NOAA incorpora modelos de IA a su predicción global sin retirar la física
AIGFS, AIGEFS y el conjunto híbrido HGEFS entraron en operación como nueva guía para meteorólogos. Comparar velocidad, habilidad, incertidumbre y fallos por fenómeno explica mejor el avance que una cifra general de precisión.
La Administración Nacional Oceánica y Atmosférica de Estados Unidos puso en operación el 17 de diciembre de 2025 tres sistemas globales de predicción meteorológica apoyados en inteligencia artificial: AIGFS, AIGEFS y HGEFS. El aviso de cambio del Servicio Meteorológico Nacional fijó el inicio en el ciclo de las 12:00 UTC y publicó dónde encontrar los datos. La IA entraba así en producción como guía meteorológica; no sustituía al pronosticador ni retiraba los modelos físicos.
La noticia ofrece una capacidad que sirve para leer cualquier anuncio de predicción: separar coste, latencia, habilidad, calibración y utilidad para una decisión. Un modelo puede ser mucho más rápido, mejorar la trayectoria de un ciclón y empeorar su intensidad al mismo tiempo. Resumir todo eso como «más preciso» borra justo la información que un usuario necesita.
Tres productos, tres preguntas
AIGFS es un pronóstico determinista. Parte de un estado inicial de la atmósfera y produce una evolución concreta. NOAA lo construyó sobre GraphCast, de Google DeepMind, y lo ajustó con análisis de su Global Data Assimilation System. La nota técnica de NCEP describe el entrenamiento con datos de GDAS y el proceso de validación y comparación con el Global Forecast System operativo.
AIGEFS es un conjunto de inteligencia artificial. En lugar de ofrecer una sola trayectoria, ejecuta 31 miembros para representar variaciones de las condiciones iniciales y del propio modelo. El valor de un conjunto no reside en votar cuál mapa gana, sino en aproximar una distribución: cuántos miembros apoyan un escenario, cuánto se dispersan y cómo cambia esa señal con el horizonte.
HGEFS combina esos 31 miembros de IA con 31 del GEFS físico. El documento operativo lo define como un conjunto híbrido de 62 miembros. Esta arquitectura reconoce que dos familias de error pueden complementarse. Si todos los miembros comparten supuestos y datos semejantes, añadir más no garantiza diversidad útil; mezclar enfoques puede evitar que una sola clase de fallo domine el conjunto.
Operativo no significa infalible
En una agencia meteorológica, «operativo» tiene un significado concreto: el sistema se ejecuta con un calendario, formato y canal de distribución establecidos, y sus productos están disponibles para los flujos de trabajo. El aviso especifica archivos GRIB2, una cuadrícula de un cuarto de grado y horizontes temporales. Esa palabra no certifica que cada variable sea superior al sistema anterior ni convierte la salida en aviso público automático.
Los meteorólogos integran esa guía con observaciones, radares, satélites, otros modelos y conocimiento local. Una predicción global no resuelve por sí sola una tormenta urbana, el efecto de una montaña o el caudal de un río. Tampoco determina la decisión de evacuar. Entre el modelo y la acción hay interpretación, productos regionales, umbrales, protocolos y responsables.
La puesta en producción sí eleva el estándar de vigilancia. Un experimento puede analizarse con periodos seleccionados; un servicio debe observar degradaciones, fallos de entrada, retrasos, cambios estacionales y fenómenos fuera de distribución. Versionar el modelo y conservar comparaciones paralelas permite saber si una mejora futura procede del sistema o de que el tiempo evaluado fue más fácil.
Velocidad y cómputo: el eje de eficiencia
El anuncio de NOAA afirma que una previsión de 16 días con AIGFS termina en unos 40 minutos y consume el 0,3 % de los recursos informáticos del GFS operativo. Para AIGEFS, la agencia declara un consumo equivalente al 9 % del GEFS. Son comparaciones de cómputo para configuraciones concretas, no porcentajes de energía total de la agencia ni de coste final.
Una reducción de latencia puede crear valor aunque la habilidad fuera idéntica. El centro puede recibir orientación antes, ejecutar más variantes dentro de una ventana o reservar cómputo para modelos de mayor resolución. Pero el ahorro solo es comparable si se conoce qué incluye la medición: entrenamiento o solo inferencia, preprocesado, posprocesado, almacenamiento, hardware y resolución. El anuncio compara ejecuciones operativas; no ofrece una contabilidad completa del ciclo de vida.
