L'AI che prevede i numeri: come TimesFM-3 di Google anticipa vendite, magazzino e cassa di una PMI

In sintesi. TimesFM-3 è un modello di intelligenza artificiale rilasciato da Google Research il 31 agosto 2026 che fa previsioni su serie di numeri nel tempo: vendite, ordini, scorte di magazzino, traffico web, consumi energetici, incassi. Funziona come un modello linguistico (ChatGPT, Gemini, Claude), ma invece di predire la prossima parola predice i prossimi numeri. Non richiede addestramento sui dati dell’azienda: gli si passa lo storico e restituisce la previsione, con un intervallo di confidenza. È la prima versione della famiglia TimesFM che tiene conto di più serie contemporaneamente e di eventi futuri già noti, come promozioni, festività o previsioni meteo. I pesi sono pubblici su Hugging Face ma con licenza non commerciale e non di produzione: si può sperimentare, non ancora usare in azienda. Vediamo cosa significa, con esempi concreti.

Cos’è TimesFM-3 in una frase

TimesFM-3 (Time Series Foundation Model, versione 3) è un modello fondazionale per la previsione di serie temporali sviluppato da Google Research. Ha 330 milioni di parametri, è stato pre-addestrato su oltre 1.000 miliardi di punti temporali (dati reali e sintetici) e produce previsioni zero-shot, cioè senza alcun addestramento o fine-tuning sui dati specifici di chi lo usa.

I numeri chiave, verificati sulle fonti ufficiali:

Come funziona TimesFM-3, spiegato semplice

1. Prevede il “prossimo numero” come ChatGPT prevede la prossima parola

Un modello linguistico ha letto miliardi di frasi e ha imparato che dopo “buongiorno, come” viene probabilmente “stai”. TimesFM-3 ha “letto” miliardi di serie temporali di ogni tipo (vendite retail, traffico web, consumi elettrici, sensori industriali, dati finanziari) e ha imparato le forme ricorrenti: la stagionalità settimanale, il picco pre-natalizio, il calo di agosto, la crescita lineare, il rimbalzo dopo una promozione.

Quando gli passate le vendite degli ultimi 18 mesi della vostra azienda, il modello non “impara” la vostra azienda: riconosce in quei dati pattern che ha già visto migliaia di volte e li proietta avanti. Per questo funziona senza addestramento.

2. Legge i numeri “a blocchi”, non uno alla volta

Come un LLM spezza il testo in token, TimesFM-3 raggruppa i dati in blocchi (patch) da 32 osservazioni. Se i vostri dati sono giornalieri, un blocco è circa un mese. Questo gli permette di ragionare su “un mese di vendite” come unità, esattamente come noi ragioniamo su “l’andamento di marzo” e non sul singolo 14 marzo.

3. Guarda in due direzioni: nel tempo e tra le serie

Qui sta la vera novità rispetto alle versioni precedenti (TimesFM 1.0, 2.0 e 2.5), che gestivano una serie alla volta.

Immaginate una tabella. Ogni riga è una serie: vendite di gelato, vendite di coni, ingressi in negozio, temperatura, giorni di promozione. Ogni colonna è un giorno. TimesFM-3 alterna due tipi di “sguardo”:

• In orizzontale (lungo la riga): guarda il passato di ciascuna serie per capirne il ritmo. Rigorosamente solo il passato, mai il futuro, per non barare.
• In verticale (lungo la colonna): a ogni istante guarda tutte le altre serie insieme, per capire come si influenzano. Ad esempio: quando la temperatura sale, il gelato sale; quando c’è una promo sui coni, anche il gelato sale.

Alternando questi due passaggi per 20 strati, il modello mescola i pattern temporali con le correlazioni tra serie. Nel gergo tecnico Google la chiama Stacked Mixing Transformer with Variate Attention.

4. Usa tre tipi di informazione

TimesFM-3 accetta nativamente tre categorie di dati:

1. Più obiettivi da prevedere insieme (target multipli). Esempio: le vendite di 10 referenze di una linea prodotto, previste in un colpo solo, sfruttando il fatto che si muovono in modo correlato.
2. Covariate passate: dati che conoscete solo fino a oggi e che aiutano a spiegare il passato. Esempio: ingressi in negozio, visite al sito, temperatura registrata.
3. Covariate passato-futuro (dinamiche): dati che conoscete anche per il futuro. Esempio: il calendario promozionale già pianificato, le festività, le previsioni meteo, le chiusure per ferie, un evento fieristico.

La terza categoria è quella che cambia tutto per un’azienda: il modello può usare quello che già sapete che succederà.

