La IA que predice el tiempo mejor que los meteorologos: hasta donde llega

La IA predicción meteorológica ya supera a los modelos numéricos clásicos en varios indicadores clave, y no por poco. En 2023, el sistema GraphCast de Google DeepMind demostró ser más preciso que el modelo de referencia global del Centro Europeo de Predicción a Medio Plazo (ECMWF) en el 90% de las variables evaluadas, con predicciones de hasta diez días. Eso, en un campo donde ganar unas horas de margen puede salvar vidas, es mucho.

Durante décadas, predecir el tiempo ha sido un problema de física computacional pura. Los meteorólogos usaban modelos numéricos que resuelven ecuaciones diferenciales complejas sobre la atmósfera, el océano y el suelo, necesitando superordenadores enormes y horas de cálculo. El resultado era bueno, pero costoso y lento. Los modelos de inteligencia artificial aprenden de forma diferente: en vez de resolver ecuaciones, aprenden patrones a partir de décadas de datos históricos, y hacen la predicción en segundos.

El cambio no es cosmético. Estamos ante una ruptura metodológica que lleva años gestándose en laboratorios de investigación y que ahora empieza a tocar los servicios meteorológicos que todos usamos, aunque la mayoría no sepa de dónde vienen los datos.

¿Cómo funciona una IA que predice el tiempo?

GraphCast, el modelo de Google DeepMind, funciona como una red neuronal de grafos entrenada sobre cuatro décadas de datos del ERA5, el archivo climático del ECMWF con registros desde 1979. La IA aprende a reconocer qué configuraciones atmosféricas evolucionan hacia qué estados, sin entender la física de por qué ocurre, pero siendo capaz de anticiparlo con una precisión notable.

Pangu-Weather, desarrollado por Huawei, usa una arquitectura tipo Transformer, la misma familia de modelos que hay detrás de los grandes modelos de lenguaje como GPT. FourCastNet, de NVIDIA, también apuesta por esta arquitectura. Todos comparten una característica: entrenar sobre datos históricos masivos para aprender la dinámica del clima sin programar explícitamente ninguna ley física.

Eso tiene implicaciones interesantes. Por un lado, la velocidad es radicalmente diferente: GraphCast genera una predicción global de diez días en menos de un minuto en un portátil de gama alta. Un modelo numérico equivalente necesita horas en un superordenador. Por otro, nadie dentro del sistema sabe exactamente qué variables internas está usando la IA para hacer su predicción. Es el problema de la caja negra que subyace en todos los modelos de lenguaje y que en meteorología plantea preguntas serias cuando el pronóstico falla.

Tampoco hay que idealizar los datos de partida. ERA5 tiene lagunas en zonas con pocos registros históricos, especialmente el hemisferio sur y las regiones polares. Una IA entrenada sobre datos imperfectos aprende también sus sesgos.

¿Qué ventajas reales tiene la IA frente a los modelos clásicos?

La ventaja más documentada es la predicción de fenómenos extremos con más antelación. En el seguimiento del ciclón Lee en 2023, GraphCast acertó con la trayectoria de aterrizaje con nueve días de antelación, mientras que los modelos numéricos convencionales no convergían hasta dos o tres días antes. Esa diferencia, en términos de evacuaciones y preparación de emergencias, es enorme.

Aurora, el modelo de Microsoft Research publicado en 2024, dio un paso adicional: funciona como un modelo de fundación climático capaz de adaptarse a distintas tareas con el mismo entrenamiento base. Aurora mejoró en un 5% la precisión media respecto a ECMWF en predicciones de cinco días, lo que en el mundo meteorológico se considera un avance significativo.

La eficiencia energética también importa. Los modelos numéricos clásicos consumen una cantidad de electricidad considerable cada vez que hacen una predicción completa. Que una red neuronal haga cálculos equivalentes en segundos y con mucha menos energía no es un detalle menor, sobre todo si se escala a predicciones más frecuentes o a regiones del planeta que no tienen acceso a supercomputación.

Ese potencial democratizador es real pero tiene matices. Los países con menos recursos todavía dependen de los grandes centros como el ECMWF, y para beneficiarse de estos modelos de IA igualmente necesitan infraestructura de datos y conectividad. El acceso no es automático.

¿Pueden estas IAs predecir fenómenos locales o solo el tiempo global?

Los modelos actuales de IA meteorológica trabajan principalmente a escala global y con resoluciones de 0,25 grados (unos 25-28 kilómetros). Eso los hace potentes para el seguimiento de grandes sistemas como huracanes o frentes extensos, pero insuficientes para predecir una tormenta localizada sobre una ciudad concreta o el comportamiento del viento en un valle de montaña.

La predicción local fina sigue siendo territorio de los modelos numéricos de alta resolución, como el HARMONIE que usan las agencias meteorológicas europeas, o de técnicas de reducción de escala estadística. Algunos grupos de investigación trabajan en combinar las dos aproximaciones: usar la IA para la predicción de gran escala y modelos físicos para el detalle local. La hibridación parece ser el camino más prometedor, aunque todavía está en fase de desarrollo activo.

