A inteligência artificial tomou conta dos apps de clima: o que isso significa para os usuários

A previsão do tempo se tornou um dos primeiros setores em que o aprendizado de máquina trouxe um resultado mensurável e fácil de verificar. Nos últimos dois anos, as maiores empresas de tecnologia, como Google DeepMind, Huawei e NVIDIA, lançaram seus próprios modelos de IA para meteorologia, que em várias tarefas superam os métodos numéricos tradicionais.

Mas há um abismo entre o avanço no laboratório e o que o usuário vê no smartphone. A previsão numérica tradicional exige enormes recursos computacionais: os supercomputadores do ECMWF (Centro Europeu de Previsões Meteorológicas de Médio Prazo) levam horas para rodar um único modelo. Os sistemas de IA fazem o mesmo em minutos. O GraphCast, do Google DeepMind, apresentado no fim de 2023, superou os métodos clássicos na previsão de furacões e temperaturas extremas com horizonte de até dez dias. O Pangu-Weather, da Huawei, e o FourCastNet, da NVIDIA, mostraram resultados semelhantes em testes independentes.

Os apps comerciais, como AccuWeather, Weather.com e Gismeteo, funcionam com modelos próprios e são atualizados com atraso em relação aos desenvolvimentos acadêmicos. Alguns serviços já integraram elementos de ML para hiperlocalizar as previsões: o chamado downscaling permite refinar um modelo global até o nível de um quarteirão ou de uma rua específica. Mas os usuários, em geral, não sabem disso.

Aqui surge um problema de marketing. A expressão "IA" nos apps de clima significa coisas diferentes conforme o contexto. Alguns serviços de fato usam redes neurais para analisar dados de estações meteorológicas domésticas e sensores IoT, agregando milhares de pontos hiperlocais. Outros simplesmente renomearam algoritmos estatísticos que já existem há muito tempo. A Wired analisou os maiores serviços de clima dos EUA e encontrou uma diferença significativa entre o "AI-powered" do marketing e o uso real de aprendizado de máquina no produto.

A comunidade meteorológica profissional é cautelosa com os modelos de IA. Os métodos clássicos permitem ao meteorologista entender por que a previsão é aquela: dá para ver frentes atmosféricas, campos de pressão, umidade. As redes neurais são uma caixa-preta. O National Weather Service dos EUA e o ECMWF integram a IA como ferramenta auxiliar, mantendo os modelos tradicionais como base. É uma estratégia sensata: sistemas de IA treinados com dados históricos podem lidar pior com fenômenos anômalos raros, que não estão representados na amostra de treinamento.

Para o usuário comum, importa outra pergunta: as previsões ficaram mais precisas? A resposta é um "sim" cauteloso, principalmente em prazos curtos de até 48 horas e em alertas de eventos extremos. Mas a qualidade depende muito da região. Nos EUA e na Europa Ocidental, uma rede densa de estações meteorológicas, radares e dados de satélite permite que a IA funcione bem. Na Ásia Central ou na África, a infraestrutura escassa limita qualquer modelo: uma rede neural não compensa a falta de dados de entrada.

Os apps de clima viram um campo competitivo, em que a diferenciação passa pela precisão das previsões hiperlocais e pela velocidade dos alertas. IBM Weather Company, Tomorrow.io e Climavision investem ativamente justamente nessa direção. O que está em jogo é muito: uma previsão precisa de um aguaceiro dez minutos antes de começar não é só uma comodidade, mas base para decisões em seguros, agricultura e aviação.

A IA realmente chegou aos apps de clima, mas de forma desigual e, muitas vezes, imperceptível para o usuário. Enquanto cientistas publicam modelos que superam os métodos tradicionais, os serviços comerciais digerem esses avanços com atraso de alguns anos. A precisão das previsões vai continuar crescendo, só não tão rápido quanto promete o marketing.