Veinticuatro horas antes de la llegada de un ciclón tropical pueden cambiar mucho más que un gráfico. Para un hospital, significan trasladar pacientes vulnerables y revisar generadores antes de que se inunden las carreteras. Para un puerto, cerrar grúas y asegurar combustible. Para una familia, encontrar transporte, medicamentos y refugio mientras una orden oficial todavía puede cumplirse sin pánico. Por eso WeatherNext Cyclones, de Google DeepMind, encaja en Good Tech News: no es una celebración ingenua del AI, sino una mejora que se mide en tiempo de aviso.

Pronóstico asistido por AI de un ciclón tropical con trayectorias probabilísticas e infraestructura preparada Nature publicó el 6 de agosto de 2026 el artículo “Operational Tropical Cyclone Forecasting with AI”. Allí WeatherNext Cyclones se presenta como un modelo operativo para prever trayectorias, intensidad y radios de viento de ciclones tropicales en todo el mundo. DeepMind afirma que, en la evaluación con tormentas recientes, obtuvo una ventaja media de aproximadamente un día o más frente a modelos operativos líderes. En términos prácticos, un pronóstico a tres días de WeatherNext puede acercarse a la utilidad que antes se esperaba de un horizonte de dos días.

La diferencia importa porque un ciclón no es solo una línea en el mapa. La trayectoria depende de grandes flujos atmosféricos; la intensidad depende de calor oceánico, cizalladura, humedad y procesos internos cerca del ojo. Un desplazamiento de decenas de kilómetros cambia qué comunidades se inundan primero. Una intensificación rápida cambia si los hospitales, puertos y servicios de emergencia tienen margen para actuar.

La noticia debe leerse con una advertencia central: el modelo no sustituye a los servicios meteorológicos nacionales. DeepMind remite a las agencias locales para alertas oficiales. Mike Brennan, director del National Hurricane Center de Estados Unidos, explicó a WIRED que el tiempo adicional ayuda a preparar evacuaciones, pero que el elemento humano sigue siendo crítico porque el pronóstico debe convertirse en impactos concretos. El daño real lo causan el agua, el viento, las carreteras cortadas y las decisiones tardías, no una puntuación abstracta del modelo.

Técnicamente, WeatherNext Cyclones combina datos atmosféricos globales con observaciones históricas curadas por expertos. DeepMind menciona casi 20 TB de datos atmosféricos y la base IBTrACS con cerca de 5.000 tormentas históricas. El sistema genera pronósticos de hasta 15 días y grandes conjuntos de escenarios. Esos conjuntos ayudan a mirar las colas de riesgo: la posibilidad menor, pero peligrosa, de que una tormenta gire hacia una ciudad, amplíe su campo de viento o se intensifique antes de tocar tierra.

La velocidad también cuenta. DeepMind dice que un pronóstico de 15 días puede generarse en menos de un minuto en un TPU. Los modelos físicos de predicción numérica siguen siendo esenciales; no desaparecen porque aparezca un modelo de AI. Pero los grandes conjuntos físicos son caros. Si una herramienta de AI permite explorar más futuros plausibles con rapidez, los meteorólogos ganan una capa adicional de orientación.

Hay un detalle que invita a la prudencia. WeatherNext trabaja con una resolución de unos 28 por 28 kilómetros, bastante gruesa para procesos que ocurren en el núcleo de un huracán. Aun así, el resultado en intensidad parece fuerte, justo donde el AI meteorológico había sido más débil. Kate Musgrave, de CIRA, subrayó ese punto en WIRED. La explicación de por qué funciona tan bien a esa escala aún necesita estudio; por eso la validación independiente es tan importante.

El caso de Hurricane Melissa muestra la posible utilidad. DeepMind describió cómo WeatherNext ayudó al National Hurricane Center a ver antes el riesgo de llegada a Jamaica como huracán de categoría 5. La formulación correcta es clave: fue orientación experimental para expertos, no una alerta pública emitida por una empresa. Las advertencias oficiales siguieron perteneciendo a las instituciones responsables.

La apertura del proyecto es una buena señal. El repositorio google-deepmind/weathernext es público con licencia Apache-2.0 y, al verificarlo, acumulaba unas 7.459 estrellas, 959 forks y 77 issues abiertos. DeepMind publicó código y pesos de WeatherNext 2 y WeatherNext Cyclones. En meteorología, eso permite que investigadores y servicios nacionales prueben el sistema en sus cuencas, datos y extremos locales. Abrir el código no crea por sí solo una operación de alerta, pero permite escrutinio.

El debate público también es sano. Muchos celebran un uso del AI orientado a ciencia y seguridad. Otros recuerdan que estos modelos dependen de satélites, estaciones, reanálisis, NOAA, NHC, Met Office y redes públicas equivalentes. Si el éxito industrial se usa para recortar servicios meteorológicos, se debilita la base que hace posible el modelo. La lectura correcta es que el AI puede fortalecer la previsión pública cuando las instituciones públicas siguen fuertes.

Las aplicaciones son concretas: rutas marítimas, redes eléctricas, hospitales, ayuda humanitaria, seguros, planificación costera y logística de emergencia. En todas, el beneficio no es el prestigio del algoritmo, sino más tiempo para decidir. Los riesgos también son claros: exceso de confianza, mala lectura de probabilidades, desigualdad de acceso y fallos ante tormentas sin precedentes. La buena noticia, por tanto, no es que una máquina reemplace a los meteorólogos. Es que puede darles más escenarios, más rapidez y quizá un día adicional para proteger a la gente.

Fuentes

Google DeepMind; Nature, “Operational Tropical Cyclone Forecasting with AI”, 6 de agosto de 2026; Google Keyword; WIRED; Weather Lab de DeepMind; National Hurricane Center; repositorio google-deepmind/weathernext.