La inteligencia artificial se apodera de las apps del tiempo: qué significa para los usuarios

La predicción meteorológica se convirtió en uno de los primeros sectores donde el aprendizaje automático logró un resultado medible y fácil de verificar. En los últimos dos años, las mayores tecnológicas, como Google DeepMind, Huawei y NVIDIA, han lanzado sus propios modelos de IA para meteorología, que en varias tareas superan a los métodos numéricos tradicionales.

Pero entre un avance de laboratorio y lo que ve el usuario en su smartphone hay un abismo. La predicción numérica tradicional exige enormes recursos de cómputo: los superordenadores del ECMWF (Centro Europeo de Predicción Meteorológica a Plazo Medio) tardan horas en calcular un solo modelo. Los sistemas de IA hacen lo mismo en minutos. GraphCast, de Google DeepMind, presentado a finales de 2023, superó a los métodos clásicos al predecir huracanes y temperaturas extremas con un horizonte de hasta diez días. Pangu-Weather, de Huawei, y FourCastNet, de NVIDIA, mostraron resultados similares en pruebas independientes.

Las apps comerciales, como AccuWeather, Weather.com y Gismeteo, funcionan con modelos propios y se actualizan con retraso respecto a los desarrollos académicos. Algunos servicios ya han incorporado elementos de ML para hiperlocalizar los pronósticos: el llamado downscaling permite afinar un modelo global hasta el nivel de una manzana o una calle concreta. Pero los usuarios, por lo general, no lo saben.

Aquí surge un problema de marketing. La palabra «IA» en las apps del tiempo significa cosas distintas según el contexto. Algunos servicios sí usan redes neuronales para analizar datos de estaciones meteorológicas domésticas y sensores IoT, agregando miles de puntos hiperlocales. Otros simplemente han rebautizado algoritmos estadísticos que existen desde hace tiempo. Wired analizó los mayores servicios meteorológicos de EE. UU. y halló una brecha considerable entre el «AI-powered» del marketing y el uso real del aprendizaje automático en el producto.

La comunidad meteorológica profesional es cauta con los modelos de IA. Los métodos clásicos permiten al meteorólogo entender por qué el pronóstico es el que es: se ven los frentes atmosféricos, los campos de presión, la humedad. Las redes neuronales son una caja negra. El National Weather Service de EE. UU. y el ECMWF integran la IA como herramienta auxiliar y mantienen los modelos tradicionales como base. Es una estrategia razonable: los sistemas de IA entrenados con datos históricos pueden manejar peor los fenómenos anómalos poco frecuentes que no figuran en la muestra de entrenamiento.

Para el usuario común importa otra pregunta: ¿son ahora más precisos los pronósticos? La respuesta es un «sí» cauteloso, sobre todo en horizontes cortos de hasta 48 horas y en avisos de eventos extremos. Pero la calidad depende mucho de la región. En EE. UU. y Europa occidental, una red densa de estaciones meteorológicas, radares y datos satelitales permite que la IA funcione bien. En Asia Central o África, la infraestructura escasa limita a cualquier modelo: una red neuronal no compensa la falta de datos de entrada.

Las apps del tiempo se convierten en un campo competitivo donde la diferenciación pasa por la precisión de los pronósticos hiperlocales y la rapidez de los avisos. IBM Weather Company, Tomorrow.io y Climavision invierten activamente en esa dirección. Lo que está en juego es mucho: un pronóstico exacto de un aguacero diez minutos antes de que empiece no es solo una comodidad, sino una base para decisiones en seguros, agricultura y aviación.

La IA ha llegado de verdad a las apps del tiempo, pero de forma desigual y, a menudo, sin que el usuario lo note. Mientras los científicos publican modelos que superan a los métodos tradicionales, los servicios comerciales asimilan esos avances con varios años de retraso. La precisión de los pronósticos seguirá mejorando, solo que no tan rápido como promete el marketing.