Reacción a "Un método de inteligencia artificial mejora las predicciones meteorológicas con hasta seis semanas de antelación"

El interés del trabajo reside en emplear un posprocesado probabilístico (PBC) que aprende a corregir los errores sistemáticos de los mejores modelos existentes, tanto dinámicos como de IA, sin modificarlos. Llama la atención que el método PBC ganó la competición internacional AI Weather Quest del ECMWF en 2025 para todas las variables y horizontes temporales, superando a los modelos operativos de seis centros meteorológicos nacionales (ECMWF, NOAA, JMA, KMA, ECCC, HMCR). La mejora más clara aparece en precipitación en los horizontes de las semanas 3 y 4, donde la salida directa de los modelos presenta un sesgo sistemático muy elevado respecto a la referencia climática. El código es abierto y el enfoque es aplicable a cualquier modelo de predicción meteorológica, lo que amplifica su alcance real. 

Cabe advertir, sin embargo, que no se construye un nuevo modelo atmosférico desde cero. El método PBC es una herramienta de posprocesado, que se debe aplicar a los modelos de base. Si los modelos dinámicos mejoran, PBC puede adaptarse, pero si fallan en determinadas ocasiones complejas y poco habituales, el método PBC no puede corregirlo. Otra limitación del estudio es que la validación usa ERA5 como verdad de referencia, que tiene sus propias incertidumbres al ser otro modelo que simula la precipitación (no asimila observaciones reales de precipitación, pero sí temperatura, humedad y viento).  

Por otro lado, aunque el salto en la habilidad predictiva de la precipitación es notable (pasa de destreza negativa a positiva), la mejora relativa es engañosa pues es como ‘dividir entre cero’. Es decir, ‘doblar la habilidad’ sobre una base de partida modesta no significa necesariamente que sea una ‘predicción útil’. La ventana de predictibilidad subsestacional sigue siendo inherentemente difícil y eso nos garantiza muchos años más de trabajo en investigación matemática y meteorológica.