A volte il problema non è sapere se domani pioverà. È capire se fra tre settimane arriverà un’ondata di freddo abbastanza intensa da mettere in difficoltà una rete elettrica, un raccolto o un’intera città. In quel caso, ricevere l’avviso con due giorni di anticipo può essere quasi inutile. Averne quattordici potrebbe cambiare parecchio le cose.
Il 14 ottobre 2026 il Massachusetts Institute of Technology ha raccontato i risultati di una ricerca pubblicata sulla rivista scientifica Nature: un sistema di apprendimento automatico capace di migliorare le previsioni meteorologiche nell’intervallo più difficile, quello tra due e sei settimane. Non inventa un nuovo clima, non guarda dentro una sfera di cristallo e soprattutto non promette di dirci con certezza se pioverà alle 16:30 del 12 novembre. Fa qualcosa di meno spettacolare, ma probabilmente più utile: impara a riconoscere gli errori sistematici dei modelli esistenti e li corregge.
La differenza, come spesso succede con l’intelligenza artificiale, è tutta nel verbo. Non «indovinare», ma «migliorare».
Il deserto delle previsioni: perché due settimane sono un confine complicato
Siamo abituati ad aprire un’applicazione e a leggere la temperatura prevista per domani. A breve distanza, le osservazioni dell’atmosfera offrono una base abbastanza solida: pressione, vento, umidità, oceani e molti altri parametri vengono elaborati da modelli fisici sempre più raffinati. Più ci allontaniamo dal presente, però, più gli errori iniziali possono amplificarsi.
Il meteorologo e matematico Edward Lorenz ha contribuito a spiegare questo comportamento attraverso la teoria del caos. Non significa che l’atmosfera si muova senza regole: significa che differenze minuscole nelle condizioni di partenza possono condurre a evoluzioni molto diverse. Ecco perché una previsione dettagliata per una singola giornata, fatta con un mese di anticipo, è un esercizio poco affidabile.
Esiste però una via di mezzo tra la previsione quotidiana e le tendenze climatiche stagionali. Gli esperti la chiamano previsione substagionale: riguarda periodi medi, spesso settimane intere, e prova a stimare probabilità di caldo, freddo, pioggia o anomalie rispetto alla norma. Proprio questo intervallo da due a sei settimane è stato definito un «deserto della prevedibilità». È troppo lontano per fidarsi soltanto delle condizioni iniziali, ma troppo vicino per affidarsi alle sole tendenze di lungo periodo.
Eppure è l’intervallo in cui si prendono decisioni molto concrete: quanta energia acquistare, quando preparare le scorte, come pianificare le attività agricole e quando mettere in allerta i servizi di emergenza.
Il trucco non è sostituire i meteorologi, ma correggere i loro modelli
Il gruppo di ricerca, che comprende studiosi del MIT, Microsoft Research, Harvard, Università di Toronto e del Centro europeo per le previsioni meteorologiche a medio termine (ECMWF), ha sviluppato un metodo chiamato Probabilistic Bias Correction, abbreviato PBC.
Il concetto è semplice da spiegare, anche se realizzarlo richiede molta statistica. Immaginiamo che un sistema meteorologico tenda, in certe condizioni, a sovrastimare la probabilità di precipitazioni oppure a sottovalutare il rischio di temperature estreme. Non basta sottrarre una quantità fissa: l’errore può cambiare a seconda della zona, della stagione, della distanza temporale e della distribuzione delle probabilità.
PBC studia le previsioni storiche, le confronta con quanto è realmente accaduto e impara come modificare le probabilità prodotte dal modello originale. È uno strato aggiuntivo, una sorta di revisore che conosce i difetti ricorrenti del collega. E, diversamente da una correzione grossolana che spinge tutto verso la media, prova a conservare anche le informazioni sugli eventi meno comuni.
Non si tratta quindi di un’intelligenza artificiale che sostituisce completamente la fisica dell’atmosfera. Il sistema parte da previsioni già esistenti, fisiche o basate sull’AI, e cerca di renderle più utili. Questo dettaglio conta anche per i costi: secondo i ricercatori, il metodo è relativamente leggero, adattabile e distribuito come software aperto.
I risultati: attenzione a non confondere precisione e certezza
Nello studio, pubblicato su Nature il 14 ottobre, gli autori hanno applicato PBC ai modelli meteorologici dell’ECMWF. I risultati riportano miglioramenti rispetto al modello dinamico già corretto operativamente nel 91% degli obiettivi relativi alla pressione, nel 92% di quelli relativi alla temperatura e nel 98% di quelli relativi alle precipitazioni. Sono quote di obiettivi valutati nei test, non percentuali di giornate in cui la previsione sarebbe «giusta».
