WeatherNext 3 : Google rend la météo IA plus précise

WeatherNext 3 : Google DeepMind veut faire de l’IA météo un outil quotidien à grande échelle

Google DeepMind annonce WeatherNext 3, présenté comme son modèle d’intelligence artificielle mondial de prévision météorologique « le plus avancé et le plus précis » à ce jour. L’annonce, publiée par Google DeepMind sous le titre “Introducing WeatherNext 3, our most advanced and accurate global weather AI model”, place les précipitations parmi les domaines d’amélioration visés par cette nouvelle génération, qu’il s’agisse de pluie ou de neige.

Le sujet dépasse largement la démonstration technologique. La météo est l’un des domaines où la qualité d’une prédiction peut avoir des effets immédiats et mesurables sur la vie quotidienne : préparation d’un déplacement, sécurité routière, organisation d’un chantier, gestion de réseaux électriques, décisions agricoles, prévention des risques ou pilotage de services publics. Une prévision n’a pas besoin d’être spectaculaire pour être utile : quelques heures d’anticipation supplémentaires, une meilleure localisation d’un épisode pluvieux ou une représentation plus fiable de la neige peuvent modifier la décision prise par un particulier, une entreprise ou une collectivité.

Google indique vouloir intégrer les prédictions de WeatherNext 3 dans ses produits et services météorologiques. Ce point constitue l’enjeu majeur de l’annonce. Le passage d’un modèle de recherche à une diffusion au sein d’outils utilisés par un vaste public transforme la nature même de l’IA météo : il ne s’agit plus seulement de comparer des résultats dans un cadre scientifique, mais de fournir des informations qui peuvent être consultées chaque jour, dans des contextes très variés.

WeatherNext 3 s’inscrit ainsi dans une tendance plus large de l’intelligence artificielle contemporaine. Alors que les assistants conversationnels et les générateurs de texte ou d’images concentrent une part importante de l’attention médiatique, les modèles spécialisés progressent dans des tâches moins visibles mais potentiellement structurantes. La prévision météorologique fait partie de ces cas d’usage où l’IA est confrontée à un problème concret, à des données nombreuses, à une exigence de fiabilité élevée et à des conséquences pratiques immédiates.

« Introducing WeatherNext 3, our most advanced and accurate global weather AI model » : Google DeepMind présente WeatherNext 3 comme son modèle mondial de prévision météo le plus avancé et le plus précis.

La formulation employée par Google DeepMind est ambitieuse. Elle appelle toutefois une lecture attentive. Une prévision météorologique ne se réduit pas à un chiffre de précision global : son intérêt dépend du phénomène concerné, de l’horizon temporel, de la zone géographique, de la résolution des données, de la capacité à représenter les événements rares et de la manière dont l’incertitude est communiquée. L’annonce insiste sur les précipitations, un domaine particulièrement important parce qu’il compte parmi les plus difficiles à prévoir avec précision et parmi les plus directement utiles pour les utilisateurs.

Dans ce contexte, WeatherNext 3 est moins un produit isolé qu’un signal : Google DeepMind entend poursuivre l’industrialisation des modèles météorologiques fondés sur l’IA et les faire passer du laboratoire aux usages opérationnels. Pour les acteurs européens et français de la météo, de l’énergie, des transports, de l’assurance ou de l’agriculture, cette évolution mérite d’être suivie de près. Elle pourrait influencer la façon dont les prévisions sont produites, distribuées, comparées et consommées.

La météo, un terrain historique de calcul scientifique et de données

La prévision météorologique est depuis longtemps l’un des grands domaines du calcul scientifique. Son principe général est bien établi : à partir d’observations disponibles sur l’état de l’atmosphère, des océans et des surfaces terrestres, les systèmes cherchent à estimer l’évolution future des phénomènes météorologiques. Les données proviennent notamment de satellites, de stations au sol, de ballons, de radars et d’autres instruments de mesure. Elles alimentent des modèles qui tentent de représenter les mécanismes physiques à l’œuvre dans l’atmosphère.

Cette discipline est intrinsèquement complexe. L’atmosphère est un système dynamique, où des phénomènes se produisant à différentes échelles peuvent interagir. Les conditions locales comptent, mais elles dépendent aussi de circulations plus larges. Les effets du relief, des côtes, de la température des sols, de l’humidité ou de l’évolution des masses d’air peuvent avoir une influence importante sur la réalité observée dans une zone donnée. Les événements météorologiques ne sont donc pas seulement une affaire de données massives : ils exigent aussi des méthodes capables de gérer l’incertitude et la diversité des situations.

