La inteligencia artificial ha cambiado la predicción meteorológica en apenas unos años. Algunos modelos globales ya pueden generar pronósticos comparables con los obtenidos mediante sistemas tradicionales basados en las ecuaciones físicas de la atmósfera.
Detrás de ese progreso hay tres ingredientes fundamentales: décadas de observaciones meteorológicas, enormes avances en aprendizaje automático y una capacidad de cálculo cada vez mayor.
Pero existe un terreno en el que la IA todavía encuentra serias dificultades: determinar con precisión la intensidad que alcanzará un huracán.
La escala regional complica las predicciones
El problema se vuelve especialmente evidente cuando una tormenta se intensifica en cuestión de horas.
El huracán Polo ofreció recientemente un ejemplo extremo. Frente a la costa mexicana del Pacífico, pasó rápidamente de tormenta tropical a un poderoso huracán de categoría 5 en menos de un día. Posteriormente llegó a registrar vientos sostenidos cercanos a los 285 kilómetros por hora.
Los modelos meteorológicos de IA funcionan especialmente bien cuando analizan patrones atmosféricos a gran escala. Sin embargo, la intensidad de un ciclón depende de procesos que ocurren en regiones mucho más pequeñas.
El ojo, la pared del ojo, las bandas de tormenta y las interacciones entre el océano y la atmósfera pueden evolucionar rápidamente. Capturar esos cambios requiere información mucho más detallada de la que contienen muchos conjuntos globales de datos.
El problema de los datos
Actualmente existen dos grandes fuentes de información para entrenar estos modelos.
La primera son las observaciones reales. Satélites, boyas, radares, aviones cazahuracanes y estaciones meteorológicas ofrecen mediciones extremadamente valiosas, pero no proporcionan una reconstrucción tridimensional continua de cada tormenta.
El problema se agrava sobre el océano, donde se desarrollan buena parte de los ciclones tropicales y hay muchas menos observaciones directas.
La segunda fuente son las simulaciones realizadas mediante modelos meteorológicos.
Estas permiten reconstruir la atmósfera en tres dimensiones, pero tampoco representan perfectamente la realidad. Algunos procesos que suceden dentro de los huracanes son demasiado pequeños o complejos para ser reproducidos completamente.
El resultado es que todavía no existe un archivo perfecto de huracanes tridimensionales con el detalle necesario para entrenar a una IA.
Hay otro límite mucho más difícil: el caos
Incluso si algún día pudiéramos medir cada rincón de un huracán continuamente, seguiría existiendo un problema fundamental.
Los ciclones son sistemas caóticos.
Pequeñas diferencias en las condiciones iniciales pueden producir resultados muy diferentes varias horas o días después.
La temperatura del océano, la humedad atmosférica y la cizalladura del viento condicionan cuánto puede fortalecerse una tormenta. Pero dentro de esas condiciones generales se producen fluctuaciones que pueden resultar extremadamente difíciles de anticipar.
Eso significa que una IA puede aprender cuál es la evolución más probable de un huracán sin ser capaz de determinar exactamente qué intensidad alcanzará en cada momento.
GFS & ECMWF now indicate sub 970mb hurricane Isaias by Thu-Fri, seems like both guidance are catching up at the same rate/time to AI models. pic.twitter.com/jB3dDSljc1
— Matthew Ferreira | MassachusettsWx (@MassachusettsWx) October 6, 2026
La IA puede suavizar precisamente lo que necesitamos detectar
Aquí aparece una paradoja.
Durante el entrenamiento, los modelos intentan minimizar la diferencia entre sus predicciones y lo que realmente ocurrió. Para reducir ese error, pueden acabar aprendiendo una evolución promedio o más probable.
Pero los huracanes más peligrosos pueden caracterizarse precisamente por desviarse rápidamente de ese comportamiento promedio. Ese es uno de los motivos por los que algunos sistemas basados en aprendizaje automático muestran una tendencia a subestimar la intensidad de los ciclones más fuertes.
El futuro podría estar en predecir probabilidades
La solución posiblemente no consista únicamente en conseguir más datos o construir redes neuronales más grandes.
Los investigadores necesitan entender mejor qué partes de la evolución de un huracán son realmente predecibles y cuáles están dominadas por la incertidumbre y el caos.
Eso podría cambiar también la manera de presentar los pronósticos.
En lugar de afirmar que un huracán alcanzará exactamente una determinada velocidad del viento, los futuros sistemas podrían calcular varios escenarios y asignar una probabilidad a cada rango de intensidad.
La IA ya ha demostrado que puede transformar la predicción meteorológica. El siguiente gran reto será conseguir que no solo determine hacia dónde irá un huracán, sino también hasta qué punto puede llegar a fortalecerse.
