IA et prévision météo : modèles, précision et décisions en 2026
Pendant cinquante ans, prévoir le temps a exigé des supercalculateurs qui résolvent les équations de l'atmosphère pendant des heures. En deux ans, des modèles d'apprentissage automatique ont rebattu les cartes : GenCast bat l'ensemble de référence européen sur 97,2 % des cibles et produit une prévision mondiale à 15 jours en 8 minutes, l'ECMWF exploite son propre modèle IA en opérationnel depuis février 2025 avec une consommation d'énergie environ 1 000 fois moindre, et le National Hurricane Center a classé un modèle IA premier pour la trajectoire et l'intensité des cyclones en 2025. Pour les entreprises dont la demande, la production ou les risques dépendent du ciel, c'est un changement concret. Voici lequel, vu de Belgique.
Article généré par l'IA. Contenu rédigé avec l'assistance d'un modèle d'intelligence artificielle, puis relu par un humain avant publication. Les chiffres cités renvoient à leurs sources, listées en fin d'article.
des 1 320 cibles de vérification sur lesquelles GenCast bat l'ensemble de référence de l'ECMWF (Google DeepMind · Nature, décembre 2024)
×1 000
de réduction approximative de l'énergie consommée par prévision avec l'AIFS de l'ECMWF, opérationnel depuis le 25 février 2025
92 %
des 224 milliards $ de pertes dues aux catastrophes naturelles en 2025 sont d'origine météorologique (Munich Re, janvier 2026)
Le point de bascule scientifique date de décembre 2024 : Google DeepMind publie dans Nature le modèle GenCast, entraîné sur 40 ans de données de réanalyse ERA5. Sur 1 320 combinaisons de variables et d'échéances, GenCast bat l'ENS, l'ensemble de référence du Centre européen pour les prévisions météorologiques à moyen terme (ECMWF), dans 97,2 % des cas, et dans 99,8 % des cas au-delà de 36 heures. Là où un supercalculateur mouline des heures, GenCast produit un ensemble de 50 scénarios et plus sur 15 jours, à une résolution de 0,25 degré, en 8 minutes sur une seule puce TPU v5. Son prédécesseur GraphCast, publié dans Science fin 2023, battait déjà le modèle déterministe de référence sur plus de 90 % de 1 380 cibles.
La bascule institutionnelle a suivi en quelques mois. L'ECMWF, l'organisation intergouvernementale européenne dont la Belgique est membre, a mis son propre modèle d'apprentissage automatique en exploitation : l'AIFS Single le 25 février 2025, premier modèle IA pleinement opérationnel d'un grand centre météo, avec des gains allant jusqu'à 20 % sur la trajectoire des cyclones tropicaux et une consommation d'énergie par prévision réduite d'un facteur d'environ 1 000 ; puis l'AIFS ENS le 1er juillet 2025, un ensemble de 51 prévisions qui surpasse les modèles physiques sur de nombreux indicateurs, dont la température de surface, tout en tournant plus de 10 fois plus vite. Les deux systèmes fonctionnent côte à côte avec le modèle physique IFS, et leurs sorties sont mises à disposition en données ouvertes.
Les géants du logiciel élargissent le champ. Aurora, le modèle de fondation de Microsoft publié dans Nature en mai 2025 et entraîné sur plus d'un million d'heures de données géophysiques, dépasse les prévisions opérationnelles sur la qualité de l'air, la houle et la trajectoire des cyclones, pour un coût de calcul environ 5 000 fois inférieur ; il avait battu le National Hurricane Center (NHC) sur les trajectoires cycloniques à 5 jours des saisons 2022-2023. Google a enchaîné : lors de la saison 2025, le rapport de vérification du NHC a classé WeatherNext premier modèle individuel pour la trajectoire et l'intensité des cyclones ; le modèle a anticipé cinq jours à l'avance l'intensification de l'ouragan Melissa en catégorie 5 avant son atterrissage historique en Jamaïque. Depuis le 18 novembre 2025, WeatherNext 2, 8 fois plus rapide et à résolution horaire, alimente les prévisions de Google Search, Gemini et Pixel.
Le contexte belge
La Belgique connaît le prix d'une prévision prise au sérieux : les inondations de juillet 2021 ont fait 39 victimes et généré près de 74 000 dossiers de sinistre pour 2,3 milliards d'euros, la catastrophe naturelle la plus coûteuse de l'histoire du pays (Assuralia). L'Organisation météorologique mondiale rappelle qu'un préavis de 24 heures peut réduire les dommages d'une tempête jusqu'à 30 %. Membre de l'ECMWF, la Belgique bénéficie directement de l'AIFS, et ses secteurs exposés au ciel (énergie éolienne en mer du Nord, agriculture, construction, logistique portuaire) figurent parmi les premiers utilisateurs potentiels de ces prévisions plus précises, plus fréquentes et moins chères.
Ce que ça change pour l'entreprise
La météo n'est pas un sujet de niche : Munich Re chiffre à 224 milliards de dollars les pertes des catastrophes naturelles en 2025, dont 92 % d'origine météorologique (et 97 % des pertes assurées). En dessous des catastrophes, la variabilité ordinaire du temps pèse chaque semaine sur la demande, les délais et les coûts. Des prévisions meilleures et moins chères se traduisent directement dans les décisions récurrentes.
