En apenas cuatro años, los modelos meteorológicos basados en inteligencia artificial han pasado de curiosidad de laboratorio a herramienta que compite con los mejores sistemas de predicción basados en física. Aprenden de décadas de datos atmosféricos y, una vez entrenados, producen una previsión global en minutos en lugar de horas de supercomputación. Con la trayectoria de los huracanes ya rinden bastante bien. Con su intensidad, en cambio, siguen quedándose cortos. Un artículo firmado por el meteorólogo Chanh Kieu y publicado en The Conversation (recogido por Phys.org) explica por qué, y el resumen es incómodo: no es solo cuestión de entrenar más.

El ejemplo que abre el texto es reciente. El huracán Polo, en septiembre de 2026, pasó de tormenta tropical a categoría 5 en veinticuatro horas, con vientos de unos 290 kilómetros por hora (180 mph). Ese salto, lo que los especialistas llaman intensificación rápida, es exactamente el fenómeno que ningún sistema —ni de IA ni clásico— anticipa con fiabilidad. Y es el que más importa, porque decide si una ciudad costera tiene tiempo de evacuar.

El problema no es el algoritmo, son los datos

Un modelo de aprendizaje automático solo puede aprender lo que hay en sus ejemplos. Y los huracanes nacen y se fortalecen sobre océano abierto, donde las observaciones son escasas. No existe una red de estaciones en medio del Atlántico ni del Pacífico oriental que mida temperatura, humedad y viento a distintas alturas de forma continua.

Los satélites ayudan, pero ven principalmente la superficie de las nubes y no pueden escanear a la vez la estructura tridimensional completa de un ciclón en todo el planeta. Los aviones caza-huracanes sí bajan al interior del sistema y sueltan sondas, pero cubren unos pocos ciclones al año y unas pocas horas cada vez. El resultado, según el autor, es que

«simplemente no tenemos un buen conjunto de datos tridimensional completo»

La alternativa habitual es alimentar la IA con reanálisis, es decir, con reconstrucciones generadas por modelos físicos. El problema es que esas reconstrucciones ya arrastran aproximaciones y se pierden los procesos de escala pequeña —convección, corrientes descendentes, remolinos dentro de la pared del ojo— que son justo los que disparan la intensificación. La IA aprende entonces una versión suavizada de la realidad, y las versiones suavizadas no explotan de golpe.

El caos no se arregla con más cómputo

La segunda razón es más profunda y no se resuelve con mejores sensores. La atmósfera es un sistema caótico: diferencias mínimas en el punto de partida crecen hasta dar finales distintos. En la trayectoria de un huracán, esa sensibilidad está relativamente contenida, porque el ciclón va empujado por vientos de gran escala que sí se miden bien. En la intensidad, no. Ahí un detalle local puede cambiar el resultado, y el autor apunta que las aguas superficiales más cálidas amplifican esas fluctuaciones.

Y aquí aparece una contradicción de diseño interesante. Los modelos de IA se entrenan para minimizar el error medio, y la forma más segura de minimizar el error medio es quedarse cerca del promedio: predecir cambios suaves y evitar extremos. Justo lo contrario de lo que hace falta para avisar de un salto de tormenta tropical a categoría 5. El objetivo con el que se optimiza el modelo penaliza el comportamiento que queremos que aprenda.

Qué se puede hacer con esto

La propuesta que deja el artículo no es tecnológica sino de comunicación: dejar de dar la intensidad como un número único y pasar a rangos de probabilidad. En lugar de «vientos de 150 km/h el jueves», algo más parecido a «lo más probable son 150, con un 20 % de opciones de superar 200». Es menos rotundo y bastante más honesto sobre lo que realmente se sabe.

• Trayectoria: la IA ya está al nivel de los sistemas físicos y los supera en velocidad de cálculo.
• Intensidad: el error crece rápido pasados unos pocos días y la intensificación rápida sigue siendo el punto ciego.
• Casos que lo ilustran: Matthew (2016), Irma (2017), Michael (2018) y Polo (2026), todos con intensificaciones bruscas antes de tocar tierra o islas.

Conviene señalar los límites de esta pieza: es un artículo de divulgación y opinión experta, no un estudio con resultados nuevos. No aporta cifras de error comparadas entre modelos concretos ni nombra sistemas específicos, así que funciona como diagnóstico del campo, no como evaluación medida.

Por qué importa

Una previsión de trayectoria buena sin una previsión de intensidad buena sirve para saber dónde mirar, pero no cuánto miedo tener. Y las decisiones caras —evacuar una comarca, cerrar un puerto, mover pacientes de un hospital— dependen sobre todo de la intensidad. Este caso también sirve de recordatorio general sobre la inteligencia artificial aplicada a la ciencia: un modelo entrenado con datos incompletos hereda los huecos de esos datos, y ninguna cantidad de parámetros inventa la información que nunca se midió. Reconocer el límite, y expresarlo como probabilidad en lugar de como certeza, es más útil que fingir una precisión que no existe.