Google Research mantiene abierto en GitHub un modelo de previsión de series temporales, TimesFM, cuya última versión es la 2.5. Se distribuye con licencia Apache 2.0 y se instala con una línea de pip. La diferencia con lo que la mayoría de empresas tiene montado hoy no está en la precisión, sino en el punto de partida: este modelo no se entrena con los datos de cada cliente, sino que ya viene entrenado y produce una previsión sobre una serie que no ha visto nunca.
Qué hace exactamente
Una serie temporal es cualquier cosa medida a lo largo del tiempo: unidades vendidas por referencia y semana, llamadas recibidas por hora, consumo eléctrico por planta, saldo de tesorería por día. La previsión de esas series es un problema clásico y bien resuelto desde hace décadas, con una condición incómoda: cada serie necesitaba su propio modelo, ajustado, validado y mantenido.
TimesFM rompe esa condición. Es un modelo de tipo decodificador, presentado en la conferencia ICML de 2024, entrenado sobre un volumen grande y heterogéneo de series de todo tipo. A la hora de usarlo se le pasa el histórico de una serie y devuelve la continuación, sin fase de entrenamiento previa. Es el mismo principio por el que un modelo de lenguaje responde sobre un texto que no estaba en su entrenamiento.
Lo que trae la versión 2.5
- 200 millones de parámetros, menos que los 500 millones de la versión 2.0. El modelo ha adelgazado, no engordado, lo que abarata el despliegue.
- Contexto de hasta 16.000 puntos, frente a los 2.048 anteriores. Con datos diarios eso son más de cuarenta años de histórico admitidos de una vez.
- Previsión por cuantiles hasta un horizonte de 1.000 pasos: no devuelve solo la cifra central, sino la banda entre el percentil 10 y el 90.
- Variables externas mediante el módulo XReg, incorporado en octubre de 2025, para meter en la ecuación cosas como promociones, festivos o precio.
- Ajuste fino con Transformers de Hugging Face y LoRA, para quien quiera especializarlo en su dominio.
Por qué importa en una dirección de operaciones
El cuello de botella de la previsión en una empresa mediana casi nunca ha sido el algoritmo. Ha sido el coste de tener a alguien manteniendo un modelo por referencia, por tienda o por línea. Con dos mil referencias, ese coste convierte el proyecto en inviable y la organización acaba planificando con la media de los últimos tres meses y el criterio del jefe de compras.
Un modelo preentrenado cambia esa cuenta. La previsión de dos mil series pasa a ser una tarea de cálculo, no un proyecto de contratación. Eso abre la puerta a lo que hasta ahora se quedaba fuera: reposición por referencia y almacén, dimensionado de turnos, previsión de tesorería a noventa días, capacidad de atención al cliente por franja.
La banda de cuantiles merece una mención aparte, porque es lo que de verdad se usa para decidir. Un responsable de compras no necesita saber que se venderán 412 unidades; necesita saber que con un 90% de probabilidad no pasarán de 480, que es el número con el que se dimensiona el stock de seguridad.
Lo que no hace, y conviene decirlo antes de empezar
No explica por qué. Devuelve una continuación de la serie, no un diagnóstico. Si las ventas caen, ahí no está la razón.
No sabe nada que no esté en los datos. Una promoción, una huelga o la apertura de un competidor solo entran si se le pasan como variable externa. Sin eso, el modelo prolonga el patrón que ve.
No es un producto soportado. El propio repositorio advierte de que esta versión abierta no es un producto oficialmente soportado por Google. Para un uso serio hay que asumir el mantenimiento, con lo que eso implica de dependencias y versiones.
Y no sirve para los mercados financieros. Conviene aclararlo porque es la primera pregunta que aparece. El precio de un activo cotizado se comporta a efectos prácticos como un paseo aleatorio, y ningún previsor general extrae señal de ahí. Cualquier prueba retrospectiva que diga lo contrario suele estar filtrando información del futuro. Las series que sí se predicen bien son las que tienen estructura repetida: demanda, tráfico, consumo, llamadas.
Cómo comprobar si aporta algo en un caso concreto
La comprobación es barata y se puede hacer en una tarde, con datos propios y sin comprar nada. Consiste en tres pasos:
- Tomar el histórico de un conjunto representativo de series y cortarlo, dejando fuera los últimos tres meses.
- Pedir la previsión de esos tres meses y compararla con lo que realmente pasó, midiendo el error con una métrica porcentual como el WAPE.
- Comparar ese error con el de la regla que se usa hoy. Suele ser una media móvil o el mismo periodo del año anterior. Si el modelo no bate a esa regla con holgura, no compensa el cambio.
Ese último punto es el que decide. Un modelo preentrenado que empata con una media móvil no justifica ni el despliegue ni el mantenimiento. Uno que reduce el error un veinte por ciento sobre dos mil referencias sí, y el ahorro se calcula en stock inmovilizado y en roturas evitadas, no en la métrica.
La recomendación, en resumen: es una pieza madura, gratuita y con licencia permisiva que merece la prueba en cualquier empresa con muchas series que hoy planifica a ojo. No es un sustituto de un equipo de datos donde ya lo hay, y no tiene nada que ofrecer a quien busque anticipar mercados.