Énergie et trading. La production éolienne et solaire suit le ciel : des ensembles plus fiables à 10-15 jours affinent les positions d'achat-vente, la gestion du déséquilibre et la planification de la maintenance des parcs, un enjeu direct pour la mer du Nord belge.
Logistique et maritime. Aurora prévoit la houle au niveau des meilleurs systèmes opérationnels : routage des navires, fenêtres de chargement portuaires, anticipation des perturbations routières et aériennes.
Agriculture. Semis, traitements, irrigation et récolte se calent sur des prévisions d'ensemble plus fines, en prolongement de l'agriculture de précision.
Assurance. Alerte précoce aux assurés, pré-positionnement des experts, produits paramétriques mieux calibrés : le prolongement naturel de l'IA dans l'assurance.
Construction et événementiel. Planification des levages, du bétonnage et des travaux en hauteur, sécurité des chantiers et des événements extérieurs, avec moins de journées perdues.
Commerce et demande. La météo est déjà une variable d'entrée des modèles de prévision de la demande : des entrées météo plus justes améliorent réassort, frais et promotions.
Pourquoi c'est une rupture, et pas un gadget
Trois facteurs se combinent. La vitesse : une prévision d'ensemble qui demandait des heures de supercalculateur sort en minutes sur une puce, ce qui permet de multiplier les scénarios (WeatherNext 2 en génère des centaines) et de rafraîchir plus souvent. Le coût : environ 1 000 fois moins d'énergie par prévision pour l'AIFS ; à budget constant, un service météo national ou une entreprise peut produire beaucoup plus. L'accès : les sorties de l'AIFS sont en données ouvertes, Aurora est publié en open source, GenCast a son code et ses poids publiés ; la prévision de pointe n'est plus réservée à ceux qui possèdent un supercalculateur. L'enjeu humanitaire suit la même pente : la moitié des pays seulement disposent de systèmes d'alerte précoce multirisques, et l'ONU vise une couverture universelle fin 2027 avec l'initiative Early Warnings for All ; la Banque mondiale estime qu'un accès universel à l'alerte précoce éviterait au moins 13 milliards de dollars de pertes d'actifs par an.
Les limites à connaître
Les modèles IA ne partent pas de rien : ils dépendent de l'assimilation de données des centres physiques pour leurs conditions initiales, et donc des satellites, radars et stations qui alimentent celle-ci. Leur résolution reste plus grossière (31 km pour l'AIFS ENS contre 9 km pour l'ensemble physique de l'ECMWF), ce qui limite le très local : orages isolés, rafales de vallée, grêle. Et les événements sans précédent restent le point dur de systèmes entraînés sur le passé. Les centres météo parlent de complémentarité et de systèmes hybrides, pas de remplacement.
Exploiter la météo IA, étape par étape
1
Chiffrer votre exposition météo
Quelles décisions dépendent du temps : demande, production, chantiers, transport, sécurité ? Quel coût une mauvaise prévision a-t-elle eu sur 12 mois ? Ce chiffrage cadre le projet.
2
Accéder aux prévisions
Données ouvertes de l'ECMWF (AIFS), services de l'IRM, API commerciales qui intègrent les modèles IA : commencez par les flux existants avant de penser à un modèle maison.
3
Brancher sur une décision récurrente
Prévision de la demande, planification des équipes, fenêtre de maintenance, alerte interne : un cas, des indicateurs avant/après, une saison de test.
4
Gouverner et étendre
Utilisez des ensembles plutôt qu'un scénario unique, comparez IA et modèle physique, gardez une validation humaine pour les décisions de sécurité, puis étendez aux autres décisions météo-sensibles.
Questions fréquentes
Les modèles météo par IA remplacent-ils les modèles physiques ?
Non, ils les complètent. Les modèles IA comme l'AIFS de l'ECMWF dépendent de l'assimilation de données physique pour leurs conditions initiales, et leur résolution (31 km pour l'ensemble AIFS) reste inférieure à celle du modèle physique (9 km). Les centres météo font tourner les deux côte à côte et explorent des systèmes hybrides qui combinent les forces des deux approches.
Quelle précision les modèles météo IA ont-ils atteinte ?
GenCast (Google DeepMind, Nature, décembre 2024) bat l'ensemble de référence de l'ECMWF sur 97,2 % de 1 320 cibles de vérification, et sur 99,8 % au-delà de 36 heures. L'AIFS de l'ECMWF améliore la trajectoire des cyclones tropicaux jusqu'à 20 %. Lors de la saison cyclonique 2025, le rapport de vérification du National Hurricane Center a classé WeatherNext de Google premier modèle individuel pour la trajectoire et l'intensité.
Comment une entreprise peut-elle exploiter la prévision météo par IA ?