En España, AEMET lleva años colaborando con el ECMWF y evaluando cómo integrar estas herramientas en sus sistemas operacionales. No han adoptado GraphCast ni Aurora como sustitutos, sino como herramientas complementarias. La cautela es razonable: un servicio meteorológico nacional no puede basar sus alertas en un sistema que no puede auditar completamente.

Ahí está la tensión real del sector. Los modelos de IA son mejores en promedio, pero fallan de formas distintas a los modelos físicos, y esos fallos son menos predecibles y más difíciles de explicar. En decisiones de protección civil, eso importa tanto como la precisión media.

Lo que la IA meteorológica todavía no puede hacer

Predecir más allá de dos semanas con fiabilidad sigue siendo un límite físico, no tecnológico. La atmósfera es un sistema caótico: pequeñas variaciones en las condiciones iniciales se amplifican con el tiempo. Eso no lo resuelve ninguna red neuronal, por grande que sea. Los avances de la IA en 2026 en tantos otros campos no han cambiado las leyes de la termodinámica.

Tampoco está claro cómo se comportarán estos modelos ante escenarios climáticos futuros para los que no tienen datos de entrenamiento. Si el clima cambia lo suficiente como para generar patrones sin precedente histórico, una IA entrenada sobre el pasado podría equivocarse sistemáticamente. Los modelos físicos, en cambio, siguen las leyes de la física aunque nunca hayan visto ese patrón antes.

Esto conecta con el debate más amplio sobre los límites de los sistemas que aprenden de datos históricos, algo que también aparece en otros contextos donde las decisiones automatizadas tienen consecuencias reales para personas que no entienden cómo se tomaron.

Hay un tercer límite: la incertidumbre cuantificada. Los buenos sistemas de predicción numérica generan conjuntos de predicciones (ensembles) que permiten estimar la probabilidad de distintos escenarios. Algunos modelos de IA ya producen predicciones probabilísticas, como GenCast de DeepMind, publicado a finales de 2024, pero esta capacidad todavía está menos madura que en los sistemas clásicos.

GenCast genera 50 predicciones diferentes en paralelo a partir de condiciones iniciales ligeramente distintas, algo equivalente al enfoque de ensembles, pero en una fracción del tiempo. Si esa línea de trabajo madura, podría ser el punto de inflexión que convenza a las agencias meteorológicas más conservadoras.

Mientras tanto, los meteorólogos profesionales no están siendo desplazados, sino reposicionados. El trabajo de interpretación, comunicación del riesgo y toma de decisiones en contextos de incertidumbre sigue siendo humano. La IA les da más información más rápido; lo que hacen con ella sigue dependiendo de criterio y experiencia. Algo parecido a lo que ocurre en otros campos donde los límites de la automatización siguen siendo un debate abierto.

El coste de los errores también cambia de naturaleza. Un modelo físico que falla lo hace por razones que los científicos pueden rastrear: un dato de entrada incorrecto, una parametrización inadecuada, condiciones iniciales con poca cobertura de observaciones. Un modelo de IA que falla puede hacerlo por razones que nadie en el equipo entiende del todo. La opacidad es el precio de la velocidad, y en meteorología de emergencias ese precio puede ser muy alto.

Dicho esto, la tendencia es clara. Los principales centros meteorológicos del mundo, incluidos el ECMWF, el Met Office británico y la NOAA estadounidense, están integrando modelos de IA en sus flujos de trabajo. No como reemplazos, sino como capas adicionales que mejoran el producto final. El debate sobre si la IA «supera» a los meteorólogos humanos es, en gran medida, el planteamiento equivocado. La pregunta más interesante es otra.

¿Cuándo dejaremos de saber por qué el tiempo fue distinto al pronóstico?

Si los modelos de IA siguen ganando terreno en la predicción operacional, llegará un punto en que la respuesta a «¿por qué falló el pronóstico?» sea «no lo sabemos con exactitud». Los modelos numéricos, con todos sus límites, ofrecían una respuesta física a ese fallo. Una red neuronal, no necesariamente. Eso tiene consecuencias para la rendición de cuentas en situaciones de emergencia, para la investigación meteorológica y para la confianza pública en los sistemas de alerta.

Los meteorólogos más críticos con estos modelos señalan que la precisión media no lo es todo cuando el fallo ocurre en el peor momento posible. Tienen razón en ese punto. Los defensores de la IA responden que los modelos clásicos también fallan, y con más frecuencia en promedio. También tienen razón. La cuestión es si estamos dispuestos a aceptar un tipo diferente de error, menos frecuente pero menos explicable, como parte del acuerdo.

La meteorología siempre ha convivido con la incertidumbre. Lo que cambia ahora es que parte de esa incertidumbre deja de estar en la atmósfera y pasa a estar dentro del modelo. Para una sociedad que ya convive con algoritmos que toman decisiones sin explicarlas, quizás ese paso ya está dado de facto. La pregunta es si lo hemos elegido conscientemente o si simplemente ha ocurrido porque los números eran buenos.

Preguntas frecuentes