Punto de partida: la decisión de "no cerrar el tema"

Lo que quedó claro en la segunda parte es que las limitaciones estructurales que tiene la IA generativa actual en el análisis de mapas meteorológicos no pueden superarse solo con ingeniería de prompts.

A partir de aquí, hay dos opciones posibles:

  1. No usar IA ― Es lo más seguro, pero se renuncia al valor único que aporta la IA (explicaciones en lenguaje natural, 24 horas al día, para múltiples ubicaciones).
  2. Cambiar el diseño para no hacer que la IA "actúe como un meteorólogo perfecto" ― Asumir las limitaciones como punto de partida y generar valor mediante una división de roles con el ser humano.

En este artículo seguiremos la opción 2 y pensaremos en cómo integrar la IA en un servicio real (imaginemos una "app de explicación meteorológica").

Filosofía de diseño: la IA como "navegante", el humano como "piloto"

En lugar de delegar completamente el análisis de mapas meteorológicos a la IA, redefinimos la relación así:

  • IA: extrae datos y genera una guía sobre "qué hay que mirar"
  • Humano: revisa el mapa meteorológico real con sus propios ojos y toma la decisión final

La imagen es la de un copiloto de avión. Las decisiones de vuelo importantes las toma el comandante (el humano), mientras que el copiloto (la IA) lee los instrumentos y los procedimientos que hay que verificar.

Con esta filosofía, aunque la IA cometa algún error de lectura, no será un golpe fatal. Al final, el usuario confirma el mapa meteorológico con sus propios ojos.

Los tres roles que se le asignan a la IA

Rol 1: Guía de puntos de interés (dirección de la mirada)

Cuando el usuario abre el visor de mapas meteorológicos, la IA explica los "puntos clave del día".

Ejemplo: "El punto de atención de hoy es el FXJP854 a 850 hPa. Fíjate en cómo la línea de 306 K avanza hacia el norte desde el oeste de Kyushu. Esta será la fuente de energía para las lluvias intensas de mañana. Mueve el deslizador 24 horas hacia adelante y comprueba cómo entra el aire cálido."

Al manipular el mapa siguiendo la guía de la IA, el usuario obtiene la experiencia de "descubrir" por sí mismo los cambios en los fenómenos meteorológicos.

Rol 2: Explicación del contexto físico

Para los datos extraídos, la IA complementa el contexto meteorológico respondiendo a la pregunta "¿por qué ocurre esto?".

Ejemplo: "A 500 hPa (5500 m de altitud) está entrando aire frío de -30 °C, pero en superficie hay cielos despejados bajo un anticiclón. Esta 'diferencia de temperatura entre los niveles altos y bajos' provoca tormentas eléctricas por la tarde (inestabilidad atmosférica). Las zonas que coinciden con el área de ascenso a 700 hPa requieren especial atención."

Esto tiene el potencial de ofrecer, para cada pronóstico diario, un valor similar al de los libros de explicación de un meteorólogo veterano.

Rol 3: Verificación cruzada con datos textuales externos

Si el análisis de imágenes es débil, se refuerza con datos en formato texto. Se obtienen por separado los "materiales explicativos de pronóstico a corto plazo" de la Agencia Meteorológica de Japón y los datos numéricos de pronóstico por puntos, y se le pasan a la IA como texto.

Esto permite hacer lo siguiente:

"En los materiales explicativos de la Agencia Meteorológica se indica: 'Acompañando al descenso de la JPCZ…'. Si lo verificamos en el mapa de superficie FXFE502…"

Es decir, se puede contrastar el análisis de imagen usando información textual. Los hechos se obtienen del texto confirmado, y la imagen se usa como contexto de apoyo.

Consideraciones de arquitectura: "los hechos vienen de datos estructurados"

Cuando se genera en lote la explicación meteorológica con una arquitectura serverless (AWS Lambda, etc.), los puntos clave del diseño son los siguientes.

No hacer que la IA lea datos numéricos

Los parámetros como temperatura, viento y presión por ciudad se extraen directamente de los OpenData de la Agencia Meteorológica (JSON/XML) o de datos GPV, y se le pasan a la IA como entrada de texto en el prompt.

Como vimos en la segunda parte, intentar que la IA lea números desde imágenes conlleva un riesgo de error demasiado elevado.