Les précipitations illustrent particulièrement bien cette difficulté. Prévoir qu’il fera plus ou moins humide dans une région ne répond pas entièrement aux besoins opérationnels. Il faut aussi estimer où la pluie se produira, à quel moment, avec quelle intensité, pendant combien de temps, et sous quelle forme. Dans certaines situations, la différence entre pluie, neige, pluie verglaçante ou absence de précipitation peut avoir des conséquences très différentes pour les usagers et les infrastructures.

Pour l’agriculture, la temporalité et la quantité d’eau attendue peuvent peser sur l’organisation des travaux et sur la gestion des cultures. Dans les transports, un épisode neigeux ou pluvieux peut modifier les conditions de circulation, les opérations ferroviaires, aériennes ou routières, ainsi que la sécurité des voyageurs. Pour les réseaux d’énergie, les conditions météorologiques influencent à la fois la demande et la production de certaines sources renouvelables. Les collectivités, elles, doivent pouvoir préparer les services de voirie, la gestion des eaux ou les messages de prévention.

Cette dimension concrète explique pourquoi la météo est un terrain d’expérimentation particulièrement significatif pour l’intelligence artificielle. L’enjeu n’est pas de produire un texte convaincant ou une image réaliste. Il consiste à fournir une estimation utile du monde physique, qui pourra être confrontée peu après aux observations. Le test est direct : ce qui était prévu peut être comparé à ce qui s’est effectivement produit.

Les modèles d’IA appliqués à la météo ne remplacent pas automatiquement les approches scientifiques et institutionnelles qui structurent le secteur. La prévision météorologique repose sur des décennies de recherche, sur des réseaux d’observation et sur le travail de services nationaux et internationaux. En France, Météo-France joue un rôle central dans la production d’informations météorologiques et de vigilance. À l’échelle européenne, les capacités de calcul et de prévision constituent également un enjeu stratégique majeur.

L’arrivée de modèles développés par de grands groupes technologiques ajoute cependant une nouvelle couche à cet écosystème. Ces entreprises disposent de capacités importantes en calcul, en ingénierie logicielle, en apprentissage automatique et en distribution de services numériques. Leur contribution peut accélérer certaines étapes de la prévision, rendre des résultats plus accessibles ou permettre de développer de nouvelles interfaces. Mais elle soulève aussi des questions de dépendance, de transparence, d’évaluation indépendante et de coexistence avec les institutions publiques chargées de missions de sécurité.

Le choix de Google DeepMind de qualifier WeatherNext 3 de modèle mondial est également important. La météo ne s’arrête pas aux frontières administratives, et la circulation atmosphérique impose une approche globale. Pourtant, les usages sont toujours locaux. Une prévision utile dans un cadre mondial doit ensuite conserver une pertinence pour un bassin de vie, une exploitation agricole, une route, une vallée ou une ville. C’est dans cette articulation entre échelle planétaire et décision locale que se jouera la valeur réelle de ces modèles.

Les annonces sur l’IA météo doivent donc être lues selon deux axes. Le premier concerne la performance scientifique : un modèle apporte-t-il de meilleurs résultats sur des variables et des situations données ? Le second concerne la valeur d’usage : cette amélioration est-elle compréhensible, accessible, suffisamment rapide et correctement intégrée pour aider à prendre de meilleures décisions ? WeatherNext 3 se situe précisément à la rencontre de ces deux dimensions, puisque Google DeepMind met en avant ses performances tout en annonçant son intention de diffuser les prédictions dans ses services.

Ce que Google DeepMind annonce avec WeatherNext 3

Le fait central est clair : Google DeepMind présente WeatherNext 3 comme une nouvelle génération de son modèle d’IA dédié à la prévision météorologique mondiale. L’entreprise le décrit comme son modèle le plus avancé et le plus précis dans cette catégorie. La communication met l’accent sur la capacité à améliorer la prévision des précipitations, notamment de la pluie et de la neige.

