones), no solo sobre el análisis ya procesado.

Qué cambia técnicamente

Tres saltos concretos, documentados en el paper:

1. Resolución de 0,1° con paso horario, igualando a los mejores modelos físicos tradicionales en variables de superficie como radiación solar y cobertura de nubes, algo que la versión anterior (WeatherNext 2) no ofrecía.
2. Un "cabezal" de estación que predice temperatura a 2 metros y punto de rocío en cualquier ubicación y momento exactos, no solo en los puntos de una grilla predefinida, ajustado por características geográficas locales.
3. Predicción directa de precipitación derivada de satélite, en vez de depender únicamente de la precipitación estimada dentro del análisis meteorológico tradicional.

Las cifras frente a los modelos anteriores

El paper compara WeatherNext 3 contra dos referencias: su propia generación anterior (WeatherNext 2) y ENS, el sistema de pronóstico probabilístico físico del Centro Europeo de Pronósticos Meteorológicos a Medio Plazo (ECMWF).

Variable	Mejora reportada	Frente a
Variables de nivel superior (medio plazo)	Aproximadamente 5%, equivalente a 6 horas más de habilidad de pronóstico al mismo nivel de precisión	WeatherNext 2
Temperatura a 2 m (estaciones no vistas en entrenamiento)	Hasta 30% menos error (CRPS) a plazos cortos	WeatherNext 2
Temperatura a 2 m (estaciones no vistas en entrenamiento)	Hasta 40% menos error (CRPS) a plazos cortos	ENS (ECMWF)
Velocidad del viento a 10 m	5% menos error a plazos tempranos	Modelos base con menor resolución
Precipitación (contra IMERG, satélite)	Hasta 60% menos error a plazos tempranos	WeatherNext 2 y ENS
Precipitación (contra pluviómetros en tierra)	Hasta 10% menos error a plazos tempranos	WeatherNext 2 y ENS

Para poner la cifra del 5% en contexto: el paper recuerda que, históricamente, la habilidad de pronóstico del tiempo avanza a un ritmo de un día adicional de precisión por década (Bauer, Thorpe y Brunet, 2015). Una mejora del 5% sobre una versión publicada apenas un año antes es, según el propio paper, evidencia del ritmo acelerado que la IA le está imprimiendo a ese progreso.

El punto ciego que el propio paper reconoce

Nada de esto es uniforme en todo el planeta, y el paper es explícito al respecto. La predicción a nivel de estación depende de la densidad de observaciones en tierra (una red de unas 5.000 estaciones aeroportuarias METAR más redes regionales de mayor densidad, concentradas sobre todo en Europa y Norteamérica), y el propio equipo de DeepMind reporta haber notado sesgos marcados en zonas con poca cobertura de estaciones, mencionando explícitamente los Andes y el Himalaya como ejemplos de esas zonas de baja observación.

Eso no invalida la mejora técnica: la resolución de 0,1° y el pronóstico horario del componente de análisis siguen aplicando en todo el planeta por igual. Pero sí marca un límite real para la parte más nueva del modelo (la predicción puntual de temperatura y punto de rocío en cualquier ubicación): esa capacidad depende de qué tan densa es la red de estaciones en tierra de cada región, y en la cordillera andina, con estaciones meteorológicas dispersas, esa densidad es baja.

Qué podría significar para la gestión de riesgo climático

WeatherNext 3 ya opera de forma operacional, según indica el propio paper, con acceso público a través del sitio de DeepMind. No hay todavía un caso publicado de esta versión específica aplicada a un sistema de alerta temprana en América Latina o en cualquier otra región tropical de montaña, y eso hay que dejarlo claro antes de especular.

Dicho eso, un pronóstico que se actualiza cada hora en vez de cada seis, con datos de precipitación derivados directamente de satélite, es exactamente el tipo de insumo que importa para decisiones que no pueden esperar: una alerta de creciente súbita, la ventana de vuelo segura para un sobrevuelo de monitoreo, o el momento preciso en que una ola de calor cruza un umbral de riesgo de incendio. La pregunta abierta, y el propio paper la deja planteada al señalar los Andes como zona de baja observación, es si esa ganancia de resolución y frecuencia se traduce en la misma mejora donde la red de estaciones en tierra es más delgada, o si ahí el techo de mejora sigue estando limitado por la falta de observación local, más que por el modelo en sí.

Qué sigue

El paper deja una hoja de ruta implícita: la calidad de la predicción puntual de WeatherNext 3 escala con la densidad de estaciones de superficie disponibles para entrenarlo y validarlo. Para cualquier región con redes de estaciones meteorológicas dispersas (el paper nombra los Andes de forma explícita), eso convierte la inversión en infraestructura de observación en tierra en un factor que sigue determinando qué tanto una región puede aprovechar esta nueva generación de modelos, incluso cuando el modelo global ya está disponible y funcionando en cualquier parte del planeta.