Cos'è TimesFM 3
TimesFM 3 è un modello di intelligenza artificiale sviluppato da Google Research che predice l'andamento futuro di serie numeriche: vendite, lead, traffico al sito, livelli di magazzino, flussi di cassa. Funziona in modalità zero-shot, cioè legge lo storico dei tuoi numeri e produce una previsione senza bisogno di essere addestrato o riconfigurato per il tuo caso specifico. Non è un chatbot: mentre un modello linguistico come ChatGPT prevede la parola più probabile che segue in una frase, TimesFM 3 prevede il valore numerico più probabile che segue in una sequenza temporale. Per una PMI italiana, questo significa avere accesso a un motore di previsione che prima richiedeva un data scientist dedicato e mesi di lavoro su un modello costruito su misura.
Come funziona TimesFM 3
Il modello è stato rilasciato da Google Research il 25 agosto 2026 e introduce tre elementi tecnici che lo differenziano dai modelli di forecasting classici: l'approccio zero-shot, la doppia attenzione orizzontale e verticale, e la gestione nativa delle covariate esogene. Fonte: Google Research, TimesFM-3: A zero-shot foundation model for multivariate forecasting, 2026.
1. Zero-shot: nessun training, nessun fine-tuning
Un sistema di forecasting tradizionale va addestrato sui dati specifici di ogni azienda prima di poter essere usato: settimane di lavoro, dataset puliti, un team che valida il risultato. TimesFM 3 è pre-addestrato su oltre un trilione di punti temporali reali e sintetici, e funziona subito su una serie che non ha mai visto prima. Gli dai lo storico delle vendite dell'ultimo anno, ti restituisce la previsione dei prossimi mesi, senza passaggi intermedi.
2. L'attenzione orizzontale e verticale
Il meccanismo che rende TimesFM 3 diverso dai modelli univariati precedenti è come organizza l'informazione: i dati vengono trattati come una griglia, dove ogni riga rappresenta una serie temporale nel tempo e ogni colonna rappresenta un istante condiviso tra più serie. Su questa griglia il modello applica due tipi di attenzione alternati. L'attenzione orizzontale (temporale e causale) guarda solo il passato di ogni singola serie, senza mai vedere il futuro: è quella che cattura la stagionalità e il trend di un dato specifico, ad esempio l'andamento storico delle tue vendite settimana per settimana. L'attenzione verticale guarda invece tutte le altre serie nello stesso istante temporale: è quella che impara le correlazioni, ad esempio come il traffico al sito di oggi influenza i lead di domani, o come una promozione in corso su un prodotto sposta le vendite di un prodotto correlato.
3. Le covariate: quando il modello sa già cosa succederà
Un modello di forecasting classico guarda solo i numeri passati e non capisce perché in certi giorni le vendite si comportano in modo anomalo. TimesFM 3 accetta in input anche le covariate, cioè informazioni che conosci già in anticipo: previsioni meteo, calendario delle festività, campagne promozionali pianificate. Nell'esempio pubblicato da Google, un modello univariato non riesce a spiegare il picco nelle vendite di gelato in certi giorni specifici. TimesFM 3, ricevendo il calendario promozionale come covariata, impara la relazione storica tra promozione e vendite e la applica al futuro, anticipando un aumento di circa il 20% nei giorni di promozione. Fonte: Google Research, TimesFM-3, 2026.
4. Output probabilistico, non un numero secco
TimesFM 3 non restituisce una singola cifra. Per ogni previsione produce 9 quantili, dal decimo al novantesimo percentile, dando quindi un intervallo di confidenza invece di un numero isolato. In pratica non ti dice solo "venderai 500 pezzi la prossima settimana", ma ti dice il range plausibile (ad esempio tra 420 e 610 pezzi) e dove si concentra la probabilità più alta. Per chi pianifica magazzino o staffing, questa è la differenza tra un numero su cui scommettere e uno scenario su cui costruire un piano B.
I numeri: parametri e benchmark
TimesFM 3 ha 330 milioni di parametri: una frazione delle decine o centinaia di miliardi di parametri dei grandi modelli linguistici generalisti, perché è specializzato su un solo compito. È stato valutato sui tre benchmark pubblici di riferimento per il forecasting.
| Caratteristica | Valore | Cosa significa |
|---|---|---|
| Parametri | 330 milioni | Modello leggero, eseguibile senza infrastruttura da data center |
| Dati di pre-training | Oltre 1 trilione di punti temporali | Copre pattern reali e sintetici da moltissimi settori |
| GIFT-Eval (Salesforce) | 1° posto | Miglior modello pre-addestrato sul benchmark pubblico di riferimento |
| FEV-Bench (Amazon/AutoGluon) | 1° posto | Migliore anche su previsioni multivariate con covariate |
| Output | 9 quantili (10°-90° percentile) | Previsione probabilistica, non un numero secco |
TimesFM 3 è il modello con il punteggio più alto sia per le metriche di previsione puntuale sia per quelle probabilistiche tra tutti i modelli pre-addestrati valutati su GIFT-Eval, FEV-Bench e Time. Fonte: Google Research, TimesFM-3, 2026.
