Varje morgon fattar flygbolagsdispatchers, nätoperatörer och bönder runt om i världen beslut baserat på samma sak: en väderprognos. Medan de flesta kastar en blick på den i två sekunder, påverkar väderprognoser stora strategiska beslut inom många branscher, med verkliga pengar, försörjning och till och med verkliga liv på spel. Bönder använder dem för att avgöra vilken grödvarietet de ska så, när de ska gödsla, hur mycket de ska investera i bevattningsinfrastruktur och hur länge boskapen ska beta. Energiföretag använder dem för att bestämma var de ska bygga sol- och vindkraftsparker, samt hur de ska prissätta el på grossistmarknaden. Prognoser används för att varna människor för extremt väder och för att utlösa nödåtgärder. På senare tid har väderprognoser blivit relevanta för en framväxande industri: prediktionsmarknader, där människor satsar pengar på alla möjliga verkliga händelser, inklusive vädret.

Men frestelsen att manipulera väderdata för att få en fördel på dessa marknader, i kombination med en kollektiv rörelse mot datadrivna AI-väderprognoser, börjar äventyra noggrannheten i väderprognoserna. Dessa risker är relativt hanterbara för närvarande, men som experter inom området kan vi förutse scenarier där de snöbollar till mycket större, mer systemiska problem.

För att utveckla väderprognoser behöver vi noggranna observationer av nuvarande förhållanden. Dessa samlas in från flera källor, inklusive väderstationer på flygplatser, energiföretag eller transporttjänster. Traditionella operativa system som Weather Research and Forecasting-modellen eller European Centre for Medium-Range Weather Forecast (ECMWF) Integrated Forecasting System kombinerar dessa observationer med numeriska approximationer för att uppskatta framtida väderförhållanden. Ibland har väderstationer problem på grund av till exempel instrumentfel eller uppgraderingar av utrustning. Dessa kan fångas upp antingen i realtid (genom kontroll och korrigering) eller i efterhand. Traditionella prognossystem har också en inbyggd säkerhetsåtgärd som kallas dataassimilering: Varje inkommande mätning vägs mot vad den fysiska modellen säger borde hända och mot avläsningar från närliggande stationer. Tillsammans hjälper dessa mekanismer till att hålla väderobservationer tillförlitliga och prognoser robusta.

Men nya hot sätter observationsnoggrannheten på spel. Tidigare i år rapporterade nyhetsmedier att väderstationen på Paris Charles de Gaulle-flygplatsen (CDG) hade manipulerats för att registrera misstänkta temperaturtoppar den 6 april och 15 april 2026. Myndigheter spekulerar att en handhållen hårtork eller tändare kan ha använts. Hur som helst ledde det till stora utbetalningar för online-prediktionsmarknadsspelare som hade satsat på att det skulle nå 22 °C (71,6 °F) på dagar då det faktiska genomsnittet låg runt 18 °C (64,4 °F). En person vann 20 000 dollar. Lyckligtvis kan manipulering av en enskild station som denna vanligtvis fångas upp av mänsklig övervakning eller nuvarande statistiska metoder. I det här fallet upptäckte medlemmar av en fransk klimatideell förening avvikelserna av en slump och slog larm.

Men vad händer om det inte finns några mänskliga övervakningssystem på plats? Och vad sägs om andra typer av manipulering? Tänk om någon, istället för att manipulera en station, på distans justerade avläsningarna på många stationer samtidigt – och gjorde varje ändring tillräckligt liten för att se trovärdig ut på egen hand? Befintliga kvalitetskontroller har svårt att fånga denna typ av samordnad manipulering. Och tiden arbetar mot oss; noggranna kontroller av data och metadata tar timmar eller dagar, men prognoser måste publiceras enligt schema, oavsett vad vädret gör.

Skiftet mot artificiell intelligens inom väderprognoser höjer insatserna. Dessa metoder är ännu mer beroende av noggranna, tillförlitliga väderobservationer; faktum är att de kallas ”datadrivna modeller”. Till exempel undersöker forskare vid ECMWF om högkvalitativa väderprognoser kan produceras direkt från råobservationer, och därmed hoppa över det assimileringssteg som för närvarande fungerar som en kvalitetskontroll.