Cada mañana, los despachadores de aerolíneas, los operadores de red eléctrica y los agricultores de todo el mundo toman decisiones basándose en lo mismo: una previsión meteorológica.
Si bien estas previsiones son algo a lo que la mayoría de la gente dedica apenas dos segundos, las predicciones meteorológicas influyen en decisiones estratégicas importantes en muchas industrias, con dinero real, medios de vida e incluso vidas humanas en juego. Los agricultores las utilizan para determinar qué variedad de cultivo sembrar, cuándo fertilizar, cuánto invertir en infraestructura de riego y durante cuánto tiempo debe pastar el ganado. Las empresas de servicios públicos las usan para decidir dónde construir parques solares y eólicos, así como para fijar el precio de la electricidad al por mayor. Las predicciones se utilizan para advertir a la gente sobre fenómenos meteorológicos extremos y para activar medidas de respuesta de emergencia. Más recientemente, las predicciones meteorológicas han cobrado relevancia para una industria emergente: los mercados de predicción, donde la gente apuesta dinero en todo tipo de eventos del mundo real, incluido el clima.
Sin embargo, la tentación de manipular los datos meteorológicos para obtener una ventaja en estos mercados, unida a una tendencia colectiva hacia la previsión meteorológica de IA impulsada por datos, está empezando a poner en riesgo la exactitud de las predicciones meteorológicas. Estos riesgos son por ahora relativamente manejables, pero como expertos en la materia, podemos prever escenarios en los que se agraven y deriven en problemas mucho mayores y más sistémicos.
Para elaborar pronósticos meteorológicos, necesitamos observaciones precisas de las condiciones actuales. Estas se recopilan de diversas fuentes, incluyendo estaciones meteorológicas en aeropuertos, servicios públicos o de transporte. Sistemas operativos tradicionales como el modelo Weather Research and Forecasting o el European Centre for Medium-Range Weather Forecast (ECMWF) Integrated Forecasting System combinan estas observaciones con aproximaciones numéricas para estimar futuros patrones meteorológicos.
A veces, las estaciones meteorológicas tienen problemas debido, por ejemplo, a fallos en los instrumentos o a actualizaciones de equipos. Estos pueden detectarse tanto en tiempo real (mediante comprobación y corrección) como de forma retroactiva. Los sistemas de pronóstico tradicionales también cuentan con una salvaguarda incorporada llamada asimilación de datos: Cada medición entrante se sopesa con lo que el modelo físico dice que debería estar ocurriendo y con las lecturas de estaciones cercanas.
En conjunto, estos mecanismos ayudan a mantener la fiabilidad de las observaciones meteorológicas y la solidez de las predicciones. Sin embargo, nuevas amenazas están poniendo en riesgo la precisión observacional. A principios de este año, los medios de comunicación informaron de que la estación meteorológica del aeropuerto de París Charles de Gaulle (CDG) había sido manipulada para registrar picos de temperatura sospechosos el 6 y el 15 de abril de 2026. Las autoridades especulan que un secador de pelo de mano o un mechero podrían haber intervenido. De cualquier manera, esto propició grandes pagos para los apostadores de mercados de predicción en línea que habían apostado a que alcanzaría los 22 °C (71.6 °F) en días en que el promedio real rondaba los 18 °C (64.4 °F). Un individuo ganó 20.000 dólares.
Afortunadamente, la manipulación de una única estación como esta suele ser detectada mediante la supervisión humana o los métodos estadísticos actuales. En este caso, miembros de una asociación climática francesa sin ánimo de lucro detectaron las anomalías por casualidad y dieron la voz de alarma.
Pero, ¿qué pasa si no hay sistemas de supervisión humanos establecidos? ¿Y qué ocurre con otros tipos de manipulación? ¿Qué pasaría si, en lugar de manipular una estación, alguien alterara remotamente las lecturas en muchas estaciones a la vez, haciendo que cada cambio fuera lo suficientemente pequeño como para parecer plausible por sí mismo? Los controles de calidad existentes tienen dificultades para detectar este tipo de manipulación coordinada. Y el tiempo juega en nuestra contra; las comprobaciones meticulosas de datos y metadatos llevan horas o días, pero los pronósticos tienen que emitirse según lo programado, independientemente del tiempo que haga.