Ce ciblage est significatif. Les températures ou les grandes tendances météorologiques font partie des informations les plus consultées par le public, mais les précipitations sont souvent celles qui déterminent concrètement le déroulement d’une journée. Elles peuvent affecter la circulation, la tenue d’un événement, la pratique agricole, la planification de travaux, les activités touristiques ou l’exploitation d’infrastructures. Pour une personne qui doit décider si elle prend son vélo, si elle reporte un trajet ou si elle protège un équipement, la question n’est pas abstraite : elle porte sur le lieu, l’heure et l’intensité d’une pluie ou d’une chute de neige.

Google DeepMind ne présente donc pas WeatherNext 3 uniquement comme une avancée générale de l’IA. L’entreprise relie le modèle à une catégorie de prévisions où la précision a une forte valeur pratique. Cela ne signifie pas qu’un modèle peut supprimer toute incertitude météorologique. Au contraire, l’importance des précipitations rappelle pourquoi les utilisateurs doivent continuer à interpréter les prévisions comme des informations probabilistes et évolutives, plutôt que comme une promesse absolue.

L’autre élément central de l’annonce est l’intégration prévue des prédictions dans les produits et services météorologiques de Google. Cette perspective distingue WeatherNext 3 d’un résultat destiné uniquement à une publication académique ou à une démonstration interne. Google dispose déjà de points de contact numériques à très grande échelle. Lorsqu’un modèle de prévision est intégré à des services utilisés par le grand public, il peut toucher des publics qui ne suivent pas nécessairement l’actualité de l’intelligence artificielle ou de la météorologie.

Cette distribution est l’un des avantages potentiels des plateformes technologiques. Le défi n’est plus seulement de calculer une prévision : il consiste à la présenter au bon moment, sous une forme intelligible, et à éviter qu’une information complexe ne soit réduite à une certitude trompeuse. Une carte de précipitations, une estimation horaire ou une alerte contextuelle peuvent être très utiles, mais elles doivent conserver les nuances nécessaires. Une amélioration du modèle ne garantit pas à elle seule une amélioration de l’expérience utilisateur. L’interface, le vocabulaire, les avertissements et l’explication de l’incertitude comptent aussi.

Le communiqué de Google DeepMind positionne WeatherNext 3 dans une logique de déploiement. C’est un changement important dans la manière dont l’IA météo est perçue. Pendant longtemps, les annonces dans ce domaine ont surtout été commentées à travers leurs performances comparatives, leurs méthodes d’entraînement ou leurs résultats sur des jeux de données. Désormais, les modèles sont aussi envisagés comme des briques de services : ils peuvent alimenter des prévisions consultées au quotidien et, potentiellement, des outils destinés à des secteurs économiques précis.

Le nom WeatherNext 3 suggère par ailleurs une continuité dans les travaux de Google sur la météorologie assistée par IA. Google DeepMind s’est déjà fait connaître dans le domaine avec GraphCast, un modèle de prévision météorologique présenté en 2023. Cette précédente étape avait contribué à placer les modèles d’apprentissage automatique au centre des discussions sur l’avenir des prévisions globales. WeatherNext 3 prolonge cette orientation, mais l’annonce actuelle insiste surtout sur la précision revendiquée et sur l’intégration dans les services de Google.

Il importe néanmoins de distinguer une affirmation d’entreprise d’une évaluation complète par l’ensemble de la communauté météorologique. La formule « le plus avancé et le plus précis » définit le positionnement de Google DeepMind. Pour les professionnels, l’évaluation dépendra de comparaisons rigoureuses sur plusieurs phénomènes, plusieurs régions et plusieurs horizons de prévision. La qualité d’un modèle peut varier selon les conditions météorologiques, selon la densité des observations disponibles et selon la définition précise de ce que l’on appelle une meilleure prédiction.

La portée de WeatherNext 3 ne se mesure donc pas uniquement à la revendication de performance. Elle dépendra aussi de la documentation technique mise à disposition, de la reproductibilité des résultats, des modalités de comparaison avec d’autres systèmes et de la façon dont les prédictions seront exposées aux utilisateurs. C’est particulièrement vrai dans un domaine où une erreur peut être sans conséquence dans un cas, mais devenir critique dans une situation de risque ou de décision économique.

Pourquoi la pluie et la neige sont des tests décisifs pour l’IA météo

Mettre les précipitations au premier plan n’est pas anodin. Pour les utilisateurs, elles représentent souvent l’information la plus directement actionnable. Une température annoncée avec un léger écart peut ne pas modifier une décision. En revanche, la différence entre une averse localisée et une pluie durable, entre un épisode de neige et une simple couverture nuageuse, ou entre une précipitation modérée et un phénomène plus intense peut avoir des effets immédiats.