5. Prevede tutto l’orizzonte in un colpo solo

Le versioni precedenti prevedevano un blocco alla volta e ogni blocco successivo si basava sul precedente, accumulando errori. TimesFM-3 aggiunge dei “segnaposto” per i giorni futuri e li riempie tutti in un unico passaggio (tecnica del Contiguous Patch Masking). Risultato: più veloce e più stabile sugli orizzonti lunghi.

6. Non dà un numero secco, dà una forchetta

Per ogni giorno futuro il modello restituisce 9 quantili, dal 10° al 90° percentile. In pratica:

• il valore mediano (50°) è la previsione “più probabile”;
• il 10° percentile è lo scenario pessimistico (“nel 90% dei casi venderete almeno questo”);
• il 90° percentile è lo scenario ottimistico (“solo nel 10% dei casi venderete più di questo”).

Per chi deve decidere quanto ordinare, questa forchetta vale più della previsione puntuale: si può ordinare sul 70° percentile per un prodotto ad alto margine e sul 30° per uno deperibile.

L’esempio ufficiale di Google: il gelato e la promozione

Nel post di lancio Google mostra il caso di una catena retail che deve prevedere le vendite di gelato del mese prossimo, avendo già fissato il calendario delle promozioni.

• Un modello classico univariato guarda solo lo storico delle vendite e proietta in avanti il pattern settimanale. Non sa che il 12 e il 19 ci sarà una promo, quindi non le vede.
• TimesFM-3 in modalità multivariata riceve anche il calendario promo come covariata futura. Dallo storico ha capito quanto le promo passate hanno alzato le vendite e applica la stessa relazione ai giorni futuri con promo pianificate. Il risultato è una previsione che anticipa circa +20% di vendite in ogni giorno di promozione.

Sommato su un mese, lo scostamento tra le due previsioni è la differenza tra un magazzino dimensionato bene e uno che finisce le scorte proprio nel giorno in cui fate pubblicità.

Perché è diverso da quello che una PMI usa oggi

La maggior parte delle PMI italiane fa previsioni in uno di questi modi:

• “Come l’anno scorso più il 5%”: la media storica corretta a occhio.
• Excel con media mobile o trend lineare: funziona finché non cambia nulla.
• Il modulo forecast dell’ERP o del gestionale: spesso un modello statistico degli anni ’90 (Holt-Winters, ARIMA) che va configurato per ogni articolo e non sa nulla di promozioni o meteo.
• Un progetto di machine learning su misura: costoso, richiede un data scientist, va riaddestrato periodicamente.

TimesFM-3 si colloca in mezzo: la qualità di un modello su misura senza il costo dell’addestramento. Sui benchmark pubblici (Gift-Eval, FEV-Bench, TIME) è al primo posto tra i foundation model sia per accuratezza puntuale sia per qualità dell’intervallo, davanti a Chronos-2 di Amazon, alla famiglia Toto 2.0 di Datadog e alla sua stessa versione precedente TimesFM-2.5. Anche usato “alla vecchia maniera”, una serie alla volta senza covariate, eguaglia o supera i concorrenti.

Una precisazione da azienda seria: questi sono i risultati dichiarati da Google sui benchmark pubblici. Sui vostri dati va misurato, confrontando le previsioni del modello con quello che è successo davvero negli ultimi mesi.

6 applicazioni concrete per una PMI

Per ciascuna: cosa serve in input, cosa aggiunge il multivariato, che decisione abilita.

1. Riordino di magazzino e gestione scorte

• Input: vendite giornaliere o settimanali per articolo (dall’ERP), giacenze, lead time dei fornitori.
• Covariate future: calendario promo, festività, chiusure.
• Output: previsione per articolo con forchetta.
• Decisione: quantità di riordino calcolata sul quantile scelto in base al margine e alla deperibilità. Esempio: un distributore di bevande con 400 referenze ordina sul 75° percentile per le referenze estive nelle settimane con ondata di calore prevista, e sul 40° per le referenze a rotazione lenta. Meno stock-out, meno capitale circolante immobilizzato.

2. Previsione vendite e budget

• Input: fatturato mensile per linea, canale o agente, ultimi 2-3 anni.
• Covariate future: fiere in calendario, lanci prodotto, listini in aumento da una data nota.
• Output: forecast a 6-12 mesi per linea, con scenario pessimistico e ottimistico.
• Decisione: budget commerciale costruito su una forchetta invece che su un numero da difendere in riunione. Il 10° percentile diventa il “piano di sicurezza”, il 90° il “piano di crescita”.

3. Pianificazione turni e staffing

• Input: scontrini, coperti, chiamate al centralino o ticket per fascia oraria.
• Covariate future: meteo previsto, eventi locali, festività, aperture straordinarie.
• Output: carico previsto per ora e giorno.
• Decisione: turni del personale dimensionati sulla domanda. Esempio: una catena di ristoranti prevede i coperti del weekend con il meteo a 5 giorni e conferma o taglia gli extra il mercoledì invece del venerdì sera.