La transición hacia la inteligencia artificial en la predicción meteorológica eleva lo que está en juego. Estos métodos dependen aún más de observaciones meteorológicas precisas y fiables; de hecho, se les conoce como «modelos basados en datos». Por ejemplo, investigadores en el ECMWF están investigando si se pueden producir pronósticos meteorológicos de alta calidad directamente a partir de observaciones en bruto, saltándose el paso de asimilación que actualmente actúa como filtro de calidad. Otros investigadores van un paso más allá, combinando datos geoespaciales (incluidos datos de estaciones meteorológicas) con modelos de lenguaje grandes e IA agéntica para apoyar la toma de decisiones autónoma y en tiempo real durante eventos extremos como tormentas.
Los posibles beneficios son mejoras en la precisión, la eficiencia y la velocidad. Sin embargo, eliminar a los humanos de la ecuación conlleva una vasta gama de nuevos riesgos.
En el extremo inferior de la escala de riesgo, un especulador individual manipula una estación meteorológica para beneficio personal —ese es el caso del Aeropuerto CDG. Un paso más allá: un grupo de traders podría coordinarse para sesgar las previsiones de producción de energía renovable, alterando los precios mayoristas de la electricidad y dejando a quien esté al otro lado de la operación con las pérdidas. Y en el extremo superior, un actor estatal o un saboteador podría manipular una o muchas estaciones para activar un sistema de alerta temprana o incluso mantenerlo en silencio cuando debería sonar. Paso a paso, el riesgo crece, desde el fraude hasta una preparación ante desastres comprometida, y de ahí a un asunto de seguridad nacional.
Mientras existan incentivos financieros (o de otro tipo) para manipular datos de observación, los adversarios buscarán nuevas oportunidades, y nuestra tarea es mantene os un paso por delante. A continuación, se presentan tres formas.
1. Vigilar las estaciones. Los controles de calidad de los datos deberían incluir la seguridad de las estaciones, la detección y corrección de anomalías, y la supervisión humana. Las estaciones meteorológicas deberían ser monitorizadas continuamente para disuadir la manipulación. Los métodos de homogeneización de datos que depuran los registros meteorológicos también necesitan acelerarse, con el objetivo de detectar problemas en tiempo real. Esto se volverá cada vez más importante a medida que los sistemas de IA agenciales utilicen estos datos para ofrecer decisiones en tiempo real. Finalmente, se necesita supervisión humana para señalar datos cuestionables y resultados de los modelos. Al fin y al cabo, fueron los humanos quienes detectaron la manipulación del aeropuerto CDG.
2. Proteger los datos para salvaguardar la IA. Los mecanismos de defensa de datos deben implementarse a lo largo de todo el pipeline de la IA. Las herramientas de explicabilidad de la IA y de robustez adversarial pueden ayuda os a comprender los datos subyacentes y las salidas del modelo de IA, a identificar problemas relacionados con los datos o con el modelo, y, potencialmente a hace os más resilientes a los ataques adversarios.
3. Garantizar la rendición de cuentas continua a lo largo de la cadena. Los datos observacionales pasan por muchas manos: los operadores que gestionan las estaciones, los servicios meteorológicos nacionales que custodian los registros y los centros de predicción que los transforman en predicciones. Ninguno de ellos puede proteger la integridad de los datos por sí solo; cada uno protege su propio eslabón, y cualquier anomalía debe comunicarse a lo largo de toda la cadena, desde los operadores de las estaciones hasta las personas que actúan basándose en la predicción.
Es afortunado que se detectara la situación en el aeropuerto CDG, pero debe servir como una llamada de atención. A medida que el papel de los datos de observación crece en la predicción meteorológica, necesitamos adapta os a las amenazas en evolución. Esto significa proteger nuestros datos y modelos fortaleciendo las estructuras de supervisión y rendición de cuentas existentes y mejorando la coordinación entre los socios clave.
Este artículo de opinión fue escrito por: