Imagen: Google
WeatherNext 3 es la nueva versión del sistema de predicción meteorológica basado en inteligencia artificial de Google Research y DeepMind, según recoge The Decoder. El cambio central es que el modelo deja de entrenarse con datos de predicción numérica del tiempo (NWP) y aprende directamente de observaciones de satélite geoestacionario en tiempo real.
Por qué importa dejar atrás la simulación física
Los modelos anteriores, incluido WeatherNext 2, se entrenaban con simulaciones NWP que corren en supercomputadores y que, según la compañía, arrastran un retraso de seis horas. Ese desfase introduce errores en variables que cambian rápido, como la lluvia o la temperatura. WeatherNext 3 procesa datos de satélite en directo y genera una previsión nueva cada hora, basada en las observaciones más recientes, con una resolución de hasta cinco kilómetros. Para tormentas o precipitaciones que se desarrollan deprisa, ese ciclo de actualización más corto se traduce en avisos más tempranos y más ajustados a lo que está pasando en ese momento.
Hasta cinco veces más nítido que WeatherNext 2
El nuevo modelo produce previsiones horarias a varias resoluciones: temperatura y humedad a cinco kilómetros, otras variables de superficie a diez, y valores atmosféricos como la velocidad del viento a 25 kilómetros. La compañía cifra la mejora en unas cinco veces más nitidez que WeatherNext 2, que trabajaba con una cuadrícula de 25 kilómetros y actualizaciones cada seis horas.
La compañía ilustra la diferencia con una previsión de temperatura sobre el Reino Unido: donde WeatherNext 2 producía un mapa pixelado, WeatherNext 3 capta el terreno local. El modelo también entrena con datos de estaciones meteorológicas individuales para reflejar costas, valles y montañas, lo que permite previsiones globales más finas y ajustadas a condiciones regionales. Las regiones de Latinoamérica, África y Asia-Pacífico son las que más pueden beneficiarse, según la compañía, porque el coste de cómputo de los modelos regionales tradicionales las ha dejado peor cubiertas hasta ahora.
Mejores previsiones de lluvia y datos para energías renovables
Los modelos globales de tiempo han tenido siempre problemas con la precipitación, porque la lluvia y la nieve dependen de procesos de nubes rápidos y a pequeña escala. El modelo se entrenó con dos fuentes: el conjunto de datos de satélite IMERG de la NASA y un análisis global de precipitación propio basado en radar por satélite. Para previsiones globales a medio plazo, la puntuación CRPS muestra mejoras de hasta un 60% frente a IMERG, un 30% frente a MRMS y un 10% frente a pluviómetros en plazos cortos.
El modelo también predice la velocidad del viento a 100 metros, la altura aproximada de un aerogenerador, para estimar la producción de parques eólicos, y ofrece valores de cobertura de nubes e irradiancia solar que permiten calcular la generación esperada de instalaciones fotovoltaicas. Según la compañía, esto debería ayudar a los operadores de red a equilibrar oferta y demanda.
Ya funciona en Search, Maps y Gemini
Los datos de previsión se actualizan cada hora. Investigadores, desarrolladores y empresas pueden consultarlos mediante BigQuery y Earth Engine, o descargarlos en bloque desde Google Cloud Storage. WeatherNext 3 alimenta ya las funciones de tiempo de Search, la app de Gemini, Maps, la Maps Platform Weather API y Earth Engine. Al planificar con un día o más de antelación, los usuarios deberían ver previsiones de precipitación hasta un 50% más precisas, con las mayores mejoras en las regiones donde las predicciones han sido menos fiables hasta ahora.
Quién saca partido de este cambio y quién debe seguir mirando otra fuente
Para el usuario que solo mira el tiempo en Search, Maps o Gemini, no cambia nada que tenga que hacer: la mejora llega sola, sin descargar nada ni activar ninguna opción. Quien saca más partido real es quien construye algo encima: desarrolladores y empresas que quieran datos meteorológicos con resolución fina para agricultura, logística o energía tienen ahora acceso directo vía BigQuery y Earth Engine, algo que antes no estaba disponible con este nivel de detalle. Las regiones de Latinoamérica, África y Asia-Pacífico, peor cubiertas por los modelos regionales tradicionales por su coste de cómputo, son las que más ganan con este enfoque basado en satélite.
Pero hay un límite que conviene tener claro antes de fiarse del todo: la compañía reconoce que la atmósfera siempre tendrá algo de imprevisible, y para avisos de tiempo severo o alertas de seguridad remite a los servicios meteorológicos nacionales. WeatherNext 3 sirve para planificar el día a día con más margen de acierto, no para sustituir la alerta oficial cuando se acerca una tormenta.
Un paso más sobre lo que ya venía haciendo DeepMind
DeepMind introdujo WeatherNext 2 en noviembre de 2025, un modelo que superaba a la primera generación en el 99,9% de variables meteorológicas y ventanas de previsión, corriendo ocho veces más rápido y procesando cientos de escenarios en menos de un minuto en una sola TPU. Ese modelo se construyó sobre la misma Functional Generative Network que sustenta ahora WeatherNext 3, y ya alimentaba Search, Gemini, Pixel Weather y la Weather API. En agosto de 2026, DeepMind liberó WeatherNext 2 y WeatherNext Cyclones bajo licencia abierta; este último predice trayectoria e intensidad de ciclones tropicales y mira aproximadamente un día más lejos que los principales modelos operativos, pese a usar una cuadrícula cien veces más gruesa. A finales de 2024, DeepMind ya había lanzado GenCast, el primer modelo probabilístico de IA en superar al sistema de conjunto del ECMWF.
Escrito por Eloy Andrade