En trois temps : identifier l'exposition météo de l'activité (demande, production, logistique, chantiers, risques), accéder aux prévisions (les sorties AIFS de l'ECMWF sont en données ouvertes, Aurora est en open source, des fournisseurs commerciaux les intègrent), puis brancher ces données sur les décisions récurrentes : prévision de la demande, planification des équipes et des chantiers, couverture énergétique, alertes internes. On mesure l'effet avant/après sur un périmètre limité, puis on étend.
Les prévisions IA sont-elles fiables pour les événements extrêmes ?
Elles progressent vite : WeatherNext a anticipé cinq jours à l'avance l'intensification de l'ouragan Melissa en catégorie 5 en octobre 2025, et GenCast surpasse la référence européenne sur les extrêmes. Mais les événements rares restent le point dur : les modèles apprennent sur le passé, et un phénomène sans précédent y est par définition sous-représenté. Les bonnes pratiques restent l'usage d'ensembles (50 scénarios et plus), la comparaison avec les modèles physiques et la validation humaine pour les décisions de sécurité.
Sources
Price, I. et al. (Google DeepMind), Probabilistic weather forecasting with machine learning, Nature, décembre 2024 (GenCast bat l'ENS de l'ECMWF sur 97,2 % de 1 320 cibles, 99,8 % au-delà de 36 heures ; ensemble de 50 scénarios et plus ; 15 jours à 0,25° en 8 minutes sur une TPU v5 ; entraîné sur 40 ans d'ERA5). nature.com · billet DeepMind : deepmind.google
ECMWF, ECMWF's AI forecasts become operational, 25 février 2025 (AIFS Single opérationnel ; gains jusqu'à 20 % sur les trajectoires de cyclones tropicaux ; énergie par prévision réduite d'environ 1 000 fois). ecmwf.int
ECMWF, ECMWF's ensemble AI forecasts become operational, 1er juillet 2025 (AIFS ENS : 51 prévisions, gains jusqu'à 20 % dont la température de surface, résolution 31 km contre 9 km pour l'ensemble physique, plus de 10 fois plus rapide, environ 1 000 fois moins d'énergie). ecmwf.int
Bodnar, C. et al. (Microsoft Research), A foundation model for the Earth system, Nature, mai 2025 (Aurora, entraîné sur plus d'un million d'heures de données géophysiques ; qualité de l'air, houle, cyclones ; coût de calcul environ 5 000 fois inférieur ; meilleur que le NHC sur les trajectoires à 5 jours des saisons 2022-2023). nature.com · présentation : news.microsoft.com
Google DeepMind, How WeatherNext helped the National Hurricane Center better predict Hurricane Melissa's historic landfall in Jamaica, 2025-2026 (rapport de vérification NHC saison 2025 : WeatherNext premier modèle individuel pour trajectoire et intensité ; catégorie 5 anticipée 5 jours à l'avance ; WeatherNext 2 lancé le 18 novembre 2025, 8 fois plus rapide, résolution horaire, déployé dans Search, Gemini et Pixel). deepmind.google
Munich Re, Natural disaster figures 2025, janvier 2026 (224 milliards $ de pertes totales, 108 milliards $ assurés ; les catastrophes météorologiques représentent 92 % des pertes totales et 97 % des pertes assurées ; environ 17 200 victimes). munichre.com
Organisation météorologique mondiale (OMM) et ONU, initiative Early Warnings for All (un préavis de 24 heures peut réduire les dommages jusqu'à 30 % ; la moitié des pays seulement disposent de systèmes d'alerte multirisques ; objectif de couverture universelle fin 2027 ; estimation Banque mondiale de 13 milliards $ de pertes d'actifs évitées par an). wmo.int · un.org
Assuralia, Actualisation relative aux inondations de juillet 2021 (39 victimes, près de 74 000 dossiers de sinistre, 2,3 milliards € de charge, catastrophe naturelle la plus coûteuse de l'histoire belge ; 98,3 % des dossiers clôturés cinq ans après). press.assuralia.be
Lam, R. et al. (Google DeepMind), Learning skillful medium-range global weather forecasting (GraphCast), Science, 2023 (meilleur que le modèle déterministe HRES sur plus de 90 % de 1 380 cibles). science.org
Molderez Consult aide les entreprises belges à chiffrer leur exposition météo, brancher les prévisions par IA (données ouvertes ECMWF, API spécialisées) sur leurs décisions de demande, de planification et de risque, et mesurer le gain, du premier indicateur au dispositif d'alerte interne.
Article généré par l'IA. Contenu rédigé avec l'assistance d'un modèle d'intelligence artificielle, puis relu par un humain avant publication. Les chiffres cités renvoient à leurs sources, listées en fin d'article.
AI en weersvoorspelling: modellen, precisie en beslissingen in 2026
Vijftig jaar lang vereiste het voorspellen van het weer supercomputers die urenlang de vergelijkingen van de atmosfeer oplossen. In twee jaar tijd hebben machine-learningmodellen de kaarten herschud: GenCast verslaat het Europese referentie-ensemble op 97,2 % van de doelen en maakt een wereldwijde 15-daagse voorspelling in 8 minuten, het ECMWF draait sinds februari 2025 zijn eigen AI-model operationeel met ongeveer 1 000 keer minder energieverbruik, en het National Hurricane Center rangschikte in 2025 een AI-model als eerste voor traject en intensiteit van cyclonen. Voor bedrijven waarvan de vraag, de productie of de risico's van de hemel afhangen, is dit een concrete verandering. Ziehier welke, bekeken vanuit België.
