O novo modelo de previsão do tempo do Google, o WeatherNext 3, traz uma novidade que muda o jogo comercial da empresa: ele prevê a velocidade do vento a 100 metros de altura — aproximadamente a altura de uma turbina eólica moderna —, a cobertura de nuvens e a quantidade de luz solar que atinge a superfície, atualizando tudo a cada hora. É exatamente o tipo de dado pelo qual operadores de rede, comercializadores de energia e desenvolvedores de parques eólicos e solares já pagam outras empresas. Com esse lançamento, o Google entra de vez nesse mercado.
Um salto de resolução e frequência
Lançado em 3 de setembro pelo Google DeepMind e Google Research, o WeatherNext 3 gera uma previsão global a cada hora com resolução de até cinco quilômetros para variáveis de superfície, como temperatura e umidade. A versão anterior, o WeatherNext 2, trabalhava com uma grade de 25 quilômetros e atualizava a cada seis horas. Para o consumidor, o modelo já alimenta resultados de previsão na Busca, no app Gemini e no Google Maps. Para o setor de energia, o mesmo dado pode ser consultado no BigQuery e no Earth Engine, ou baixado em massa do Google Cloud Storage, sem exigir configuração de modelo por parte do cliente.
Por que o setor de energia está comprando previsão por IA
As redes elétricas ficaram mais difíceis de prever nas duas pontas. Do lado da geração, as renováveis dominam a nova capacidade: o US Grid Outlook 2026, da S&P Global, projeta 51,2 GW de energia solar e 25,7 GW de armazenamento entre os mais de 90 GW de adições planejadas para este ano. Do lado do consumo, a nova carga vem justamente da IA — a Deloitte projeta que a demanda de pico cresça cerca de 26% até 2035, com a demanda só dos data centers podendo chegar a 176 GW, cinco vezes o nível de 2024.
O custo de errar a previsão é direto: subestimar o vento obriga o operador a comprar energia de última hora de usinas a gás caras; superestimar leva parques eólicos e solares a serem pagos para desligar. Os dois cenários são caros — e os dois são falhas de previsão.
O mercado que o Google está entrando
Vender previsão do tempo para o setor de energia já é um negócio consolidado, com players como Vaisala, Solcast, DNV e IBM. O diferencial do Google é o alcance: a mesma previsão aparece como tabela no BigQuery, camada no Earth Engine, API no Google Maps Platform e resposta padrão na Busca. A atualização horária também fecha a lacuna de frequência que os concorrentes usavam para se diferenciar.
Os incumbentes ainda têm um argumento técnico: modelos baseados em física, como o HRES do ECMWF, tendem a se sair melhor em eventos extremos fora da distribuição de treinamento, enquanto modelos de IA aprendem padrões a partir de dados passados. É uma ressalva importante — e é justamente o cenário que mais preocupa operadores de rede.
O que é novo — e o que está sendo exagerado
O argumento arquitetural do WeatherNext 3 é aprender com observações reais em vez de simulações. A maioria dos modelos de previsão por IA, incluindo o WeatherNext 2, é treinada na saída de modelos numéricos de previsão, que carregam um atraso de dados de cerca de seis horas. O novo modelo ingere imagens de satélites geoestacionários ao vivo e treina diretamente sobre leituras de estações individuais, reduzindo o atraso para três a quatro horas — uma dependência menor, mas não eliminada, dos modelos numéricos.
Os números de precisão merecem o mesmo cuidado. O Google relata melhorias de até 60% contra o satélite IMERG da NASA, 30% contra o radar MRMS e 10% contra pluviômetros — três linhas de base separadas, que não se somam. A alegação amplamente repetida de 50% de melhoria na previsão de precipitação vale especificamente para previsões com um dia ou mais de antecedência, e todos os números carregam o qualificador “até”. O Google não publicou validação independente de terceiros, nem informou preços para o acesso corporativo.
Descubra mais sobre noticiAI
Assine para receber nossas notícias mais recentes por e-mail.