4. Previsione del cash flow

• Input: incassi e pagamenti giornalieri per categoria, saldo di cassa storico.
• Covariate future: scadenze fiscali note, rate di finanziamento, stipendi, incassi contrattualizzati.
• Output: saldo di cassa previsto a 30-90 giorni con forchetta.
• Decisione: sapere con anticipo se e quando serve una linea di credito, o quando si può anticipare un pagamento fornitore per ottenere sconto. Il quantile basso è quello che interessa a chi firma.

5. Lead, pipeline e marketing

• Input: lead settimanali per canale, visite al sito, spesa pubblicitaria.
• Covariate future: budget ADV già pianificato, campagne in calendario, eventi.
• Output: lead attesi per canale nelle prossime 8-12 settimane.
• Decisione: capire se la spesa pianificata basta a raggiungere l’obiettivo commerciale, e riallocare tra canali prima di spendere, non dopo.

6. Consumi energetici e manutenzione

• Input: kWh per linea produttiva, letture contatori, ore macchina, temperatura.
• Covariate future: piano di produzione, meteo, fermate programmate.
• Output: consumo previsto e anomalie (consumo reale fuori dalla forchetta prevista = segnale di guasto o inefficienza).
• Decisione: contratti energia dimensionati meglio, manutenzione anticipata quando una macchina inizia a consumare “fuori forchetta”.

Cosa serve per iniziare

1. Uno storico ordinato. Idealmente almeno 12-24 mesi di dati con la stessa granularità (giorno, settimana, mese). Il modello lavora anche con meno, ma la stagionalità annuale la impara solo se l’ha vista almeno una volta.
2. Un’esportazione dal gestionale. Nella stragrande maggioranza dei casi bastano le tabelle di ERP, CRM o cassa. Non serve un data warehouse.
3. Il calendario di ciò che già sapete. Promozioni, chiusure, fiere, festività locali. È l’informazione che vale di più ed è quella che nessuno mette mai in Excel.
4. Un test onesto. Si nascondono gli ultimi 3-6 mesi al modello, si fa prevedere, si confronta con il reale. Se batte il vostro metodo attuale, si passa avanti; se no, si è speso pochissimo per scoprirlo.
5. Un’infrastruttura minima. Il checkpoint pesa circa 1,3 GB e gira su una GPU modesta o anche su CPU per volumi da PMI.

Limiti e avvertenze (leggere prima di entusiasmarsi)

La licenza: il punto più importante

Il codice del repository è Apache 2.0 e i pesi fino a TimesFM-2.5 sono Apache 2.0. Ma i pesi di TimesFM-3 sono sotto una licenza separata, la TimesFM Non-Commercial License v1.0, che consente solo uso non commerciale e non di produzione.

Attenzione a una lettura troppo ottimista che circola online: non è solo vietato “costruirci un servizio da vendere”. È vietato anche l’uso interno in produzione: se una PMI lo usasse per decidere i riordini di ogni settimana, sarebbe già uso di produzione. Oggi TimesFM-3 serve a sperimentare, fare benchmark, capire quanto vale sui propri dati.

Le strade percorribili per un uso reale in azienda oggi:

• TimesFM-2.5 (Hugging Face), licenza Apache 2.0, utilizzabile liberamente. Limite: gestisce una serie alla volta, senza covariate native.
• Google BigQuery, dove TimesFM è già disponibile con il comando AI.FORECAST (oggi con la 2.5; Google ha annunciato l’integrazione della 3.0 “nelle prossime settimane”). Qui l’uso commerciale è regolato dai termini di Google Cloud.
• Modelli concorrenti con licenza permissiva, come Chronos-2 di Amazon, da valutare caso per caso.
• Attendere un eventuale cambio di licenza: Google scrive “per il momento”, il che lascia aperta la porta.

Altri limiti

• Non prevede l’imprevedibile. Un nuovo concorrente, una pandemia, un cambio di normativa non sono nello storico e il modello non li vede. La forchetta dei quantili aiuta a gestire l’incertezza, non a eliminarla.
• Dati sporchi, previsioni sporche. Articoli rinominati, codici duplicati, mesi mancanti nell’export peggiorano il risultato più di qualsiasi scelta di modello.
• Fino a 32 serie insieme. Per cataloghi grandi si lavora per gruppi (famiglie di prodotto, punti vendita).
• Serve una regola di decisione. Il modello dà la forchetta; quale quantile usare per ordinare è una scelta di business che va fatta una volta e messa nel processo.