La pluie et la neige posent aussi un défi de représentation. Elles sont influencées par de nombreux paramètres atmosphériques et par des phénomènes locaux. Les frontières entre zones sèches et zones humides peuvent être marquées, et l’évolution rapide de certaines situations rend l’exercice délicat. Une prévision globalement correcte peut ainsi rester insuffisante si elle manque la localisation précise ou le calendrier d’un phénomène. C’est pourquoi toute amélioration annoncée sur les précipitations mérite l’attention des utilisateurs professionnels comme du grand public.

Dans les territoires français, cette question prend des formes diverses. Sur les façades maritimes, les reliefs, les zones urbaines denses, les vallées ou les régions agricoles, les besoins et les effets d’une prévision ne sont pas les mêmes. Les épisodes neigeux concernent notamment des zones de montagne, mais peuvent aussi perturber fortement les réseaux de transport lorsqu’ils affectent des territoires moins habitués à ces conditions. La pluie peut être essentielle pour la gestion hydrique, l’agriculture ou la prévention des inondations, sans que les mêmes seuils de vigilance ou les mêmes conséquences s’appliquent partout.

Une IA météorologique ne devient donc réellement utile que si elle apporte une information adaptée à ces différences. Le mot « global » ne doit pas être compris comme l’effacement du local. Au contraire, un modèle mondial doit être capable de fournir des résultats utilisables dans des environnements très différents. Pour Google DeepMind, l’enjeu de WeatherNext 3 sera de démontrer que les gains revendiqués sur les précipitations peuvent se traduire par une valeur perceptible pour des utilisateurs répartis dans de nombreux pays et confrontés à des réalités météorologiques très contrastées.

Le marché de l’énergie offre un exemple parlant. La météo influence la consommation, notamment à travers les besoins de chauffage ou de refroidissement, et elle pèse aussi sur la production de sources renouvelables dépendantes des conditions atmosphériques. Une meilleure anticipation des précipitations ne répond pas à toutes les variables utiles à ce secteur, mais elle peut participer à une lecture plus fine de l’état attendu du système météorologique. Dans un environnement où les décisions sont prises en continu, la rapidité d’accès à l’information et la capacité à actualiser les prévisions ont une importance particulière.

Dans les transports, les précipitations peuvent affecter les conditions de circulation, la visibilité, l’état des chaussées, les opérations sur les infrastructures et la sécurité des voyageurs. Là encore, les prévisions ne sont pas seules à guider la décision : les opérateurs disposent de procédures, de capteurs, d’équipes terrain et de sources institutionnelles. Mais des modèles plus précis peuvent enrichir les outils existants, surtout s’ils améliorent l’anticipation et s’ils sont intégrés de manière fiable dans les chaînes de décision.

Pour l’agriculture, l’intérêt potentiel est tout aussi tangible. Les décisions liées aux interventions dans les champs, à l’irrigation, aux traitements ou à la protection des cultures dépendent souvent de conditions météorologiques à court terme. Une prévision plus utile des précipitations pourrait contribuer à optimiser certaines décisions, à condition que les exploitants disposent de services adaptés à leur contexte et que les résultats soient associés à une compréhension claire de leurs limites.

La notion de précision doit toutefois être maniée avec prudence. Une meilleure performance moyenne ne signifie pas que chaque averse ou chaque épisode neigeux sera parfaitement anticipé. Les événements rares, intenses ou très localisés restent par nature difficiles. Dans la communication auprès du grand public, le risque serait de laisser croire qu’un modèle d’IA élimine l’incertitude. Or la bonne utilisation d’une prévision consiste souvent à prendre en compte cette incertitude, notamment lorsque l’enjeu est élevé.

Le rôle des services météorologiques, des autorités et des systèmes d’alerte demeure à cet égard essentiel. Une application ou une interface peut fournir une prévision pratique, mais elle ne remplace pas automatiquement les messages officiels, les consignes de sécurité ou l’expertise nécessaire lors d’une situation dangereuse. L’industrialisation de l’IA météo devra donc s’accompagner d’une hiérarchie claire entre information de confort, outil d’aide à la décision et communication de sécurité publique.

