L’essentiel
Google DeepMind a présenté WeatherNext 3, une nouvelle génération de modèle de prévision météorologique par intelligence artificielle. Elle actualise ses résultats chaque heure et intègre des observations satellitaires en temps réel.Des prévisions plus fines et plus fréquentes
Google indique que le modèle produit des prévisions jusqu’à cinq fois plus détaillées spatialement que la génération précédente. Il couvre aussi de nouvelles variables, notamment les précipitations et certains indicateurs utiles aux énergies propres.L’actualisation horaire permet de rapprocher davantage les prévisions des conditions observées. Cette fréquence peut être précieuse lorsque la météo change rapidement, même si l’incertitude demeure inhérente à toute projection.
Des usages qui dépassent l’application météo
Les prévisions alimentent la gestion des transports, de l’agriculture, de l’énergie et des situations d’urgence. Une résolution plus fine peut aider à anticiper la production solaire ou éolienne, à organiser des opérations et à communiquer plus tôt sur certains risques.Google prévoit d’intégrer WeatherNext 3 à plusieurs services, dont Search, Gemini, Maps et Google Cloud. Cette diffusion élargit l’accès au modèle mais renforce aussi la nécessité d’expliquer la provenance et les limites des informations.
L’IA complète les systèmes météorologiques
Un modèle d’IA apprend à partir de grandes quantités de données, tandis que les services météorologiques s’appuient aussi sur des observations, des modèles physiques et l’expertise humaine. Les approches peuvent se compléter plutôt que se remplacer.Pour les utilisateurs, la prudence reste essentielle face aux phénomènes dangereux : il faut suivre les alertes officielles et ne pas confondre une prévision probabiliste avec une certitude.
Comment évaluer l’utilité des prévisions
Une prévision plus précise n’a de valeur que si elle arrive au bon moment et sous une forme compréhensible. Les services publics, agriculteurs, transporteurs ou organisateurs d’événements ont besoin d’indications localisées, accompagnées d’un niveau d’incertitude et de mises à jour faciles à interpréter.
Il faudra comparer les résultats du modèle avec les observations réelles, notamment pendant les épisodes extrêmes. La couverture géographique, la fréquence des actualisations et l’accès aux données sont également déterminants. L’IA peut compléter les modèles physiques, mais la décision finale doit tenir compte des alertes officielles et de l’expertise météorologique locale.
Source : Google DeepMind, 3 septembre 2026. Consulter la source ↗