Cos'è Timestral
Timestral è la prima famiglia di modelli di Mistral AI per le previsioni sulle serie storiche: gli dai lo storico di un numero che cambia nel tempo (vendite, ordini, incassi, consumi, letture di un sensore) e lui calcola come proseguirà. Non scrive testo e non ci si chatta: fa una cosa sola, prevedere numeri. Funziona in modalità zero-shot, cioè senza essere addestrato sui tuoi dati e senza fine-tuning. Mistral l'ha annunciato il 15 ottobre 2026 e i pesi sono scaricabili gratuitamente. Fonte: Mistral AI, Timestral, 2026.
Per una PMI italiana contano due punti: si può usare in produzione e dentro un servizio commerciale, e gira su un normale processore, senza scheda grafica dedicata.
Su una CPU a 8 thread, Timestral prevede il giorno successivo partendo da tre settimane di dati raccolti ogni 15 minuti in 140 millisecondi con il modello da 209 milioni di parametri, e in 10 millisecondi con quello da 5 milioni. Fonte: Mistral AI, 2026.
Come funziona Timestral
Il funzionamento si capisce in tre passaggi: cosa gli dai, cosa gli aggiungi di quello che sai già, cosa ti restituisce.
1. Gli dai lo storico dei tuoi numeri
Timestral legge una sequenza di valori nel tempo: le vendite di ogni giorno, i coperti di ogni sera, i chilowattora ogni quarto d'ora. Tutti e quattro i modelli accettano fino a 32.768 passi di storico e prevedono fino a 1.024 passi in un colpo solo. Con dati giornalieri vuol dire leggere decenni di storico; con dati ogni 15 minuti, quasi un anno. Fonte: Hugging Face, Timestral-209M, 2026.
Può lavorare su una serie sola (le vendite di un prodotto) o su più serie insieme (le vendite di più prodotti che si influenzano a vicenda).
2. Gli aggiungi quello che sai già
Il modello accetta le cosiddette covariate: informazioni che aiutano la previsione. Alcune le conosci in anticipo (le festività, le promozioni in calendario, il meteo previsto, un fermo impianto programmato), altre le conosci solo per il passato (la spesa pubblicitaria dei mesi scorsi, la domanda reale). In pratica, se a dicembre hai già pianificato una promozione, Timestral la tiene in conto e non scambia il picco di vendite per un'anomalia.
3. Ti restituisce un intervallo, non un numero secco
La previsione esce in 21 quantili: non "venderai 120 pezzi", ma una forchetta con le probabilità, per esempio "molto probabilmente tra 100 e 140, quasi sicuramente non sotto 85". Per chi decide è l'informazione più utile, perché permette di scegliere quanto rischio prendersi: ordinare per lo scenario medio o coprirsi per quello alto. Fonte: Hugging Face, Timestral-209M, 2026.
Timestral per le PMI italiane: dove serve davvero
Per molte PMI un modello come questo vale più di un chatbot, perché le decisioni che fanno guadagnare o perdere soldi sono quasi sempre previsioni. Gli esempi più diretti:
- Magazzino: quanto ordinare il mese prossimo, senza merce ferma né scaffali vuoti.
- Ristorazione e alimentare: quanto preparare domani, con meno sprechi a fine giornata.
- Personale: quante persone mettere in turno in negozio, in hotel o al servizio clienti.
- Cash flow: quando entrano gli incassi e quale mese rischia di andare corto.
- Energia: quanto consumerai e in quali fasce orarie, per spostare i carichi o rinegoziare il contratto.
- Produzione: le letture dei sensori delle macchine, per accorgerti di una deriva prima del guasto.
- Commerciale: quanti contatti arriveranno dalle campagne nelle prossime settimane, per dimensionare chi li deve richiamare.
Timestral esce in quattro taglie, e la scelta dipende da dove deve girare e da quanta precisione serve.
| Modello | Parametri | Quando sceglierlo |
|---|---|---|
| Timestral-5M | 5 milioni (circa 21 MB) | Dispositivi piccoli, tante serie da prevedere in fretta (10 ms nel test di Mistral) |
| Timestral-28M | 28 milioni | Il compromesso: supera Chronos-2, circa 4 volte più grande, su due classifiche su tre |
| Timestral-123M | 123 milioni | Più precisione restando leggero su un server normale |
| Timestral-209M | 209 milioni | La massima precisione, sempre su CPU (140 ms nel test di Mistral) |
Secondo Mistral ogni taglia è la più precisa tra i modelli della sua dimensione. Fonte: Mistral AI, 2026. Il peso del modello piccolo: Hugging Face, Timestral-5M, 2026.
Come l'AI sta trasformando le previsioni nel 2026: Timestral, TimesFM 3 e Chronos-2
Fino a pochi anni fa una previsione affidabile richiedeva un modello costruito apposta per ogni azienda, con un data scientist e settimane di lavoro. I modelli "di base" per le serie storiche come Timestral, TimesFM 3 di Google e Chronos-2 di Amazon hanno cambiato l'approccio: sono addestrati una volta su moltissimi dati e funzionano subito su serie che non hanno mai visto. Ne avevamo parlato a proposito di TimesFM 3 di Google e delle previsioni di vendite e lead.