Une compétition technologique qui touche aussi les institutions et les utilisateurs européens

L’annonce de WeatherNext 3 intervient dans un contexte de concurrence accrue autour de l’IA appliquée aux sciences du climat et de la météo. Google DeepMind n’est pas le seul acteur à investir ce terrain. Les organismes météorologiques, les centres de calcul scientifique, les universités et plusieurs entreprises technologiques travaillent tous sur des méthodes de prévision et sur l’exploitation de données atmosphériques. Cette pluralité est importante : elle permet de confronter les approches et d’éviter qu’une seule métrique ou qu’un seul fournisseur ne devienne la référence incontestée.

GraphCast avait déjà illustré l’intérêt de Google DeepMind pour cette compétition scientifique. Présenté en 2023, ce modèle avait attiré l’attention parce qu’il proposait une approche fondée sur l’apprentissage automatique pour la prévision mondiale. WeatherNext 3 s’inscrit dans ce mouvement, mais avec une ambition plus directement orientée vers la diffusion des résultats au sein des produits et services du groupe.

La différence entre un modèle et un service est fondamentale. Un modèle peut produire des estimations performantes dans un environnement contrôlé. Un service doit fonctionner de façon régulière, absorber une grande diversité de demandes, être mis à jour, présenter les résultats de manière compréhensible et assurer une qualité cohérente dans le temps. Lorsqu’une entreprise annonce l’intégration d’un modèle météo à ses services, elle s’engage donc implicitement sur une chaîne beaucoup plus large que l’algorithme lui-même.

Pour les utilisateurs européens, cette évolution peut offrir un accès plus direct à des prévisions alimentées par des technologies récentes. Mais elle renforce aussi l’importance de critères tels que la transparence, la gouvernance des données, l’explicabilité des interfaces et l’accès aux sources officielles. En Europe, la météo est liée à des missions publiques, à la recherche, à la prévention des risques et à des infrastructures stratégiques. L’arrivée de grandes plateformes ne fait pas disparaître ces responsabilités.

En France, les usages numériques de la météo sont déjà largement installés. Les prévisions sont consultées dans des applications, des moteurs de recherche, des sites spécialisés, des médias et des outils professionnels. Le déploiement de WeatherNext 3 pourrait donc être perceptible sans nécessiter une nouvelle habitude : si Google intègre effectivement ses prédictions dans des services existants, la technologie pourrait arriver auprès des utilisateurs à travers des interfaces qu’ils connaissent déjà.

Cette facilité d’accès représente une opportunité, mais elle crée aussi une exigence accrue de clarté. L’utilisateur doit pouvoir savoir s’il consulte une prévision produite par un modèle particulier, comment celle-ci est mise à jour, et quelle place elle occupe face aux bulletins et alertes des organismes compétents. La question n’est pas seulement technique. Elle concerne la confiance. Lorsqu’une météo est affichée sur un écran, elle peut influencer une décision même si l’utilisateur ne connaît ni le modèle ni les données derrière le résultat.

Pour les entreprises françaises, WeatherNext 3 peut également être vu comme un indicateur de marché. Les secteurs dépendants de la météo cherchent déjà des outils plus fins pour anticiper leurs opérations. Si les grands fournisseurs de plateformes améliorent leurs capacités, les éditeurs spécialisés, les acteurs de la donnée et les fournisseurs de services sectoriels devront montrer la valeur ajoutée de leurs propres offres : adaptation à un métier, données locales, intégration à des systèmes internes, accompagnement humain ou capacités d’analyse spécifiques.

La montée en puissance de l’IA météo ne signifie pas nécessairement une concentration immédiate du marché. Les besoins sont variés, les données sont multiples et les exigences réglementaires ou opérationnelles diffèrent selon les secteurs. En revanche, elle peut modifier le niveau d’attente des utilisateurs. Si des prévisions plus fréquentes ou mieux visualisées deviennent disponibles dans des services généralistes, les professionnels demanderont à leur tour davantage de précision, de réactivité et de contextualisation.

La question de l’évaluation indépendante sera centrale. Les revendications de précision doivent pouvoir être examinées à partir de méthodes claires et de comparaisons adaptées. Il faut notamment éviter de juger un système sur une seule moyenne globale, alors que son comportement peut varier selon la géographie, les saisons ou le type de phénomène. Pour les précipitations, les performances lors d’événements peu fréquents mais à forts enjeux sont particulièrement importantes.