Artikel gegenereerd door AI. Tekst opgesteld met de hulp van een AI-model en door een mens nagelezen vóór publicatie. De vermelde cijfers verwijzen naar hun bronnen, onderaan dit artikel.
van de 1 320 verificatiedoelen waarop GenCast het referentie-ensemble van het ECMWF verslaat (Google DeepMind · Nature, december 2024)
×1 000
minder energie (bij benadering) per voorspelling met AIFS van het ECMWF, operationeel sinds 25 februari 2025
92 %
van de 224 miljard $ verliezen door natuurrampen in 2025 was weergerelateerd (Munich Re, januari 2026)
Het wetenschappelijke kantelpunt dateert van december 2024: Google DeepMind publiceert in Nature het model GenCast, getraind op 40 jaar ERA5-heranalysedata. Op 1 320 combinaties van variabelen en termijnen verslaat GenCast het ENS, het referentie-ensemble van het Europees Centrum voor Weersverwachtingen op Middellange Termijn (ECMWF), in 97,2 % van de gevallen, en in 99,8 % van de gevallen voorbij 36 uur. Waar een supercomputer uren rekent, produceert GenCast een ensemble van 50 en meer scenario's over 15 dagen, met een resolutie van 0,25 graden, in 8 minuten op één enkele TPU v5-chip. Zijn voorganger GraphCast, eind 2023 gepubliceerd in Science, versloeg het deterministische referentiemodel al op meer dan 90 % van 1 380 doelen.
De institutionele omslag volgde binnen enkele maanden. Het ECMWF, de Europese intergouvernementele organisatie waarvan België lid is, nam zijn eigen machine-learningmodel in gebruik: AIFS Single op 25 februari 2025, het eerste volledig operationele AI-model van een groot weercentrum, met winsten tot 20 % op het traject van tropische cyclonen en een energieverbruik per voorspelling dat ongeveer 1 000 keer lager ligt; daarna AIFS ENS op 1 juli 2025, een ensemble van 51 voorspellingen dat de fysische modellen op tal van indicatoren overtreft, waaronder de oppervlaktetemperatuur, en meer dan 10 keer sneller draait. Beide systemen werken zij aan zij met het fysische IFS-model, en hun output is beschikbaar als open data.
De softwaregiganten verbreden het veld. Aurora, het foundationmodel van Microsoft, gepubliceerd in Nature in mei 2025 en getraind op meer dan een miljoen uur geofysische data, overtreft de operationele voorspellingen voor luchtkwaliteit, golven en cycloontrajecten, tegen een rekenkost die ongeveer 5 000 keer lager ligt; het versloeg het National Hurricane Center (NHC) op de 5-daagse cycloontrajecten van de seizoenen 2022-2023. Google ging verder: in het seizoen 2025 rangschikte het verificatierapport van het NHC WeatherNext als eerste individuele model voor traject en intensiteit van cyclonen; het model voorspelde vijf dagen op voorhand de intensivering van orkaan Melissa tot categorie 5 vóór haar historische landing op Jamaica. Sinds 18 november 2025 voedt WeatherNext 2, 8 keer sneller en met uurresolutie, de voorspellingen van Google Search, Gemini en Pixel.
De Belgische context
België kent de prijs van een ernstig genomen voorspelling: de overstromingen van juli 2021 kostten 39 mensenlevens en leidden tot bijna 74 000 schadedossiers voor 2,3 miljard euro, de duurste natuurramp uit de Belgische geschiedenis (Assuralia). De Wereld Meteorologische Organisatie herinnert eraan dat een waarschuwing 24 uur vooraf de schade van een storm tot 30 % kan beperken. Als lid van het ECMWF profiteert België rechtstreeks van AIFS, en zijn weergevoelige sectoren (windenergie op de Noordzee, landbouw, bouw, havenlogistiek) behoren tot de eerste potentiële gebruikers van deze preciezere, frequentere en goedkopere voorspellingen.
Wat dit verandert voor bedrijven
Het weer is geen nicheonderwerp: Munich Re raamt de verliezen door natuurrampen in 2025 op 224 miljard dollar, waarvan 92 % weergerelateerd (en 97 % van de verzekerde verliezen). Onder de rampen weegt de gewone weersvariabiliteit elke week op de vraag, de termijnen en de kosten. Betere en goedkopere voorspellingen vertalen zich rechtstreeks in terugkerende beslissingen.
Energie en trading. Wind- en zonneproductie volgen de hemel: betrouwbaardere ensembles op 10-15 dagen verfijnen de aan- en verkoopposities, het onbalansbeheer en de onderhoudsplanning van de parken, een directe uitdaging voor de Belgische Noordzee.
Logistiek en maritiem. Aurora voorspelt de golfslag op het niveau van de beste operationele systemen: routering van schepen, laadvensters in de havens, anticipatie op verstoringen op de weg en in de lucht.
