Die afweging verschuift nu dat DeepMind zijn WeatherNext-modellen open source heeft vrijgegeven.
Google DeepMind kondigde op 6 augustus 2026 aan dat WeatherNext 2 en WeatherNext Cyclones vrij beschikbaar zijn, inclusief code en modelgewichten. Die beslissing maakt het voor het eerst mogelijk om een getraind AI-weermodel lokaal te draaien zonder een eigen onderzoeksafdeling.
Wat het model presteert en wat dat betekent
Het meest concrete voordeel zit in de voorspellingshorizon. Volgens Google DeepMind levert WeatherNext Cyclones gemiddeld ruim een extra dag nauwkeurigheid op voor cycloonbanen, intensiteit en windstructuur. Concreet betekent dat: waar eerdere modellen een betrouwbare uitspraak konden doen over de komende twee dagen, haalt WeatherNext dat niveau voor drie dagen vooruit.
Daarnaast kan het model een ensemble van duizend leden genereren en een vijftiendaagse voorspelling uitvoeren in minder dan een minuut op een TPU. Een ensemble van die omvang maakt het mogelijk om zeldzame maar impactvolle scenario's, zoals snelle intensificatie van een storm, expliciet zichtbaar te maken in de waarschijnlijkheidsverdeling.
Die combinatie, langere horizon, snelle ensemble-generatie, expliciete weergave van extreme scenario's, is wat het operationeel interessant maakt voor partijen die nu nog afhankelijk zijn van statische voorspellingen met beperkte onzekerheidsinformatie.
De technische opzet
Die grovere resolutie is paradoxaal genoeg een van de redenen waarom het model efficiënt draait: het leert patronen op schaal en abstraheert weg van de hyperlokale details die numerieke modellen duur maken om te berekenen.
Die combinatie van globale trainingsdata en specifieke stormhistoriek is wat de cyclone-specifieke prestaties verklaart.
De open-sourcebeslissing en wat ze verandert
De keuze om code en gewichten vrij te geven is bepalend voor de toegankelijkheid. Een organisatie kan het model nu downloaden, lokaal draaien en aanpassen aan eigen sectorbehoeften. Dat is fundamenteel anders dan een API-abonnement bij een cloudleverancier: de data blijven lokaal, de infrastructuur is eigen, en de organisatie bepaalt zelf hoe de voorspellingen worden geïntegreerd in eigen processen.
Voor energiebedrijven bijvoorbeeld is de mogelijkheid om lokaal extreme weerscenario's te doorrekenen relevant voor netstabiliteit en reserveplanning. Voor logistieke operators biedt een langere voorspellingshorizon met expliciete onzekerheidsinformatie een beter fundament voor route- en voorraadbeslissingen. Voor rampenresponsteams kan de combinatie van langere horizon en snelle ensemble-generatie helpen bij het inschatten van verschillende evacuatiestrategieën.
De afweging voor operators
De vraag is niet langer of AI-weermodellen presteren. De vraag is of een organisatie de capaciteit heeft om zo'n model te deployen, te integreren en te onderhouden. De open-sourcebeslissing verlaagt die drempel aanzienlijk, maar elimineert ze niet.
Wat volgens ons belangrijk is om mee te nemen: de waarde zit niet in het model alleen, maar in de combinatie van langere voorspellingshorizon, expliciete onzekerheidsinformatie en de mogelijkheid om dat lokaal te draaien. Organisaties die nu werken met statische voorspellingen of beperkte ensemble-informatie kunnen die combinatie direct vertalen naar betere beslissingen. Organisaties die al geavanceerde meteorologische capaciteit hebben, zullen moeten afwegen of de specifieke prestatieverbeteringen de switchkost rechtvaardigen.
Benieuwd wat dit voor uw bedrijf kan betekenen?
We denken graag vrijblijvend met u mee over de mogelijkheden voor uw KMO.
Plan een gesprek →