La velocidad tampoco debe convertirse en pronóstico más lejano. Que el sistema calcule 16 días en 40 minutos no significa que el día decimosexto tenga la misma calidad que el primero. «Horizonte producido» y «horizonte con habilidad útil» son columnas distintas.
Habilidad: siempre en una variable y un plazo
NOAA informó de mejoras de AIGFS en patrones sinópticos de gran escala y en trayectorias de ciclones tropicales a plazos largos. En el mismo documento reconoció una degradación de la intensidad de esos ciclones en la versión inicial. No hay contradicción: trayectoria e intensidad son objetivos diferentes. Una tormenta puede estar bien situada y tener viento o presión mal estimados.
Por eso una afirmación de superioridad necesita al menos cinco apellidos: variable, región, horizonte, métrica y referencia. El error de trayectoria puede medirse en distancia; la intensidad, con viento máximo o presión; una precipitación extrema exige umbrales y localización. Promediar todo en una nota general puede esconder un fallo decisivo para protección civil.
El propio anuncio ofrece dos formulaciones sobre AIGEFS que exigen cuidado. En su resumen atribuye a resultados iniciales una mejora sobre GEFS y una ampliación de habilidad entre 18 y 24 horas; en el detalle posterior califica el rendimiento de comparable. Sin tablas por métrica, este artículo no convierte ese intervalo en una ventaja universal. La lectura correcta es que NOAA observó mejoras en evaluaciones, mientras seguía considerando comparable el rendimiento general y trabajaba en representar mejor la dispersión.
Un conjunto debe estar calibrado, no solo acertar su media
Imagine que 20 de 31 miembros sitúan lluvia intensa sobre una cuenca. El porcentaje bruto no equivale automáticamente a una probabilidad calibrada. Para interpretarlo hay que estudiar, en muchos casos pasados, cuántas veces ocurrió el evento cuando el conjunto emitió señales semejantes. Si sucede seis veces de cada diez, una señal del 60 % está calibrada; si sucede tres, el conjunto es demasiado confiado.
También se examina la dispersión. Un conjunto estrecho puede dar falsa seguridad si todos sus miembros comparten un sesgo. Uno muy ancho puede cubrir el resultado real pero aportar poca discriminación. Herramientas como diagramas de fiabilidad, rango del conjunto y puntuaciones probabilísticas muestran aspectos que la media no revela.
HGEFS intenta obtener diversidad al combinar IA y física. El anuncio de NOAA dice que las pruebas iniciales superaban ambos conjuntos por separado en las principales métricas. La afirmación debe seguir ligada a esas pruebas y a sus métricas, no elevarse a ley. El seguimiento operativo dirá en qué estaciones, variables y eventos la mezcla aporta valor, y dónde una familia arrastra a la otra.
Cómo usar una predicción sin obedecerla
Una decisión comienza por definir el daño y el tiempo necesario para actuar. Una compañía eléctrica puede preparar equipos ante cierta probabilidad de viento; una evacuación exige otro umbral y evidencia adicional. El coste de una falsa alarma y el de no actuar no son iguales. El modelo informa esa relación, pero no decide qué riesgo acepta la sociedad.
El usuario debería preguntar qué modelo y versión produjo el mapa, a qué hora, con qué observaciones iniciales, cuál es la dispersión, qué sistemas independientes coinciden y qué limitación conocida afecta al fenómeno. Después debe conservar la actualización anterior: la tendencia entre ciclos puede ser tan informativa como el último valor.
Para evaluar el progreso durante meses hacen falta cuadros por variable, región, plazo y estación, junto con disponibilidad y retrasos. También conviene publicar casos de fallo, no solo promedios. La confianza se construye viendo cuándo el sistema no debe ser la guía dominante.
NOAA no eligió entre física e IA. Puso un modelo determinista de IA, un conjunto de IA y una combinación híbrida junto a su infraestructura existente. La capacidad transferible es leer el avance en ejes separados: cuánto tarda, cuánto cuesta, qué predice mejor, dónde falla, cómo representa incertidumbre y quién convierte la guía en una decisión.
Este artículo se ha elaborado con inteligencia artificial bajo supervisión editorial humana.