Landbouw. Zaaien, behandelen, irrigeren en oogsten worden afgestemd op fijnere ensemblevoorspellingen, in het verlengde van de precisielandbouw.
Verzekeringen. Vroege waarschuwing aan verzekerden, pre-positionering van experts, beter gekalibreerde parametrische producten: het natuurlijke verlengde van AI in de verzekeringssector.
Bouw en evenementen. Planning van hijswerken, betonstorten en werken op hoogte, veiligheid van werven en buitenevenementen, met minder verloren dagen.
Handel en vraag. Het weer is al een inputvariabele van de modellen voor vraagvoorspelling: juistere weerdata verbeteren aanvulling, verswaren en promoties.
Waarom dit een doorbraak is, en geen gadget
Drie factoren komen samen. De snelheid: een ensemblevoorspelling die uren supercomputertijd vereiste, rolt in minuten uit één chip, waardoor scenario's vermenigvuldigd kunnen worden (WeatherNext 2 genereert er honderden) en vaker ververst kan worden. De kostprijs: ongeveer 1 000 keer minder energie per voorspelling met AIFS; met hetzelfde budget kan een nationale weerdienst of een bedrijf veel meer produceren. De toegang: de AIFS-output is open data, Aurora is open source gepubliceerd, de code en gewichten van GenCast zijn vrijgegeven; topvoorspellingen zijn niet langer voorbehouden aan wie een supercomputer bezit. De humanitaire uitdaging volgt dezelfde lijn: slechts de helft van de landen beschikt over multirisico-waarschuwingssystemen, en de VN mikt op universele dekking eind 2027 met het initiatief Early Warnings for All; de Wereldbank schat dat universele toegang tot vroege waarschuwing jaarlijks minstens 13 miljard dollar aan activaverliezen zou vermijden.
De grenzen om te kennen
AI-modellen vertrekken niet van nul: ze zijn afhankelijk van de data-assimilatie van de fysische centra voor hun beginvoorwaarden, en dus van de satellieten, radars en stations die deze voeden. Hun resolutie blijft grover (31 km voor AIFS ENS tegenover 9 km voor het fysische ensemble van het ECMWF), wat het zeer lokale beperkt: geïsoleerde onweders, valleiwinden, hagel. En gebeurtenissen zonder precedent blijven het pijnpunt van systemen die op het verleden getraind zijn. De weercentra spreken over complementariteit en hybride systemen, niet over vervanging.
AI-weer benutten, stap voor stap
1
Uw weerblootstelling becijferen
Welke beslissingen hangen af van het weer: vraag, productie, werven, transport, veiligheid? Wat kostte een slechte voorspelling over 12 maanden? Deze becijfering kadert het project.
2
Toegang tot de voorspellingen
Open data van het ECMWF (AIFS), diensten van het KMI, commerciële API's die de AI-modellen integreren: begin met de bestaande stromen vooraleer aan een eigen model te denken.
3
Aansluiten op een terugkerende beslissing
Vraagvoorspelling, teamplanning, onderhoudsvenster, interne waarschuwing: één casus, vóór/na-indicatoren, één testseizoen.
4
Besturen en uitbreiden
Gebruik ensembles in plaats van één scenario, vergelijk AI en fysisch model, behoud menselijke validatie voor veiligheidsbeslissingen, en breid daarna uit naar de andere weergevoelige beslissingen.
Veelgestelde vragen
Vervangen AI-weermodellen de fysische modellen?
Nee, ze vullen ze aan. AI-modellen zoals AIFS van het ECMWF zijn afhankelijk van fysische data-assimilatie voor hun beginvoorwaarden, en hun resolutie (31 km voor het AIFS-ensemble) blijft lager dan die van het fysische model (9 km). De weercentra draaien beide zij aan zij en verkennen hybride systemen die de sterktes van beide benaderingen combineren.
Welke precisie hebben AI-weermodellen bereikt?
GenCast (Google DeepMind, Nature, december 2024) verslaat het referentie-ensemble van het ECMWF op 97,2 % van 1 320 verificatiedoelen, en op 99,8 % voorbij 36 uur. AIFS van het ECMWF verbetert het traject van tropische cyclonen tot 20 %. In het cycloonseizoen 2025 rangschikte het verificatierapport van het National Hurricane Center WeatherNext van Google als eerste individuele model voor traject en intensiteit.
Hoe kan een bedrijf AI-weersvoorspelling benutten?
In drie stappen: de weerblootstelling van de activiteit identificeren (vraag, productie, logistiek, werven, risico's), toegang krijgen tot de voorspellingen (de AIFS-output van het ECMWF is open data, Aurora is open source, commerciële leveranciers integreren ze), en deze data aansluiten op de terugkerende beslissingen: vraagvoorspelling, team- en werfplanning, energiedekking, interne waarschuwingen. Meet het effect vóór/na op een beperkte perimeter, en breid daarna uit.
Zijn AI-voorspellingen betrouwbaar voor extreme gebeurtenissen?
