Comment un modèle de prévision météo par IA fonctionne-t-il ?

Un modèle de prévision météo par IA apprend à prévoir le temps en observant des décennies d'archives météorologiques, puis en déduisant l'état de l'atmosphère quelques heures plus tard. Il ne résout aucune équation de la mécanique des fluides. C'est toute la rupture avec la méthode employée depuis les années 1950.

La prévision classique, dite numérique ou « à base physique », découpe l'atmosphère en millions de mailles et calcule, pas de temps après pas de temps, comment la pression, la température et l'humidité évoluent dans chacune. C'est exact, c'est explicable, et c'est très lourd. Un réseau de neurones, lui, ne calcule rien de tout cela : il reconnaît des motifs.

  • Le modèle physique (NWP) : il applique les lois de la thermodynamique à une grille 3D de l'atmosphère. Il tourne sur supercalculateur, plusieurs heures par prévision.
  • Le modèle IA : il est entraîné à prédire l'état de l'atmosphère à l'échéance suivante, puis réinjecte sa propre sortie pour avancer. Une prévision se compte en secondes ou en minutes.
  • La réanalyse : le carburant de l'entraînement. ERA5, l'archive du Centre européen, reconstitue l'état du globe heure par heure depuis 1940. L'AIFS du Centre européen s'est entraîné sur ERA5 de 1979 à 2017, puis sur les analyses opérationnelles de 2016 à 2023.
  • La prévision d'ensemble : plutôt qu'une seule trajectoire, le modèle en produit des dizaines, légèrement perturbées, pour mesurer l'incertitude. L'AIFS ENS du Centre européen en calcule 50 plus un membre de contrôle.
  • Le modèle de fondation (« foundation model ») : un gros modèle pré-entraîné sur des données hétérogènes, puis spécialisé par affinage. Aurora, de Microsoft Research, suit cette logique avec 1,3 milliard de paramètres.

Un point passe souvent à la trappe : ces modèles ne sont pas autonomes. Ils ont besoin d'un état initial de l'atmosphère, et cet état initial est encore produit par l'assimilation de données des centres météo classiques. Autrement dit, l'IA météo s'appuie sur l'infrastructure physique qu'elle est censée concurrencer. On retrouve ici la question posée par les world models, ces IA qui tentent de comprendre le monde physique : apprendre des régularités n'est pas comprendre un mécanisme.

Quels modèles de prévision météo par IA existent en 2026 ?

Six familles de modèles se partagent le terrain en 2026, et trois d'entre elles tournent déjà en production dans un service météo national. Le tableau ci-dessous récapitule qui fait quoi.

ModèleÉditeurDate cléParticularité
GraphCastGoogle DeepMind2023, open source depuis août 2026Déterministe. Sert de base à l'AIGFS de la NOAA
GenCastGoogle DeepMind2024Prévision d'ensemble jusqu'à 15 jours
WeatherNext 3Google DeepMind3 septembre 2026Résolution 5 km, mise à jour horaire, lit l'imagerie satellite brute
Aurora 1.5Microsoft Research9 juillet 2026Modèle de fondation affiné en version déterministe et d'ensemble
AIFS v2ECMWF (Centre européen)12 mai 2026Opérationnel en Europe. 30 km, 50 membres, 229 millions de paramètres
AIGFS, AIGEFS, HGEFSNOAA (États-Unis)janvier 2026Ensemble IA à 31 membres, et grand ensemble hybride à 62 membres
Pangu-Weather, FuXiHuawei, université Fudan2023 et 2024Modèles chinois, très utilisés dans la recherche comparative

À retenir sur l'Europe : le Centre européen a mis son AIFS en opérationnel en 2025, puis a basculé l'ensemble du dispositif en version 2 le 12 mai 2026, en même temps que le cycle 50r1 de son modèle physique IFS. Les deux approches cohabitent donc, chez le même organisme, sur la même infrastructure.

