WeatherNext 3 para operadores de red es la nueva propuesta de Google para llevar sus previsiones meteorológicas basadas en modelos de aprendizaje automático al sector energético. El sistema calcula cada hora variables como la velocidad del viento a 100 metros de altura, la cobertura de nubes y la radiación solar que llega a la superficie.
Google DeepMind y Google Research presentaron el modelo el 3 de septiembre de 2026. Su objetivo es ayudar a operadores de red y desarrolladores de instalaciones eólicas y solares a anticipar cuánta electricidad producirán sus activos y ajustar esa generación a la demanda.
Previsión global actualizada cada hora, con una resolución de hasta cinco kilómetros para variables de superficie y datos orientados específicamente a la generación eólica y solar.
Más resolución y actualizaciones más frecuentes
WeatherNext 3 mejora dos parámetros relevantes frente a WeatherNext 2. La versión anterior trabajaba con una cuadrícula de 25 kilómetros y renovaba sus previsiones cada seis horas; el nuevo modelo llega a una resolución de hasta cinco kilómetros y actualiza sus cálculos cada hora.
Además de temperatura y humedad, el sistema incorpora variables especialmente útiles para el sector eléctrico. La velocidad del viento se estima a unos 100 metros, una altura aproximada a la de un aerogenerador moderno, mientras que las predicciones de nubosidad y luz solar pueden utilizarse para calcular la producción fotovoltaica.
De Google Search a las herramientas empresariales
WeatherNext 3 ya sirve de base para resultados meteorológicos en Google Search, la aplicación Gemini y Google Maps. También está integrado en Google Maps Platform Weather API. Para clientes empresariales, los datos se pueden consultar en BigQuery y Earth Engine o descargar en bloque desde Google Cloud Storage, sin que el cliente tenga que configurar el modelo.
Esta distribución coloca a Google en un mercado donde ya operan proveedores especializados como Vaisala, Solcast, DNV con WindGEMINI, IBM con HyperWatch y la empresa suiza Jua. La ventaja potencial de Google está en ofrecer el mismo sistema mediante buscador, API, herramientas de análisis geoespacial y servicios de datos en la nube.
Por qué las redes eléctricas necesitan mejores previsiones
La generación renovable depende de las condiciones meteorológicas y no se ajusta directamente a la demanda. Si un operador calcula por debajo la energía eólica disponible, debe comprar electricidad de sustitución con poca antelación, a menudo mediante plantas de gas mantenidas como respaldo. Si calcula por encima, puede verse obligado a limitar la producción de parques eólicos o solares cuando la red no puede absorberla.
El problema se complica por el crecimiento simultáneo de la generación renovable y del consumo eléctrico de los centros de datos. S&P Global Market Intelligence prevé para Estados Unidos más de 90 GW de nueva capacidad planificada en 2026, con 51,2 GW de solar y 25,7 GW de almacenamiento. En Norteamérica, la expansión de los centros de datos también está llevando a las compañías eléctricas a revisar al alza sus previsiones de carga.
Qué cambia en los datos y qué límites mantiene
Google afirma que WeatherNext 3 aprende directamente de observaciones reales, incluidas imágenes de satélites geoestacionarios y lecturas de estaciones meteorológicas. WeatherNext 2 y muchos modelos similares se entrenan principalmente con resultados de modelos numéricos de predicción, que simulan la atmósfera mediante supercomputación.
El cambio reduce el retraso de los datos, pero no lo elimina. Las evaluaciones citadas sitúan la demora restante en unas tres o cuatro horas, frente a aproximadamente siete horas en sistemas anteriores. Por eso, la mejora consiste en reducir la dependencia de las simulaciones numéricas, no en sustituirlas por completo.
Google comunica mejoras de hasta el 60 % frente al producto satelital IMERG de NASA, del 30 % frente al radar MRMS y del 10 % frente a mediciones de pluviómetros en determinados horizontes iniciales. Son comparaciones separadas y todas utilizan el modificador “hasta”; no representan una mejora media única ni permiten sumar los porcentajes.
Si estás siguiendo este tema, también puedes consultar Gemini de Google podría incorporar mejoras clave en 2026 para ampliar su alcance.
La precisión en fenómenos extremos sigue pendiente
Los modelos basados exclusivamente en datos históricos pueden tener dificultades cuando aparece un fenómeno meteorológico extremo sin precedentes similares en sus datos de entrenamiento. Jua sostiene que los modelos físicos, como el HRES del Centro Europeo de Previsiones Meteorológicas a Medio Plazo, todavía pueden ofrecer ventajas en esas situaciones. La propia Jua comercializa un sistema con restricciones físicas, por lo que esa posición debe interpretarse dentro de su actividad empresarial.
Google cita evaluaciones en directo de Brightband para presentar WeatherNext 3 como el modelo meteorológico global más preciso hasta la fecha, pero no acompañó el lanzamiento con una validación independiente de terceros. Para una compañía eléctrica, la cuestión decisiva será comprobar el rendimiento en su territorio, sus activos y sus condiciones meteorológicas habituales.
Conclusión
WeatherNext 3 amplía la presencia de Google en la predicción meteorológica aplicada a la energía con actualizaciones horarias, mayor resolución y variables específicas para viento y solar. El acceso mediante servicios de nube puede facilitar su adopción, aunque todavía faltan el precio empresarial y pruebas independientes que permitan compararlo con proveedores especializados.
Encuentra más IA en nuestra sección de IA o suscríbete a Guslok – Guías 100% en YouTube para más contenido.
Sobre el Autor