Ze gaan snel vooruit: WeatherNext voorspelde vijf dagen op voorhand de intensivering van orkaan Melissa tot categorie 5 in oktober 2025, en GenCast overtreft de Europese referentie op extremen. Maar zeldzame gebeurtenissen blijven het pijnpunt: de modellen leren op het verleden, en een fenomeen zonder precedent is er per definitie ondervertegenwoordigd. De goede praktijken blijven het gebruik van ensembles (50 scenario's en meer), de vergelijking met de fysische modellen en menselijke validatie voor veiligheidsbeslissingen.
Bronnen
Price, I. et al. (Google DeepMind), Probabilistic weather forecasting with machine learning, Nature, december 2024 (GenCast verslaat het ENS van het ECMWF op 97,2 % van 1 320 doelen, 99,8 % voorbij 36 uur; ensemble van 50 en meer scenario's; 15 dagen op 0,25° in 8 minuten op een TPU v5; getraind op 40 jaar ERA5). nature.com · DeepMind-blog: deepmind.google
ECMWF, ECMWF's AI forecasts become operational, 25 februari 2025 (AIFS Single operationeel; winsten tot 20 % op cycloontrajecten; energie per voorspelling ongeveer 1 000 keer lager). ecmwf.int
ECMWF, ECMWF's ensemble AI forecasts become operational, 1 juli 2025 (AIFS ENS: 51 voorspellingen, winsten tot 20 % waaronder oppervlaktetemperatuur, resolutie 31 km tegenover 9 km voor het fysische ensemble, meer dan 10 keer sneller, ongeveer 1 000 keer minder energie). ecmwf.int
Bodnar, C. et al. (Microsoft Research), A foundation model for the Earth system, Nature, mei 2025 (Aurora, getraind op meer dan een miljoen uur geofysische data; luchtkwaliteit, golven, cyclonen; rekenkost ongeveer 5 000 keer lager; beter dan het NHC op de 5-daagse trajecten van de seizoenen 2022-2023). nature.com · voorstelling: news.microsoft.com
Google DeepMind, How WeatherNext helped the National Hurricane Center better predict Hurricane Melissa's historic landfall in Jamaica, 2025-2026 (NHC-verificatierapport seizoen 2025: WeatherNext eerste individuele model voor traject en intensiteit; categorie 5 vijf dagen vooraf voorspeld; WeatherNext 2 gelanceerd op 18 november 2025, 8 keer sneller, uurresolutie, uitgerold in Search, Gemini en Pixel). deepmind.google
Munich Re, Natural disaster figures 2025, januari 2026 (224 miljard $ totale verliezen, 108 miljard $ verzekerd; weerrampen zijn goed voor 92 % van de totale en 97 % van de verzekerde verliezen; ongeveer 17 200 slachtoffers). munichre.com
Wereld Meteorologische Organisatie (WMO) en VN, initiatief Early Warnings for All (een waarschuwing 24 uur vooraf kan de schade tot 30 % beperken; slechts de helft van de landen heeft multirisico-waarschuwingssystemen; doel van universele dekking eind 2027; raming Wereldbank van 13 miljard $ vermeden activaverliezen per jaar). wmo.int · un.org
Assuralia, Actualisation relative aux inondations de juillet 2021 (39 slachtoffers, bijna 74 000 schadedossiers, 2,3 miljard € schadelast, duurste natuurramp uit de Belgische geschiedenis; 98,3 % van de dossiers afgesloten vijf jaar later). press.assuralia.be
Lam, R. et al. (Google DeepMind), Learning skillful medium-range global weather forecasting (GraphCast), Science, 2023 (beter dan het deterministische HRES-model op meer dan 90 % van 1 380 doelen). science.org
Molderez Consult helpt Belgische bedrijven hun weerblootstelling te becijferen, AI-voorspellingen (open data van het ECMWF, gespecialiseerde API's) aan te sluiten op hun beslissingen rond vraag, planning en risico, en de winst te meten, van de eerste indicator tot het interne waarschuwingssysteem.
Artikel gegenereerd door AI. Tekst opgesteld met de hulp van een AI-model en door een mens nagelezen vóór publicatie. De vermelde cijfers verwijzen naar hun bronnen, onderaan dit artikel.
AI and Weather Forecasting: Models, Accuracy and Decisions in 2026
For fifty years, forecasting the weather required supercomputers solving the equations of the atmosphere for hours. In two years, machine learning models have reshuffled the deck: GenCast beats Europe's reference ensemble on 97.2% of targets and produces a global 15-day forecast in 8 minutes, ECMWF has been running its own AI model operationally since February 2025 with roughly 1,000 times less energy, and the National Hurricane Center ranked an AI model first for cyclone track and intensity in 2025. For companies whose demand, production or risks depend on the sky, this is a concrete change. Here is what it means, seen from Belgium.