Las imágenes se pasan solo como "contexto"

A la IA se le proporcionan primero los valores numéricos precisos extraídos en texto como premisa, y luego se le indica:

"A partir de los valores numéricos dados, lee a grandes rasgos la configuración de presión que hay detrás de ellos en la imagen del mapa meteorológico adjunto y elabora un comentario con los puntos de interés para el usuario."

De este modo, el análisis de imagen de la IA solo se encarga de "dar sabor al texto", y los errores graves dejan de propagarse a las conclusiones del pronóstico.

División de responsabilidades en tres niveles

Capa Responsable Contenido
Extracción de datos Sistema (Lambda) Obtiene texto y datos numéricos confirmados
Interpretación y explicación IA Añade una narrativa meteorológica a los datos
Verificación final Humano (usuario) Confirma con sus propios ojos en el visor de mapas

Prompt mejorado: detección de contradicciones y modo cauteloso

A continuación se muestra un extracto del diseño de prompt para operar la IA como "copiloto".

【Configuración del sistema】
Eres un "validador de datos cauteloso" con conocimientos de dinámica meteorológica.
Ten presente que los modelos de visión actuales de IA tienen limitaciones graves
en el reconocimiento de distorsiones espaciales en proyecciones polares estereográficas
y en el seguimiento de isolíneas densamente agrupadas.
Está estrictamente prohibido especular o inventar "escenarios de pronóstico verosímiles".

【Reglas de análisis: cumplimiento absoluto de las siguientes restricciones】
1. Declaración de ilegibilidad: si las líneas se cruzan o se agrupan y no puedes
   tener certeza, NO especules bajo ningún concepto; escribe "Ilegible (Unreadable)".
2. Prohibición de inferencia geográfica: no inferas posiciones a partir de la curvatura
   de paralelos y meridianos; usa solo "coordenadas absolutas" claramente visibles,
   como la línea de costa del archipiélago japonés.
3. Eliminación del exceso de confianza: evita expresiones categóricas
   ("será…", "se prevé que…") y limítate a expresiones como
   "parece que…" o "existe la posibilidad de que…".

【Pasos de ejecución】

■ Paso 1: Autoevaluación del nivel de confianza visual (metacognición)
Para cada figura adjunta, evalúa la "legibilidad de las líneas" en torno al archipiélago
japonés y declara el resultado en 3 niveles: [Alto] / [Medio] / [Bajo].
Si el nivel es [Bajo], detén cualquier inferencia a partir de esa figura.

■ Paso 2: Extracción de datos locales (sin especulación)
Limitándote al área del archipiélago japonés, extrae en forma de lista
solo los valores y elementos que puedas leer con claridad en la figura.
Omite los elementos que no puedas leer.

■ Paso 3: Detección de "contradicciones" físicas y climatológicas
Combina los datos extraídos y comprueba si hay algo "físicamente incorrecto"
a la luz de la dinámica meteorológica y la climatología de Japón.
Si detectas una contradicción, concluye que "es probable que se trate de un error
de lectura de la imagen".

■ Paso 4: Explicación limitada del estado meteorológico, eliminadas las contradicciones
Usa únicamente los datos que hayan superado el Paso 3 para elaborar
una explicación de alcance limitado.

La clave de este prompt está en tres puntos: "no hacer que genere escenarios de pronóstico", "hacer que reconozca cuando no puede leer algo" y "convertir la detección de contradicciones físicas en el protagonista".

Dicho esto, ni con esto desaparecen completamente las alucinaciones. Hay que tener claro que el prompt es solo una medida para reducir la probabilidad, no un medio para superar las limitaciones en sí mismas.

Cómo gestionar los riesgos residuales: diseño de los avisos

Aunque se afinen los prompts, las alucinaciones persisten. Por eso, lo más honesto es no ocultarlo desde el sistema y comunicárselo al usuario con transparencia.

Especialmente si se contemplan usuarios para quienes la decisión meteorológica puede ser una cuestión de vida o muerte —montañeros, aviación, protección civil, etc.—, esto es un elemento de diseño imprescindible.

Patrón A: Para uso cotidiano (en línea)

Un aviso ligero que se muestra de forma permanente justo debajo del texto explicativo.

⚠️ Información de referencia generada por IA Esta explicación es el resultado de que una IA ha interpretado por su cuenta las tendencias del mapa meteorológico. En el análisis de figuras complejas pueden incluirse errores de posición o de valores numéricos (alucinaciones). Para cualquier decisión meteorológica final o acción de protección civil, consulte siempre los comunicados oficiales de la Agencia Meteorológica de Japón.

