WeatherNext: por qué importan varios pronósticos

Un pronóstico que dibuja una sola trayectoria para una tormenta parece preciso, pero no muestra cuánto podría variar. Un conjunto de escenarios ofrece otra lectura: permite observar cuánto se dispersan las posibles evoluciones y decidir con margen. La utilidad no está en imaginar que todos los escenarios ocurrirán, sino en saber que la previsión tiene incertidumbre y que una decisión puede depender de ella.

Ilustración conceptual generada para Gaia. Las líneas de la pantalla son ficticias: no representan un ciclón real ni una predicción oficial. Crédito: Gaia Genis Hub.

Qué anuncia Google y qué no

La página oficial de WeatherNext 3 de Google DeepMind, consultada el 11 de noviembre de 2026, lo describe como un modelo de pronóstico de conjunto que utiliza directamente datos de satélite y produce salidas cada hora. La página atribuye al sistema resoluciones orientadas a estaciones de 5 km para temperatura y humedad y de 10 km para otras variables de superficie. Esas son características comunicadas por su desarrollador; no equivalen por sí solas a una validación independiente de cada pronóstico local.

WeatherNext es además una familia de desarrollos. La explicación de DeepMind sobre ciclones habla de conjuntos y de sus experimentos con muchas trayectorias, pero no conviene trasladar automáticamente el tamaño de un experimento o de una versión a todas las salidas de WeatherNext 3. «Cientos de escenarios» en el título de una ficha editorial sería demasiado general sin precisar versión, variable y producto. Por eso esta pieza se concentra en el método: varias realizaciones frente a una respuesta única.

Cómo leer un conjunto sin confundirlo con una votación

Imagina diez trayectorias hipotéticas, producidas por un sistema inventado para este ejemplo. Si ocho pasan lejos de una ciudad y dos se acercan, no puedes concluir sin más que hay un 20 % de riesgo para esa ciudad. Para convertir la frecuencia de trayectorias en una probabilidad fiable hacen falta el diseño del conjunto, calibración y validación contra observaciones, como explica la guía de pronósticos de conjunto del ECMWF. El ejemplo de diez es inventado solo para explicar el mecanismo, no describe el tamaño ni la calidad de WeatherNext.

La dispersión sí puede servir como alerta de lectura. Un abanico estrecho sugiere que las trayectorias del conjunto se parecen entre sí para esa variable y horizonte; uno ancho señala desacuerdo. Ninguno garantiza que la realidad quede dentro del abanico. La guía del ECMWF sobre probabilidades exige interpretar el conjunto según su calibración y variable. Además, un modelo puede tener errores compartidos por todas sus realizaciones. Por eso una visualización atractiva no sustituye el contraste con observaciones y modelos de otros centros.

Diagrama editorial de Gaia. Explica una secuencia de decisión; no contiene probabilidades calculadas con datos meteorológicos reales.

Del pronóstico a la decisión: una pregunta útil

Una persona que planifica una excursión puede preguntar «¿qué pasa si el margen de error me deja sin tiempo para volver?». Un gestor de energía renovable puede querer saber cómo cambia su plan si la nubosidad se aparta de la trayectoria central. Son ejemplos de uso posible, no casos probados por Gaia. En ambos, el valor del conjunto está en preparar una decisión sensible al error: qué umbral activa un cambio de plan, cuánto tiempo de anticipación se necesita y qué coste tiene reaccionar tarde.

En la práctica conviene leer cuatro piezas juntas: variable (lluvia, viento, temperatura), horizonte temporal, zona geográfica y fuente del pronóstico. Una predicción horaria a escala de varios kilómetros no describe necesariamente lo que sucede en una calle o ladera concreta. Si una gráfica muestra percentiles, lee qué representan y durante qué periodo; el percentil no es una hora exacta de inicio de lluvia.

Avisos oficiales y límites de la investigación

DeepMind presenta Weather Lab como plataforma experimental y remite expresamente a los servicios meteorológicos para pronósticos y avisos oficiales. En España, cuando una decisión depende de riesgos meteorológicos, consulta los avisos de AEMET y sigue las instrucciones de protección civil. Una predicción de IA puede complementar la comprensión del riesgo, pero no es por sí misma un aviso oficial ni una promesa de seguridad.

Tampoco puede inferirse de una afirmación del fabricante que el sistema sea mejor en todas las variables, regiones y horizontes. Comparar modelos exige definir datos de referencia, periodo, métricas y casos extremos. Si una versión futura cambia su resolución o método, hay que revisar los datos de este artículo; el nombre de la familia no congela una especificación.

La mejora para el lector no es elegir «IA» o «meteorología clásica» como bandos. Es abandonar la falsa precisión de una sola línea y pedir siempre contexto, incertidumbre y procedencia antes de tomar una decisión.

Fuentes y agradecimientos

• Google DeepMind: WeatherNext 3 y Weather Lab, consultado el 11 de noviembre de 2026 para características declaradas, carácter experimental y remisión a avisos oficiales.
• Google DeepMind: investigación sobre pronósticos de ciclones, consultada para distinguir el trabajo sobre conjuntos de una especificación universal de WeatherNext 3.
• AEMET: avisos meteorológicos en España, destino oficial para comprobar avisos vigentes, no fuente de cifras del modelo de Google.
• ECMWF: pronósticos de conjunto a medio plazo y guía de interpretación de probabilidades, consultadas para explicar incertidumbre y límites de la lectura probabilística.

Agradecemos a DeepMind y al ECMWF la publicación de sus explicaciones técnicas y a AEMET la disponibilidad de sus avisos públicos. Ninguna de estas entidades ha revisado ni avalado este artículo.