Article generated by AI. Content written with the help of an artificial intelligence model and reviewed by a human before publication. The figures cited point to their sources, listed at the end of the article.
of 1,320 verification targets on which GenCast beats ECMWF's reference ensemble (Google DeepMind · Nature, December 2024)
×1,000
approximate reduction in energy used per forecast with ECMWF's AIFS, operational since 25 February 2025
92%
of the $224 billion in natural catastrophe losses in 2025 were weather-related (Munich Re, January 2026)
The scientific tipping point came in December 2024: Google DeepMind published in Nature the GenCast model, trained on 40 years of ERA5 reanalysis data. Across 1,320 combinations of variables and lead times, GenCast beats ENS, the reference ensemble of the European Centre for Medium-Range Weather Forecasts (ECMWF), in 97.2% of cases, and in 99.8% of cases beyond 36 hours. Where a supercomputer grinds for hours, GenCast produces an ensemble of 50 or more scenarios over 15 days, at 0.25-degree resolution, in 8 minutes on a single TPU v5 chip. Its predecessor GraphCast, published in Science in late 2023, already beat the deterministic reference model on more than 90% of 1,380 targets.
The institutional shift followed within months. ECMWF, the European intergovernmental organisation of which Belgium is a member, took its own machine learning model into operations: AIFS Single on 25 February 2025, the first fully operational AI model at a major weather centre, with gains of up to 20% on tropical cyclone tracks and energy use per forecast cut by a factor of roughly 1,000; then AIFS ENS on 1 July 2025, an ensemble of 51 forecasts that outperforms physics-based models on many measures, including surface temperature, while running more than 10 times faster. Both systems run side by side with the physics-based IFS model, and their outputs are made available as open data.
The software giants are widening the field. Aurora, Microsoft's foundation model published in Nature in May 2025 and trained on more than one million hours of geophysical data, outperforms operational forecasts on air quality, ocean waves and cyclone tracks, at roughly 5,000 times lower computational cost; it beat the National Hurricane Center (NHC) on 5-day cyclone tracks for the 2022-2023 seasons. Google followed through: for the 2025 season, the NHC's verification report ranked WeatherNext the top-performing individual model for track and intensity; the model anticipated Hurricane Melissa's intensification to Category 5 five days ahead of its historic landfall in Jamaica. Since 18 November 2025, WeatherNext 2, 8 times faster and with hourly resolution, has powered forecasts in Google Search, Gemini and Pixel.
The Belgian context
Belgium knows the price of a forecast taken seriously: the July 2021 floods killed 39 people and generated nearly 74,000 claims for €2.3 billion, the costliest natural disaster in the country's history (Assuralia). The World Meteorological Organization notes that 24 hours' advance warning can cut storm damage by up to 30%. As an ECMWF member state, Belgium benefits directly from AIFS, and its weather-exposed sectors (North Sea offshore wind, agriculture, construction, port logistics) are among the first potential users of forecasts that are more accurate, more frequent and cheaper.
What it changes for business
Weather is not a niche topic: Munich Re puts natural catastrophe losses at $224 billion in 2025, 92% of them weather-related (and 97% of insured losses). Below the catastrophes, ordinary weather variability weighs every week on demand, lead times and costs. Better, cheaper forecasts translate directly into recurring decisions.
Energy and trading. Wind and solar output follow the sky: more reliable 10-to-15-day ensembles sharpen buy-sell positions, imbalance management and maintenance planning for wind farms, a direct stake for the Belgian North Sea.
Logistics and maritime. Aurora forecasts ocean waves at the level of the best operational systems: ship routing, port loading windows, anticipation of road and air disruptions.
Agriculture. Sowing, treatments, irrigation and harvest align with finer ensemble forecasts, extending precision agriculture.
Insurance. Early warning to policyholders, pre-positioning of loss adjusters, better calibrated parametric products: the natural extension of AI in insurance.
Construction and events. Planning of lifts, concrete pours and work at height, safety of sites and outdoor events, with fewer lost days.
Retail and demand. Weather is already an input variable of demand forecasting models: better weather inputs improve replenishment, fresh goods and promotions.
Why this is a breakthrough, not a gadget
Three factors combine. Speed: an ensemble forecast that required hours of supercomputer time now comes out of a single chip in minutes, which allows scenarios to be multiplied (WeatherNext 2 generates hundreds) and refreshed more often. Cost: roughly 1,000 times less energy per forecast for AIFS; at constant budget, a national weather service or a company can produce far more. Access: AIFS outputs are open data, Aurora is published as open source, GenCast's code and weights have been released; state-of-the-art forecasting is no longer reserved for those who own a supercomputer. The humanitarian stake follows the same slope: only half of the world's countries have multi-hazard early warning systems, and the UN aims for universal coverage by the end of 2027 with its Early Warnings for All initiative; the World Bank estimates universal access to early warning would prevent at least $13 billion in asset losses every year.
The limits to know
AI models do not start from nothing: they depend on the data assimilation of physics-based centres for their initial conditions, and therefore on the satellites, radars and stations that feed it. Their resolution remains coarser (31 km for AIFS ENS versus 9 km for ECMWF's physics-based ensemble), which limits the very local: isolated thunderstorms, valley gusts, hail. And unprecedented events remain the hard spot for systems trained on the past. Weather centres speak of complementarity and hybrid systems, not replacement.