Il modello da 209 milioni di parametri è primo tra i modelli zero-shot su tre classifiche indipendenti: GIFT-Eval (su 83 modelli), TIME (35) e fev-bench (37), davanti a TimesFM 3, che ha 330 milioni di parametri (fonte: Google Research, TimesFM-3, 2026). Fonte della classifica: Mistral AI, 2026.
| Timestral (Mistral) | TimesFM 3 (Google) | |
|---|---|---|
| Parametri | Da 5 a 209 milioni | 330 milioni |
| Classifiche zero-shot | 1° su GIFT-Eval, TIME e fev-bench | Dietro a Timestral-209M |
| Licenza | MIT modificata: uso commerciale consentito | Pesi non commerciali (per lavoro solo tramite Google Cloud) |
| Origine | Europa (Francia) | Stati Uniti |
C'è poi un uso che unisce i due mondi. Nell'esempio di Mistral, Timestral segnala un'anomalia su una pompa e un agente basato su un modello linguistico confronta i segnali storici, legge i dati di manutenzione, i registri dei turni e i manuali e prepara una diagnosi delle cause. Il modello numerico vede, quello linguistico ragiona: è lo schema su cui si costruiscono gli agenti AI per le PMI.
Quanto costa usare Timestral
Il modello in sé non costa niente: i pesi si scaricano gratis da Hugging Face (su GitHub c'è il codice per usarli). Il punto che decide se una PMI può usarlo è la licenza, una MIT modificata: lo usi in produzione e ci puoi costruire sopra un servizio da vendere. L'unico limite riguarda le aziende con ricavi consolidati superiori a 20 milioni di dollari al mese, che devono chiedere a Mistral una licenza commerciale. Per praticamente qualsiasi PMI italiana è via libera. Fonte: Licenza di Timestral-209M, Hugging Face, 2026.
Il secondo punto che abbassa i costi è l'hardware. Non serve una GPU: tutti e quattro i modelli girano su un normale processore, quindi su un server che l'azienda ha già o su un servizio cloud di base. Il costo vero di un progetto di previsione non è il modello, ma il lavoro intorno, che vediamo tra poco.
C'è anche un vantaggio che non si vede in fattura: poiché i pesi si scaricano e il modello gira su un computer dell'azienda, i numeri non devono uscire dall'azienda. Vendite, incassi e consumi restano sul tuo server, senza passare da un servizio esterno che li riceve e li elabora altrove. Per chi lavora con dati commerciali riservati, o deve rispettare accordi con i propri clienti su dove finiscono i dati, è spesso la ragione che fa preferire un modello aperto a un servizio in cloud. Se stai valutando l'hardware per far girare modelli in casa, ne abbiamo parlato nella guida su quale computer comprare per l'AI in locale: per Timestral basta molto meno di quello che serve a un modello linguistico.
Le voci di lavoro sono queste:
- Raccogliere e pulire i dati: estrarli dal gestionale, dal registratore di cassa o dai sensori, con date coerenti e senza buchi.
- Collegare il risultato a una decisione: una previsione serve se arriva a chi ordina, a chi fa i turni o a chi guarda la cassa, nel momento giusto e in una forma che capisce.
- Controllare nel tempo: confrontare ogni mese le previsioni con quello che è successo davvero, per capire quanto fidarsi.
Come iniziare: i 3 passi per una PMI italiana
1. Scegli una sola serie e una sola decisione
Non partire da "prevediamo tutto". Scegli il numero che pesa di più sui tuoi soldi (gli ordini al fornitore principale, i coperti del weekend, gli incassi del mese) e la decisione che ne dipende.
2. Metti insieme almeno uno o due anni di storico
Più storico c'è, più il modello riconosce stagionalità e ricorrenze. Aggiungi le covariate che conosci in anticipo: festività, promozioni, chiusure.
3. Fai un test a ritroso prima di fidarti
Prendi lo storico fino a tre mesi fa, fai prevedere gli ultimi tre mesi e confronta la previsione con quello che è successo davvero. Se la forchetta prevista contiene quasi sempre il valore reale, puoi cominciare a usarla per decidere.
Come Ogaia costruisce sistemi di previsione per le PMI
In Ogaia | Soluzioni AI & Customer generation per Aziende Italiane costruiamo sistemi AI che lavorano sui numeri reali dell'azienda: colleghiamo i dati del gestionale, delle campagne o dei sensori, scegliamo il modello adatto (con Timestral oggi anche uno europeo con licenza commerciale) e portiamo la previsione dove serve, in una dashboard o dentro un agente che avvisa la persona giusta.
Il risultato è una decisione presa con un intervallo di probabilità davanti, invece che a sensazione. Se vuoi capire quale dei tuoi numeri conviene prevedere per primo, prenota una call gratuita di 45 minuti: uscirai con una mappa chiara dei tuoi colli di bottiglia, indipendentemente da quello che decidi di fare dopo.