Każdego ranka dyspozytorzy linii lotniczych, operatorzy sieci energetycznych i rolnicy na całym świecie podejmują decyzje w oparciu o to samo: prognozę pogody. Podczas gdy większość ludzi rzuca na nią okiem na dwie sekundy, prognozy pogody wpływają na kluczowe decyzje strategiczne w wielu branżach, gdzie stawką są prawdziwe pieniądze, źródła utrzymania, a nawet życie. Rolnicy używają ich, aby zdecydować, którą odmianę upraw siać, kiedy nawozić, ile inwestować w infrastrukturę nawadniającą i jak długo zwierzęta powinny się paść. Przedsiębiorstwa użyteczności publicznej używają ich do decydowania, gdzie budować farmy słoneczne i wiatrowe, a także jak ustalać ceny hurtowe energii elektrycznej. Prognozy są używane do ostrzegania ludzi przed ekstremalną pogodą i uruchamiania środków reagowania kryzysowego. Ostatnio prognozy pogody stały się istotne dla rozwijającej się branży: rynków prognoz, gdzie ludzie obstawiają pieniądze na różne wydarzenia w świecie rzeczywistym, w tym pogodę.

Jednak pokusa manipulowania danymi pogodowymi, aby zyskać przewagę na tych rynkach, w połączeniu z powszechnym przejściem na prognozowanie pogody oparte na sztucznej inteligencji, zaczyna zagrażać dokładności prognoz pogody. Ryzyka te są na razie stosunkowo łatwe do opanowania, ale jako eksperci w tej dziedzinie przewidujemy scenariusze, w których mogą one przerodzić się w znacznie większe, bardziej systemowe problemy.

Aby opracować prognozy pogody, potrzebujemy dokładnych obserwacji bieżących warunków. Są one zbierane z kilku źródeł, w tym stacji pogodowych na lotniskach, w przedsiębiorstwach użyteczności publicznej lub służbach transportowych. Tradycyjne systemy operacyjne, takie jak model Weather Research and Forecasting czy zintegrowany system prognozowania Europejskiego Centrum Średnioterminowych Prognoz Pogody (ECMWF), łączą te obserwacje z przybliżeniami numerycznymi, aby oszacować przyszłe wzorce pogodowe. Czasami stacje pogodowe mają problemy z powodu na przykład awarii instrumentów lub modernizacji sprzętu. Mogą one zostać wykryte w czasie rzeczywistym (poprzez sprawdzanie i korektę) lub retrospektywnie. Tradycyjne systemy prognozowania mają również wbudowane zabezpieczenie zwane asymilacją danych: każdy przychodzący pomiar jest ważony względem tego, co według modelu fizycznego powinno się dziać, oraz względem odczytów z pobliskich stacji. Razem te mechanizmy pomagają utrzymać wiarygodność obserwacji pogodowych i solidność prognoz.

Jednak nowe zagrożenia zagrażają dokładności obserwacji. Na początku tego roku media doniosły, że stacja pogodowa na lotnisku Paris Charles de Gaulle (CDG) została zmanipulowana, aby zarejestrować podejrzane skoki temperatury 6 i 15 kwietnia 2026 roku. Władze podejrzewają, że użyto ręcznej suszarki do włosów lub zapalniczki. W każdym razie doprowadziło to do dużych wypłat dla graczy na internetowych rynkach prognoz, którzy obstawili, że temperatura osiągnie 22 °C (71,6 °F) w dniach, gdy rzeczywista średnia wynosiła około 18 °C (64,4 °F). Jedna osoba wygrała 20 000 dolarów. Na szczęście manipulacje pojedynczą stacją można zwykle wykryć poprzez monitoring ludzki lub obecne metody statystyczne. W tym przypadku członkowie francuskiej organizacji non-profit zajmującej się klimatem zauważyli anomalie przypadkiem i podnieśli alarm.

Ale co, jeśli nie ma systemów monitoringu ludzkiego? A co z innymi rodzajami manipulacji? Co, jeśli zamiast manipulować jedną stacją, ktoś zdalnie zmodyfikowałby odczyty wielu stacji jednocześnie – czyniąc każdą zmianę na tyle małą, aby wyglądała wiarygodnie? Istniejące kontrole jakości mają trudności z wykrywaniem tego rodzaju skoordynowanej manipulacji. A czas działa na naszą niekorzyść; dokładne sprawdzenie danych i metadanych zajmuje godziny lub dni, ale prognozy muszą być wydawane zgodnie z harmonogramem, niezależnie od tego, co robi pogoda.

Przejście na sztuczną inteligencję w prognozowaniu pogody podnosi stawkę. Te metody są jeszcze bardziej zależne od dokładnych i wiarygodnych obserwacji pogodowych; w rzeczywistości są znane jako „modele oparte na danych”. Na przykład naukowcy z ECMWF badają, czy wysokiej jakości prognozy pogody można tworzyć bezpośrednio z surowych obserwacji, pomijając etap asymilacji, który obecnie działa jako kontrola jakości.