Per il sistema di previsione AI dell’ECMWF, gli autori parlano inoltre di un raddoppio della sua capacità predittiva, che partiva però da valori modesti in questo intervallo temporale. Anche qui bisogna stare attenti: «raddoppiare la capacità» non equivale a «prevedere il meteo con il 100% di accuratezza».
Un altro elemento interessante è la valutazione in tempo reale: nel concorso internazionale AI Weather Quest del 2025, le previsioni globali del sistema si sono classificate prime nelle variabili e negli orizzonti considerati, superando i modelli di diversi centri meteorologici e le proposte di numerosi gruppi partecipanti. Non è una garanzia che vincerà ogni confronto futuro, ma è una verifica più convincente di un test condotto soltanto su dati già conosciuti.
Gli autori riportano anche progressi nella previsione probabilistica degli eventi estremi. È probabilmente il punto con le ricadute sociali maggiori, purché venga letto per ciò che è: una probabilità meglio calibrata, non un allarme infallibile.
Perché un agricoltore o un gestore della rete elettrica dovrebbero interessarsene
Nel 2021 il Texas attraversò una crisi energetica devastante durante una serie di tempeste invernali. Il MIT ricorda che le interruzioni e le conseguenze della crisi provocarono almeno 246 morti. Sarebbe scorretto sostenere che questo nuovo modello avrebbe impedito quella tragedia: non è stato dimostrato. Ma il caso aiuta a capire perché una settimana in più di preparazione possa valere molto più di una previsione leggermente più precisa per domani.
Un gestore della rete può pianificare disponibilità di combustibili e capacità di riserva. Un consorzio agricolo può valutare quando proteggere le colture dal gelo o distribuire fertilizzanti. Chi gestisce l’acqua può anticipare alcune decisioni, senza aspettare l’ultimo momento. Naturalmente ogni scelta deve integrare il rischio economico dei falsi allarmi: mobilitare risorse inutilmente ha un costo, ma arrivare impreparati può averne uno enormemente maggiore.
Il gruppo del MIT riferisce che il servizio meteorologico del Kenya ha manifestato interesse per utilizzare il metodo nella pianificazione delle piogge stagionali. È un esempio promettente di trasferimento verso contesti in cui avere più informazioni non significa soltanto comodità, ma sicurezza alimentare. Non equivale però a un’adozione nazionale già completata.
Quello che questa AI non sa ancora fare
Il limite fondamentale non scompare: l’atmosfera rimane un sistema caotico. PBC può correggere componenti prevedibili dell’errore, non cancellare tutte le incertezze. Una previsione di tre settimane non diventa il bollettino preciso di dopodomani. E i risultati medi globali non garantiscono lo stesso miglioramento per ogni regione, stagione, fenomeno o singolo episodio.
C’è poi la distanza tra una ricerca scientifica e il suo utilizzo quotidiano. I servizi meteorologici devono verificare i dati, integrare i modelli nelle procedure operative, misurare la calibrazione degli allarmi e decidere come comunicare probabilità difficili da interpretare. Dire «aumenta il rischio di freddo intenso» può essere molto utile, ma solo se chi riceve l’informazione sa quali azioni sono proporzionate.
Infine, una tecnica che apprende dagli errori passati deve essere monitorata quando cambiano i modelli di partenza o il comportamento del clima. Un buon risultato pubblicato oggi non esonera dal controllo continuo domani.
Il vero progresso è avere tempo per decidere
Mi colpisce un aspetto di questa ricerca: non ha cercato di buttare via un sistema complesso per sostituirlo con una scatola nera più alla moda. Ha provato a migliorare ciò che già funziona, imparando dagli errori. È una forma di innovazione meno appariscente di un chatbot che risponde a tutto, ma forse più vicina ai problemi reali.
Quando si parla di intelligenza artificiale, spesso si misura il progresso in velocità, potenza e quantità di dati. Qui il risultato potenzialmente più importante è un altro: tempo. Tempo per mettere al sicuro un raccolto, preparare una rete elettrica, organizzare una risposta. Non sapere con certezza che cosa succederà, ma avere elementi migliori per scegliere prima.
Non è poco. E, per una volta, la previsione più interessante non riguarda il meteo: riguarda il modo in cui potremmo usare meglio le informazioni che già possediamo.
Fonti
- Studio originale su Nature, 14 ottobre 2026: Advancing subseasonal forecasting with machine learning
- MIT News, 14 ottobre 2026: Researchers improve weather forecasts looking two to six weeks out
- ECMWF, 13 marzo 2026: descrizione e contesto della competizione AI Weather Quest
- Codice aperto PBC pubblicato dai ricercatori