COMPRENDRE L'IA · NOVEMBRE 2026

Prévision météo par IA : les chiffres de 2026

  • 0,3 % des ressources de calcul du GFS pour une prévision à 16 jours (NOAA, janvier 2026)
  • 88,9 % des cibles où Aurora 1.5 ENS bat l'ensemble du Centre européen, jours 1 à 10
  • 5 km résolution de WeatherNext 3, contre 25 km pour WeatherNext 2
  • 5 jours d'avance sur l'atterrissage de Melissa en catégorie 5, avec 80 % de confiance

Sur un cyclone, l'IA a resserré la trajectoire

Erreur moyenne de position, ouragan Helene, prévision du 24 septembre 2024, en kilomètres. Cas unique issu du préprint Microsoft, test maison non vérifié par un tiers indépendant.

  • National Hurricane Center 110,6 km
  • Aurora 1.5 58,4 km

Ce que l'IA fait déjà mieux

  • Trajectoires de cyclones
  • Coût de calcul
  • Prévision en moins d'une minute
  • Grandes échelles
  • Hauteur des vagues

Ce qu'elle rate encore

  • Records de chaleur et de froid
  • Type de précipitations
  • Verglas et rafales
  • Turbulence
  • Vent à 10 mètres

À retenir : en moyenne, les modèles IA égalent ou dépassent les modèles physiques pour une fraction du calcul, mais ils sous-estiment les événements jamais vus dans leurs données d'entraînement. La leçon vaut pour toute IA que vous utilisez : un modèle est excellent sur ce qui ressemble à son passé, et faible sur ce qui en sort.

Télécharger l'infographie (PNG)

Sources : NOAA, Microsoft Research, ECMWF, KIT. Infographie Digital-m, novembre 2026. digital-m.fr

L'IA est-elle vraiment plus précise que les modèles physiques ?

En moyenne, oui, et les chiffres sont publiés. Aurora 1.5 ENS bat l'ensemble opérationnel du Centre européen sur 88,9 % des cibles évaluées, c'est-à-dire sur 88,9 % des couples variable et échéance entre le jour 1 et le jour 10. Le chiffre vient du préprint Microsoft du 9 juillet 2026, donc d'un test réalisé par l'éditeur lui-même, non répliqué par un tiers indépendant.

Du côté du Centre européen, l'évaluation est plus mesurée parce qu'elle est faite par l'organisme qui exploite les deux modèles. Les gains de l'AIFS ENS sur son équivalent physique atteignent jusqu'à 25 % sur les variables d'altitude, avec une amélioration de la température à 2 mètres à toutes les échéances. Mais le même bilan signale deux reculs : sur la température à 100 hPa et sur le vent à 10 mètres, le modèle physique reste meilleur au regard des observations de stations.

La NOAA avance un indicateur différent et très parlant pour le grand public : son ensemble IA, l'AIGEFS, prolonge la compétence de la prévision de 18 à 24 heures par rapport à l'ensemble physique. Un jour de prévision utile gagné, c'est ce que la prévision numérique mettait environ dix ans à obtenir par le passé, selon l'ordre de grandeur que cite Météo-France.

Le cas le plus marquant est cyclonique. L'ouragan Melissa a touché la Jamaïque le 28 octobre 2025 en catégorie 5, le plus violent jamais enregistré sur l'île. Google indique que WeatherNext annonçait un atterrissage en catégorie 5 cinq jours à l'avance avec 80 % de confiance, et près de 100 % trois jours avant. Michael Brennan, directeur du National Hurricane Center, rappelle de son côté que les cyclones « peuvent changer très vite de structure et d'intensité », ce qui en fait les systèmes les plus difficiles à prévoir.

Pourquoi l'IA rate les records de chaleur et de froid

Parce qu'un réseau de neurones ne sait pas extrapoler au-delà de ce qu'il a vu. C'est la conclusion d'une étude publiée dans Science Advances le 4 mai 2026, menée par Zhongwei Zhang (Institut de statistique du KIT, Karlsruhe) avec Erich Fischer, Jakob Zscheischler et Sebastian Engelke (université de Genève), en lien avec l'ETH Zurich, le Helmholtz Centre for Environmental Research et la Technische Universität Dresden.