Ce besoin de comparaison ouvre aussi un espace de coopération entre recherche publique, services météorologiques et entreprises. Les modèles d’IA peuvent accélérer certaines tâches ou offrir de nouvelles méthodes, tandis que les institutions possèdent une expertise essentielle sur l’observation, l’interprétation, l’alerte et la connaissance des territoires. La trajectoire la plus robuste n’est pas forcément celle d’un remplacement brutal, mais celle d’une articulation entre capacités de calcul, savoir scientifique et responsabilités opérationnelles.

Vers une météo augmentée, mais pas une météo sans incertitude

La véritable portée de WeatherNext 3 se jouera dans son déploiement. Google DeepMind annonce son intention d’intégrer les prédictions du modèle à ses produits et services météorologiques. Si cette intégration devient effective à grande échelle, elle contribuera à banaliser davantage l’usage de l’IA dans une activité quotidienne : consulter le temps qu’il fera. Pour une grande partie du public, cette évolution pourra rester invisible. L’utilisateur verra une prévision, une carte ou une estimation de précipitations, sans nécessairement connaître le modèle qui a contribué à la produire.

C’est précisément ce qui donne à l’annonce son importance. L’IA ne se limite pas aux interfaces conversationnelles. Elle peut s’insérer dans des systèmes de prévision, de recommandation ou d’analyse qui opèrent en arrière-plan. La météo est un exemple particulièrement parlant parce que le résultat est immédiatement compréhensible par chacun, mais que la chaîne technologique qui le produit est d’une grande complexité.

À long terme, la diffusion de modèles comme WeatherNext 3 pourrait encourager une météo plus contextuelle. Les prévisions générales restent utiles, mais les utilisateurs recherchent souvent une réponse liée à une action : faut-il partir maintenant, programmer une intervention, adapter un itinéraire, sécuriser un événement, prévoir une équipe ou protéger une installation ? L’enjeu ne sera pas seulement de produire une meilleure estimation météorologique, mais de la relier à une décision sans masquer les limites du modèle.

Cette évolution peut aussi renforcer la demande de prévisions probabilistes et de visualisations plus riches. Lorsqu’un phénomène est incertain, une information binaire est rarement suffisante. Les professionnels, en particulier, ont besoin de comprendre l’éventail des scénarios possibles et le niveau de confiance associé. Les interfaces destinées au grand public doivent quant à elles trouver un équilibre entre simplicité et honnêteté : trop de détails peuvent rendre l’information illisible, trop peu de nuances peuvent conduire à une interprétation erronée.

Pour Google, le défi sera de prouver que WeatherNext 3 améliore réellement l’expérience des utilisateurs au-delà de la communication de lancement. La promesse sur la pluie et la neige est forte parce qu’elle concerne des situations que chacun peut vérifier. Une intégration réussie devra montrer sa pertinence dans la durée, sur des territoires variés et lors de conditions météorologiques différentes.

Pour l’Europe et la France, l’enjeu sera aussi de préserver un environnement où les prévisions publiques, les alertes officielles et les innovations privées se complètent plutôt qu’elles ne se confondent. Les citoyens doivent pouvoir bénéficier de nouveaux outils sans perdre de vue les sources institutionnelles lorsque la sécurité est en jeu. Les entreprises doivent pouvoir exploiter les avancées de l’IA tout en disposant de garanties sur la continuité, la qualité et l’interprétation des données.

WeatherNext 3 illustre enfin une transformation plus générale de l’intelligence artificielle : sa valeur économique et sociale pourrait se mesurer de plus en plus dans des domaines spécialisés, soumis à des critères concrets de performance. Prévoir la météo avec davantage de précision, notamment les précipitations, n’a pas le caractère spectaculaire d’un assistant qui dialogue. Mais l’effet potentiel est plus diffus et peut-être plus profond, parce qu’il touche des décisions ordinaires comme des secteurs entiers de l’économie.

La prochaine étape ne consistera donc pas seulement à savoir si les modèles d’IA battent d’autres modèles sur des indicateurs techniques. Elle portera sur leur capacité à devenir des instruments fiables dans les pratiques réelles. WeatherNext 3 place Google DeepMind sur cette trajectoire : celle d’une IA météorologique appelée à quitter progressivement le statut de démonstration de recherche pour devenir une composante, parmi d’autres, des infrastructures informationnelles utilisées chaque jour.