La predicción meteorológica con IA cubre ya el tramo donde los modelos clásicos pierden pie: de dos a seis semanas. Investigadores de Microsoft sostienen que su nuevo modelo de aprendizaje automático acierta en esa franja intermedia, la más esquiva para la meteorología operativa, y han publicado el resultado en la revista Nature.
Esa herramienta ya está disponible como software de código abierto, según informó The Verge. Significa que cualquier servicio meteorológico nacional puede descargarla, examinarla y compararla con sus propios sistemas. La compañía presenta el método como una vía barata de mejorar los pronósticos a medio plazo, sin multiplicar la potencia de cálculo de los superordenadores que hoy sostienen las predicciones oficiales.
La pregunta evidente es por qué esa ventana resulta tan difícil. Hasta los diez o catorce días, los modelos numéricos funcionan razonablemente bien: resuelven las ecuaciones de la atmósfera a partir de las observaciones de hoy y proyectan el estado del aire hacia adelante. Más allá, el caos hace su trabajo. Dos situaciones iniciales casi idénticas divergen, y el pronóstico se desdibuja.
Sin embargo, entre la segunda y la sexta semana no reina el vacío. Quedan señales lentas: la temperatura del mar, la humedad del suelo, y oscilaciones tropicales que viajan alrededor del planeta e inclinan la balanza hacia un lado u otro. Su huella es débil, y los modelos físicos no siempre saben leerla. Ahí es donde entra el aprendizaje automático.
El impacto práctico se mide en decisiones. Un agricultor que sabe con tres semanas de antelación si la sequía va a romperse puede ajustar la siembra. Un servicio de emergencias que anticipa un episodio de lluvias persistentes gana días para mover recursos y avisar a la población.
Seis semanas de antelación no son una curiosidad estadística: son la diferencia entre reaccionar ante una sequía y planificarla.
Microsoft no juega sola. Google lleva dos años publicando modelos que han removido los cimientos de la predicción a corto plazo, y Nvidia ha desarrollado sus propias herramientas para el mismo terreno. La novedad no es que una tecnológica mire al cielo, sino el tramo que ataca: el hueco entre el pronóstico del tiempo, ya muy resuelto, y la predicción estacional, que se juega a otra escala.
Cómo aprende una máquina a leer la atmósfera
La idea de fondo no es nueva. En lugar de resolver las ecuaciones que gobiernan el aire, un modelo de aprendizaje automático aprende de décadas de datos: observaciones, reanálisis, salidas de modelos anteriores. Ve millones de ejemplos de cómo evolucionó la atmósfera y extrae los patrones que se repiten. Cuando llega una situación nueva, la compara con lo aprendido.
Según lo difundido hasta ahora, el equipo no ha levantado un modelo meteorológico independiente desde cero, sino que ha buscado una vía más barata para exprimir la señal de esa ventana concreta. Los detalles técnicos, las métricas de acierto y las comparaciones con los sistemas de referencia están en el artículo de Nature.
Conviene poner la escala en términos humanos. Un pronóstico a diez días es como mirar por la ventana: sabes si necesitas paraguas. Uno a cuatro semanas es la planificación de una comunidad de regantes, que decide cómo repartir el agua del embalse. Y uno a seis semanas, cuarenta y dos días, es el horizonte en el que una cooperativa agraria compra combustible y organiza la cosecha.
El matiz importa: un modelo así no anuncia que lloverá el 12 de noviembre en Badajoz. Dice algo menos vistoso y bastante más útil: que la probabilidad de que ese mes sea más húmedo o más seco de lo normal se inclina en una dirección concreta.
La letra pequeña: lo que aún no está demostrado
Contar con el respaldo de Nature pesa, y mucho: el trabajo ha superado la revisión por pares, algo que no pueden decir muchos anuncios de inteligencia artificial aplicada. Pero la prueba de fuego de cualquier modelo meteorológico no es el artículo, sino las temporadas. Un sistema puede mejorar la media estadística y fallar justo en el episodio extremo que de verdad importa, la DANA que descarga en seis horas lo que llueve en medio año.
Hay otra cautela. La comparación con los modelos clásicos depende de la métrica elegida. Batir a la climatología de referencia no es lo mismo que batir al Centro Europeo de Previsiones Meteorológicas a Plazo Medio, que es el estándar de oro de la disciplina y contra el que se miden todos los demás.
El código abierto es, en ese sentido, la mejor noticia del anuncio. Permite que agencias como la AEMET reproduzcan los resultados con sus propios datos y sus propias métricas. Si el modelo aguanta ese escrutinio, la predicción subestacional dejará de ser terreno de laboratorio y entrará en los boletines. He seguido la irrupción de la IA en la meteorología desde los primeros prototipos, y este salto al medio plazo me parece bastante más difícil que los titulares de hace tres años: predecir a cinco días ya lo hacían bien los superordenadores.
Queda una pregunta abierta que ningún comunicado resuelve: qué ocurre cuando el modelo falla. Un sistema estadístico puede acertar de media y equivocarse en bloque durante una temporada entera, y los servicios de emergencia necesitan saber cuándo desconfiar. Esa evaluación solo llegará con el uso real, temporada a temporada. La próxima campaña de lluvias en el Mediterráneo será un buen banco de pruebas.
🔬 Ficha del Descubrimiento
- Qué se ha descubierto: un modelo de aprendizaje automático que mejora los pronósticos meteorológicos en la ventana de dos a seis semanas, donde los modelos físicos pierden habilidad.
- Dónde: desarrollado por investigadores de Microsoft; el estudio se publica en la revista Nature y el código se libera como software abierto para que lo evalúe cualquier servicio meteorológico.
- Institución responsable: investigadores de Microsoft, con revisión por pares en la revista Nature.
- Cuándo: el trabajo se ha dado a conocer en octubre de 2026, junto a la publicación en Nature y la liberación del código.
- Impacto a futuro: permitiría a agricultores, gestores de agua y servicios de emergencia planificar con semanas de antelación sequías y episodios de lluvias persistentes.