Il punto di vista di M-AI

In M-AI sviluppiamo software AI su misura per le PMI italiane, e il forecasting è uno dei casi in cui il valore per l’azienda è più facile da misurare: meno scorte ferme, meno vendite perse, turni dimensionati meglio, cassa prevedibile. Non servono chatbot: serve un numero attendibile con una forchetta, dentro un processo che qualcuno usa il lunedì mattina.

Il nostro approccio con un modello come TimesFM-3 è pragmatico:

1. Pilot sui dati reali, in ambiente di test (uso consentito dalla licenza): si misura quanto batte il metodo attuale.
2. Scelta del modello per la produzione in base a licenza, costi e accuratezza misurata, non alla classifica del benchmark.
3. Integrazione nel gestionale esistente: il forecast finisce dove la persona già lavora (ERP, foglio di riordino, dashboard), non in un’app in più.
4. Codice di proprietà del cliente, capitalizzabile come asset, senza abbonamenti SaaS.

Se volete capire quanto vale un forecast di questo tipo sui vostri dati, un test con 12 mesi di storico si fa in pochi giorni. Contattaci.

Domande frequenti su TimesFM-3

Cos’è TimesFM-3? Un modello fondazionale di Google Research per la previsione di serie temporali, rilasciato il 31 agosto 2026, con 330 milioni di parametri, che produce previsioni zero-shot (senza addestramento sui dati dell’utente) e gestisce nativamente più serie e covariate future.

TimesFM-3 è gratuito? I pesi si scaricano gratuitamente da Hugging Face, ma la licenza consente solo uso non commerciale e non di produzione. Per uso aziendale reale oggi si usa TimesFM-2.5 (Apache 2.0) o BigQuery.

Serve addestrare TimesFM-3 sui propri dati? No. Funziona in zero-shot: si passa lo storico e restituisce la previsione. Il fine-tuning è possibile (il repository include un esempio con LoRA) ma non è necessario.

Cosa sono le covariate in TimesFM-3? Serie di supporto che aiutano la previsione. Quelle “passate” sono note solo fino a oggi (es. traffico in negozio); quelle “passato-futuro” sono note anche in avanti (es. promozioni pianificate, festività, meteo previsto).

Che differenza c’è tra TimesFM-3 e TimesFM-2.5? La 2.5 prevede una serie alla volta e ha licenza Apache 2.0. La 3.0 prevede più serie insieme, usa covariate, genera tutto l’orizzonte in un solo passaggio, è più accurata sui benchmark, ma ha licenza non commerciale.

Quanti dati storici servono? Il modello lavora anche con poche osservazioni, ma per catturare la stagionalità annuale servono almeno 12 mesi; 24 sono meglio.

Quali sono le alternative a TimesFM-3? Chronos-2 (Amazon), la famiglia Toto 2.0 (Datadog), TimesFM-2.5 (Google) e i modelli statistici classici come ARIMA e Holt-Winters già presenti in molti ERP.

Cosa sono i quantili nel forecast? Invece di un solo numero, il modello restituisce 9 valori dal 10° al 90° percentile: una forchetta che descrive scenari pessimistici, mediani e ottimistici, utile per decidere quanto rischio prendersi in un ordine o in un budget.

Glossario minimo

• Serie temporale: una sequenza di numeri ordinati nel tempo (vendite giornaliere, kWh mensili).
• Foundation model: modello pre-addestrato su enormi quantità di dati generici, riutilizzabile su compiti diversi senza riaddestramento.
• Zero-shot: uso del modello su dati mai visti prima, senza addestramento specifico.
• Univariato / multivariato: previsione basata su una sola serie / su più serie insieme.
• Covariata: serie ausiliaria che aiuta a spiegare o prevedere la serie obiettivo.
• Quantile: valore sotto il quale cade una certa percentuale dei casi possibili.
• Patch: blocco di osservazioni consecutive trattato dal modello come un’unità.

Fonti e link utili

• Pesi e model card: google/timesfm-3.0-pytorch su Hugging Face
• Codice e documentazione: github.com/google-research/timesfm
• Annuncio ufficiale: TimesFM-3: A zero-shot foundation model for multivariate forecasting (Google Research, 31 agosto 2026)
• Paper originale TimesFM: A decoder-only foundation model for time-series forecasting (ICML 2024)
• Classifiche: Gift-Eval · FEV-Bench · TIME leaderboard
• Versione precedente con licenza Apache 2.0: google/timesfm-2.5-200m-pytorch
• TimesFM in BigQuery: AI.FORECAST

Ultimo aggiornamento: 2 settembre 2026. Le informazioni sulla licenza vanno verificate sulla pagina Hugging Face al momento dell’uso, perché Google ha dichiarato che la restrizione vale “per il momento”.