Using AI weather, step by step
1
Quantify your weather exposure
Which decisions depend on the weather: demand, production, sites, transport, safety? What did a bad forecast cost over 12 months? This quantification frames the project.
2
Access the forecasts
ECMWF open data (AIFS), services from the national weather institute, commercial APIs that integrate AI models: start with existing feeds before considering an in-house model.
3
Plug into a recurring decision
Demand forecasting, staff planning, maintenance windows, internal alerts: one case, before/after indicators, one test season.
4
Govern and extend
Use ensembles rather than a single scenario, compare AI and physics-based output, keep human validation for safety decisions, then extend to the other weather-sensitive decisions.
Frequently asked questions
Do AI weather models replace physics-based models?
No, they complement them. AI models such as ECMWF's AIFS depend on physics-based data assimilation for their initial conditions, and their resolution (31 km for the AIFS ensemble) remains below that of the physics-based model (9 km). Weather centres run both side by side and are exploring hybrid systems that combine the strengths of both approaches.
How accurate have AI weather models become?
GenCast (Google DeepMind, Nature, December 2024) beats ECMWF's reference ensemble on 97.2% of 1,320 verification targets, and on 99.8% beyond 36 hours. ECMWF's AIFS improves tropical cyclone tracks by up to 20%. For the 2025 cyclone season, the National Hurricane Center's verification report ranked Google's WeatherNext the top individual model for track and intensity.
How can a company use AI weather forecasting?
In three steps: identify the weather exposure of the business (demand, production, logistics, sites, risks), access the forecasts (ECMWF's AIFS outputs are open data, Aurora is open source, commercial providers integrate them), then plug this data into recurring decisions: demand forecasting, staff and site planning, energy hedging, internal alerts. Measure the before/after effect on a limited perimeter, then extend.
Are AI forecasts reliable for extreme events?
They are progressing fast: WeatherNext anticipated Hurricane Melissa's intensification to Category 5 five days ahead in October 2025, and GenCast outperforms the European reference on extremes. But rare events remain the hard spot: models learn from the past, and an unprecedented phenomenon is by definition under-represented in it. Good practice remains the use of ensembles (50 or more scenarios), comparison with physics-based models, and human validation for safety decisions.
Sources
Price, I. et al. (Google DeepMind), Probabilistic weather forecasting with machine learning, Nature, December 2024 (GenCast beats ECMWF's ENS on 97.2% of 1,320 targets, 99.8% beyond 36 hours; ensemble of 50+ scenarios; 15 days at 0.25° in 8 minutes on one TPU v5; trained on 40 years of ERA5). nature.com · DeepMind blog: deepmind.google
ECMWF, ECMWF's AI forecasts become operational, 25 February 2025 (AIFS Single operational; gains of up to 20% on tropical cyclone tracks; energy per forecast cut roughly 1,000 times). ecmwf.int
ECMWF, ECMWF's ensemble AI forecasts become operational, 1 July 2025 (AIFS ENS: 51 forecasts, gains of up to 20% including surface temperature, 31 km resolution versus 9 km for the physics-based ensemble, over 10 times faster, roughly 1,000 times less energy). ecmwf.int
Bodnar, C. et al. (Microsoft Research), A foundation model for the Earth system, Nature, May 2025 (Aurora, trained on more than one million hours of geophysical data; air quality, waves, cyclones; roughly 5,000 times lower computational cost; beat the NHC on 5-day tracks for the 2022-2023 seasons). nature.com · feature: news.microsoft.com
Google DeepMind, How WeatherNext helped the National Hurricane Center better predict Hurricane Melissa's historic landfall in Jamaica, 2025-2026 (NHC verification report for the 2025 season: WeatherNext top individual model for track and intensity; Category 5 anticipated 5 days ahead; WeatherNext 2 launched 18 November 2025, 8x faster, hourly resolution, deployed in Search, Gemini and Pixel). deepmind.google
Munich Re, Natural disaster figures 2025, January 2026 ($224 billion in total losses, $108 billion insured; weather disasters account for 92% of total and 97% of insured losses; around 17,200 fatalities). munichre.com
World Meteorological Organization (WMO) and UN, Early Warnings for All initiative (24 hours' warning can cut damage by up to 30%; only half of countries have multi-hazard early warning systems; universal coverage targeted by end 2027; World Bank estimate of $13 billion in asset losses prevented per year). wmo.int · un.org
Assuralia, Actualisation relative aux inondations de juillet 2021 (39 fatalities, nearly 74,000 claims, €2.3 billion in losses, the costliest natural disaster in Belgian history; 98.3% of claims closed five years on). press.assuralia.be
Lam, R. et al. (Google DeepMind), Learning skillful medium-range global weather forecasting (GraphCast), Science, 2023 (beat the deterministic HRES model on more than 90% of 1,380 targets). science.org
Molderez Consult helps Belgian companies quantify their weather exposure, plug AI forecasts (ECMWF open data, specialised APIs) into their demand, planning and risk decisions, and measure the gain, from the first indicator to the internal alert system.
Article generated by AI. Content written with the help of an artificial intelligence model and reviewed by a human before publication. The figures cited point to their sources, listed at the end of the article.