Les chercheurs ont comparé GraphCast, Pangu-Weather et FuXi au modèle haute résolution HRES du Centre européen, sur les records de chaleur, de froid et de vent. Verdict : le modèle physique « surpasse systématiquement les meilleurs modèles IA actuels » sur ces événements. Les modèles IA sous-estiment l'intensité et la fréquence des extrêmes, et la règle énoncée est limpide : plus le record dépasse ce que contenaient les données d'entraînement, plus la sous-estimation est forte.

« Les réseaux de neurones ont du mal à extrapoler de façon fiable au-delà de leur domaine d'entraînement », résume Sebastian Engelke. Zhongwei Zhang en tire une recommandation opérationnelle sans ambiguïté : pour les usages à fort enjeu, il ne faut pas s'appuyer sur l'IA seule.

Le mécanisme est à rapprocher de celui que l'on observe sur le texte. Un modèle qui n'a jamais rencontré une configuration produit la réponse la plus plausible au vu de son entraînement, pas la réponse juste. C'est exactement la logique des hallucinations des LLM, quand l'IA invente une réponse crédible. En météo, cela ne donne pas une invention : cela donne un lissage, une canicule rabotée, un record arrondi vers la normale.

Combien coûte une prévision météo par IA ?

Entre 90 et 99,7 % de moins qu'une prévision physique équivalente, en ressources de calcul. Les chiffres de la NOAA de janvier 2026 sont les plus précis disponibles pour un service opérationnel.

  • AIGFS, prévision déterministe : une échéance à 16 jours produite en environ 40 minutes, avec 0,3 % des ressources de calcul du GFS opérationnel.
  • AIGEFS, prévision d'ensemble : 9 % des ressources du GEFS opérationnel, pour une compétence prolongée de 18 à 24 heures.
  • WeatherNext 2 : selon Google, chaque prévision prend moins d'une minute sur un seul TPU, contre des heures sur supercalculateur avec un modèle physique. Chiffre annoncé par l'éditeur, sans protocole public détaillé.

Le coût réel est à l'entraînement, pas à l'inférence

Ce basculement mérite une nuance que les communiqués passent vite. L'économie porte sur l'inférence, c'est-à-dire la production d'une prévision. L'entraînement, lui, reste coûteux : Aurora 1.5 a demandé environ deux semaines sur 32 cartes graphiques A100 pour sa seule première étape, puis dix jours et demi sur 32 cartes pour la deuxième. Météo-France fait la même observation : les algorithmes d'IA « s'exécutent en des temps très courts » en production, mais leur apprentissage réclame de grandes puissances de calcul.

Le calcul d'ensemble reste donc une activité industrielle, avec la facture énergétique qui va avec. Nous détaillons cet arbitrage dans notre analyse de la consommation énergétique réelle de l'IA.

Où en est la France avec Météo-France ?

Météo-France n'a pas de modèle global IA en production, mais utilise déjà l'IA sur plusieurs briques et développe le premier modèle français de prévision régionale fondé sur l'IA, avec le Centre européen et d'autres services nationaux. L'établissement a créé un Lab IA en 2021.

Deux réalisations concrètes sont documentées. Espresso, un outil d'apprentissage profond opérationnel, estime en temps réel les précipitations outre-mer à partir d'images satellite. Il a servi lors du passage du cyclone Chido et de la tempête tropicale Dikeledi à Mayotte. En 2024, Météo-France a présenté un premier démonstrateur français de prévision de fine échelle à 2,5 km de résolution, entraîné sur les données du modèle AROME.

Le gros des gains français vient pourtant d'ailleurs. La nouvelle chaîne de prévision déployée le 19 mars 2026 améliore la qualité « de l'ordre de 3 à 4 % », place le modèle global au deuxième rang mondial sur l'Europe, et fait passer AROME de 1,4 à 4,2 millions d'observations assimilées par jour, et de 76 à 108 scénarios quotidiens. Autrement dit : de la physique mieux nourrie, pas de l'IA.