A cosa serve davvero per una PMI italiana
Il forecasting numerico non è un tema da laboratorio: è la base di ogni decisione operativa che una PMI prende ogni settimana. Ecco dove TimesFM 3 può intervenire concretamente, oggi, senza bisogno di un team di data science interno.
- Magazzino: prevedere la domanda dei prossimi mesi per evitare sia gli stockout (prodotto finito) sia il capitale immobilizzato in scorte inutilizzate, incorporando promozioni pianificate e stagionalità.
- Staffing: stimare il carico di lavoro futuro (chiamate al centralino, ordini da evadere, ticket di supporto) per pianificare turni e assunzioni temporanee prima che il picco arrivi, non dopo.
- Cash flow: proiettare entrate e uscite nei prossimi mesi con un intervallo di confidenza, invece di un singolo scenario ottimistico che poi non si verifica.
- Lead forecasting: prevedere quanti lead arriveranno nelle prossime settimane in base allo storico di traffico e campagne, per dimensionare correttamente il team commerciale e il budget di acquisizione.
Rispetto a un chatbot aziendale, che aiuta a rispondere a domande o generare contenuti, uno strumento di previsione numerica come TimesFM 3 tocca direttamente le decisioni che spostano margine: quanto comprare, quante persone assumere, quanta liquidità serve nei prossimi tre mesi. Un chatbot fa risparmiare tempo su compiti di supporto; un sistema di previsione ben integrato evita errori di pianificazione che, in una PMI con margini ristretti, possono valere più di uno stipendio annuale in scorte invendute o in occasioni di vendita mancate. È un tipo di automazione diverso da quello conversazionale, ma altrettanto concreto: se vuoi capire come si integra con il resto dei processi automatizzati di un'azienda, la nostra guida sulle automazioni AI per PMI spiega da dove iniziare a mappare i processi giusti da automatizzare.
Il limite che conta più di tutti: la licenza non commerciale
I pesi di TimesFM 3 sono pubblicati apertamente su Hugging Face, ma sono distribuiti sotto la TimesFM Non-Commercial License v1.0, una licenza che esclude esplicitamente l'uso commerciale e di produzione. Fonte: Google, TimesFM-3.0 (PyTorch), Hugging Face, 2026.
Nella pratica, questo significa una distinzione netta:
- Cosa puoi fare: usare TimesFM 3 internamente per generare previsioni a uso della tua stessa azienda, testarlo su dati reali, valutare se il tipo di previsione che produce è utile per le tue decisioni operative.
- Cosa non puoi fare: costruire un prodotto o un servizio che usa TimesFM 3 sotto il cofano e venderlo a clienti terzi. Un'agenzia o un fornitore di software non può impacchettare questo modello dentro una piattaforma commerciale senza violare la licenza.
Per una PMI che vuole solo prevedere i propri numeri, questo limite non è un ostacolo. Per chi invece vuole costruire un servizio di forecasting da rivendere, resta necessario ricorrere ad alternative con licenza commerciale o costruire un'infrastruttura di previsione proprietaria.
Come iniziare a testarlo
Testare TimesFM 3 non richiede competenze avanzate di machine learning, ma qualche passaggio va fatto nell'ordine giusto.
1. Prepara lo storico
Serve una serie temporale pulita: date coerenti, nessun buco significativo, unità di misura costante. Più storico hai (idealmente almeno uno o due anni), più il modello ha contesto stagionale su cui basare la previsione.
2. Aggiungi le covariate se le hai
Se conosci già eventi futuri rilevanti (una promozione pianificata, l'apertura di un nuovo punto vendita, una festività), aggiungili come covariata: è qui che TimesFM 3 fa la differenza rispetto a un modello che guarda solo il passato.
3. Valuta l'intervallo, non solo il numero centrale
Guarda il range tra il decimo e il novantesimo percentile della previsione, non solo il valore mediano. Un intervallo molto ampio ti dice che il modello ha poca certezza su quella previsione specifica, un'informazione utile quanto la previsione stessa per decidere quanto rischio prenderti. In questa fase di test, tratta l'output come supporto alla decisione umana, non come un ordine automatico da eseguire senza controllo: confronta la previsione con il buon senso di chi conosce il business, e solo dopo alcune settimane di riscontro valuta quanto peso darle nelle decisioni operative.
Come Ogaia costruisce sistemi di automazione e AI applicata per le PMI
In Ogaia | Soluzioni AI & Lead generation per Aziende Italiane progettiamo e gestiamo sistemi di automazione e acquisizione clienti su misura per PMI e professionisti italiani. Non vendiamo un modello isolato: costruiamo il processo attorno ai dati che l'azienda già possiede, che si tratti di prevedere quanti lead arriveranno il prossimo mese o di automatizzare la loro qualifica non appena arrivano.
Modelli come TimesFM 3 confermano una tendenza che osserviamo ogni giorno lavorando con le PMI italiane: l'intelligenza artificiale applicata smette di essere un esperimento e diventa uno strumento decisionale, a patto che qualcuno la integri correttamente nei processi reali dell'azienda. Se vuoi capire dove la tua azienda può usare previsioni, automazioni o sistemi di acquisizione clienti basati su AI, prenota una call gratuita di 45 minuti: uscirai con una mappa chiara dei tuoi processi, indipendentemente da quello che decidi di fare dopo.