Patrón B: Para el proceso de incorporación (términos de uso)

Una cobertura de riesgos algo más formal que se presenta al inicio del uso.

Sobre la función de explicación de mapas meteorológicos con IA Esta función tiene como objetivo apoyar la interpretación de modelos meteorológicos y mapas de altura, y profundizar en la comprensión de los fenómenos atmosféricos. Debido a las características de la IA generativa, existe la posibilidad de que se genere información inexacta o contenido contradictorio en el reconocimiento espacial de imágenes (mapas meteorológicos) y en la extracción de valores numéricos. No utilice las explicaciones de esta IA como única fuente de referencia para tomar decisiones importantes que afecten a vidas humanas o bienes materiales, como el montañismo, la navegación, la aviación, la agricultura o la protección civil ante tifones o lluvias torrenciales. Para verificar la exactitud de la información, consulte siempre la información publicada por organismos oficiales como la Agencia Meteorológica de Japón.

Patrón C: Exclusivo para situaciones de alto riesgo (alerta dinámica)

Se inserta con un color llamativo solo cuando se aproxima un tifón o se emite un aviso especial.

🚨 【IMPORTANTE】Aviso sobre el uso en condiciones meteorológicas adversas En este momento existen condiciones meteorológicas con riesgo de graves desastres. El análisis de la IA puede contener errores, por lo que utilizar esta explicación como criterio para decisiones de protección civil es extremadamente peligroso. Consulte de inmediato la información más reciente de la Agencia Meteorológica de Japón y los avisos de evacuación de las autoridades locales.

Botón de "Reportar error" en la interfaz

Además de los avisos, se recomienda incluir un botón de "Reportar un error de la IA" (por ejemplo, con un icono de pulgar hacia abajo).

Esto tiene un significado que va más allá de una simple función de feedback:

  • Demuestra que el usuario está usando la herramienta con pensamiento crítico (efecto de exención de responsabilidad).
  • Se convierte en datos de prueba para mejorar los prompts en el futuro.
  • Actúa como una señal de UX que previene la confianza excesiva en la IA.

Conclusión: diseñar el "cómo se usa" antes que la "exactitud"

A lo largo de estas tres partes hemos explorado las posibilidades y los límites del análisis de mapas meteorológicos con IA generativa. Hagamos un resumen final.

Lo que actualmente se le puede encomendar a la IA:

  • Extracción de datos a partir de información textual y figuras en color (de forma limitada)
  • Elaboración de explicaciones basadas en datos textuales existentes
  • Creación de listas de verificación con "los puntos que hay que revisar a continuación"
  • Detección de contradicciones físicas (dependiendo del prompt)

Lo que actualmente NO se le puede encomendar a la IA:

  • Lectura precisa de mapas de altura en blanco y negro con alta densidad de líneas
  • Construcción coherente de la estructura tridimensional entre figuras de distintos niveles
  • Juicio final desde una perspectiva climatológica y física
  • Reconocimiento honesto de "que no ha podido leer algo" (se puede reforzar con prompts)

Si se aspira a una implementación práctica, los tres pilares del diseño son los siguientes:

  1. La veracidad de los datos se garantiza con texto estructurado, no con la IA.
  2. La IA actúa como "copiloto": se limita a guiar la mirada y explicar el contexto.
  3. Las limitaciones no se ocultan: se comunican con transparencia mediante avisos y una interfaz para reportar errores.

No se trata de "esperar a que la IA sea perfecta", sino de "diseñar una división de roles en la que se genere valor asumiendo que la IA es imperfecta". Este es, a nuestro juicio, el enfoque más realista y honesto posible en el momento actual.

Epílogo: lo que realmente queríamos transmitir con esta serie

Cuando se usa IA en un campo especializado, lo más peligroso no es "que la IA se equivoque".

Es "que la IA se equivoque con un tono verosímil y con total seguridad en sí misma".

La salida que observamos en la primera parte —"he podido verificar que es completamente coherente"— habría circulado tal cual como "una explicación correcta" si el usuario no hubiera detectado la contradicción lógica.

Cuando se integra la IA en el trabajo o en los hobbies, son imprescindibles dos ruedas: el diseño de prompts que hace que la propia IA verbalice sus limitaciones, y el diseño de flujo de trabajo en el que el ser humano realiza la verificación final. Nos alegrará si esta serie sirve de referencia a la hora de pensar en ese tipo de diseño.

Fin de la serie