Météo-France est aussi explicite sur les limites. L'IA, écrit l'établissement, « ne permet pas encore de réaliser des prévisions de petite échelle » : ni les quantités et types de précipitations, ni le verglas, ni les rafales, ni la turbulence. Son potentiel est jugé « très fort » sur les grandes échelles, cyclones et dépressions hivernales. Et les prévisionnistes gardent la main : l'interprétation humaine « continue, et continuera, d'apporter une valeur ajoutée ».

Ce que la météo IA révèle sur l'IA tout court

La prévision météo est le meilleur banc d'essai public de l'IA, parce qu'elle est vérifiable tous les jours par tout le monde. Deux leçons en sortent, et elles valent bien au-delà du bulletin.

Un modèle spécialisé écrase un modèle généraliste

AIFS v2 compte 229 millions de paramètres, soit mille fois moins que les grands modèles de langage généralistes. Et il bat des machines qui coûtent des centaines de millions d'euros, sur sa tâche. À l'inverse, poser la question « quel temps fera-t-il samedi ? » à ChatGPT, Gemini, Claude, Mistral, Grok ou Perplexity ne mobilise aucun de ces modèles météo : ces assistants lisent une API ou une page web, ou répondent de mémoire. Un LLM ne prévoit pas le temps, il vous raconte une prévision faite ailleurs.

C'est la même logique que pour la mesure de performance : un score global ne dit rien de la tâche qui vous intéresse. Nous l'avions montré à propos des benchmarks des LLM et de ce qu'ils mesurent vraiment.

Un modèle ne sait pas ce qu'il n'a jamais vu

L'étude du KIT met le doigt sur la faiblesse structurelle de toute IA statistique : hors de son domaine d'entraînement, elle régresse vers la moyenne. Chez Digital-m, nous auditons régulièrement ce que ChatGPT, Gemini et Perplexity racontent sur nos clients, et nous observons le même effet : sur une entreprise peu documentée en ligne, le modèle ne dit pas « je ne sais pas », il produit le profil moyen d'une entreprise de ce secteur. La parade est identique en météo et en visibilité : fournir des données que le modèle ne peut pas deviner.

C'est le travail que mène notre agence GEO : rendre les faits d'une entreprise explicites, chiffrés et sourcés, pour que les moteurs génératifs n'aient pas à les inventer. Pour les équipes qui veulent s'en occuper elles-mêmes, nous proposons aussi une formation GEO certifiée Qualiopi. Et si le sujet de l'IA appliquée à la science vous intéresse, notre dossier sur l'accélération de la recherche scientifique par l'IA prolonge la réflexion.

Ce qu'il faut retenir

La prévision météo par IA est passée en production en 2025 et 2026, chez les trois plus grands centres mondiaux. Elle gagne sur presque tout : 88,9 % des cibles pour Aurora 1.5 ENS face à l'ensemble européen, un jour de compétence en plus pour la NOAA, 0,3 % du calcul pour une prévision à 16 jours, et cinq jours d'avance sur un ouragan de catégorie 5.

Elle perd sur un point, et ce point compte : les records. Science Advances l'a établi en mai 2026, et c'est précisément quand la météo devient dangereuse que les modèles physiques reprennent l'avantage. D'où la stratégie retenue par la NOAA : un grand ensemble hybride à 62 membres, moitié IA, moitié physique, qui a battu les deux approches prises séparément dans ses premiers tests. Le futur n'est pas l'IA contre la physique, c'est l'IA plus la physique.

La leçon pour votre entreprise est directe : une IA excelle sur ce qui ressemble à ses données et faiblit dès que vous en sortez. Si vous voulez savoir ce que les moteurs génératifs disent de votre activité, et quelles données leur manquent pour en parler juste, demandez-nous un audit de visibilité IA. Nos formations certifiées Qualiopi sur le GEO et l'IA permettent aussi de monter vos équipes en compétence sur le sujet.

Et vous, faites-vous encore confiance à l'appli météo de votre téléphone, ou vérifiez-vous ailleurs avant une sortie importante ? Dites-le nous en commentaire !