Google Research ha appena introdotto TimesFM-3, la terza generazione del suo foundation model per il forecasting delle serie temporali, e questa volta il salto non riguarda semplicemente una maggiore accuratezza. Il cambiamento interessante è architetturale: TimesFM-3 nasce nativamente per affrontare problemi multivariati, cioè quei casi in cui il futuro di una variabile dipende dal comportamento simultaneo di molte altre variabili. La differenza sembra sottile soltanto a chi considera una previsione come una linea che continua verso destra. In un’azienda reale, quella linea quasi mai vive da sola. Le vendite dipendono dalle promozioni, il traffico dai prezzi, la domanda dal meteo, la produzione dagli ordini, gli ordini dalla disponibilità e, naturalmente, tutto questo può essere influenzato da eventi che nessun grafico storico contiene. Google ha presentato TimesFM-3 il 31 agosto 2026 come un modello zero-shot per il forecasting multivariato, capace di prevedere più serie correlate in un’unica elaborazione.
Il limite delle versioni precedenti era precisamente questo. Fino a TimesFM-2.5, rilasciato nel settembre 2025, la famiglia TimesFM era orientata al forecasting univariato: una serie temporale alla volta, utilizzando la propria storia. È una strategia efficace quando il fenomeno è sufficientemente autonomo, ma diventa fragile quando il business è governato da interdipendenze. Prevedere le vendite di gelato guardando soltanto le vendite precedenti significa ignorare traffico, prodotti complementari, promozioni, festività e condizioni meteorologiche. È un po’ come costruire un piano industriale osservando soltanto il bilancio dell’anno precedente e chiedersi poi perché il CFO continui a tossire durante le riunioni. Google usa proprio l’esempio del gelato per mostrare perché il forecasting aziendale richiede una rappresentazione più ricca del sistema.
TimesFM-3 introduce quindi una capacità che ha un valore strategico molto maggiore della semplice etichetta “multivariato”. Il modello può prevedere simultaneamente più serie che evolvono insieme, incorporare covariate conosciute soltanto nel passato e, soprattutto, utilizzare variabili di cui conosciamo già i valori futuri. Una promozione pianificata, una festività, un calendario commerciale o una previsione meteorologica possono quindi entrare direttamente nel processo di forecasting. Il modello non deve essere riaddestrato ogni volta che cambia il problema: la promessa di Google è un forecasting zero-shot nel quale i dati vengono forniti al modello senza richiedere un fine-tuning specifico per ogni applicazione.
La parte tecnicamente più interessante è dentro l’architettura. TimesFM-3 utilizza un Transformer decoder-only, ma organizza l’informazione attraverso una combinazione di attenzione temporale causale e attenzione tra le diverse variabili. La prima permette al modello di comprendere ciò che è accaduto nel tempo senza introdurre data leakage; la seconda consente a una serie di “guardare” le altre serie nello stesso momento e di apprendere correlazioni tra fenomeni differenti. Google descrive questa struttura come una griglia bidimensionale nella quale le relazioni temporali e quelle tra variabili vengono alternate attraverso gli strati Transformer. Non è una rivoluzione concettuale nel machine learning, ma è una soluzione estremamente pragmatica a uno dei problemi che rendono il forecasting industriale più difficile delle demo da laboratorio.
C’è poi un secondo dettaglio importante: TimesFM-3 abbandona il meccanismo autoregressivo delle versioni precedenti per generare l’intero orizzonte di previsione in un singolo forward pass. Utilizzando Contiguous Patch Masking, il modello presenta al Transformer il contesto osservato insieme a token mascherati relativi al futuro e ricostruisce simultaneamente l’orizzonte da prevedere. Questo riduce la necessità di generare una previsione dopo l’altra, limitando sia la latenza sia l’accumulo degli errori. Per applicazioni aziendali dove il forecasting deve essere eseguito frequentemente su migliaia di serie, la differenza non è accademica: la velocità di inferenza diventa una variabile economica.
TimesFM-3 dispone di 330 milioni di parametri ed è stato pre-addestrato su un corpus composto da dati reali e sintetici con oltre un trilione di punti temporali. Google afferma inoltre che il modello supporta nove quantili, dal decimo al novantesimo percentile, per ogni serie e per ogni punto dell’orizzonte. Questo significa che l’output non deve essere interpretato soltanto come una singola previsione puntuale, ma può rappresentare anche una distribuzione dell’incertezza. Per il management è un passaggio importante: “le vendite saranno 1,2 milioni” è una frase apparentemente precisa ma spesso priva di valore operativo; “il valore centrale è 1,2 milioni, con una distribuzione probabilistica attorno a questo scenario” è molto più vicino a ciò che serve per decidere scorte, capacità produttiva e capitale circolante.
I primi risultati dichiarati da Google sono aggressivi. TimesFM-3 risulta primo nei tre benchmark pubblici utilizzati nella valutazione, GIFT-Eval, FEV-Bench e TIME, considerando sia metriche di forecasting puntuale sia probabilistiche tra i foundation model confrontati. Google lo ha confrontato anche con modelli recenti dotati di capacità multivariate, inclusi Chronos-2 e la famiglia Toto 2.0, oltre che con TimesFM-2.5. La società precisa però un elemento metodologico che vale la pena sottolineare: TimesFM-3 viene valutato sia in modalità univariata sia in modalità multivariata, e il vantaggio maggiore emerge quando può utilizzare informazioni cross-series e covariate. È una distinzione importante perché “primo benchmark” non significa automaticamente “migliore modello per ogni dataset aziendale”. I benchmark misurano determinati scenari; il mondo industriale, come spesso scoprono i consulenti dopo aver fatturato la prima fase del progetto, tende ad avere opinioni differenti.
Il caso delle promozioni mostra invece perché il modello può diventare interessante per il business. Google presenta uno scenario nel quale una campagna promozionale futura viene passata come covariata e TimesFM-3 anticipa un incremento delle vendite nei giorni interessati, arrivando nell’esempio illustrativo a circa il 20% di crescita durante le promozioni. Non bisogna trasformare quell’esempio in una promessa universale di accuratezza commerciale, perché quel 20% appartiene allo scenario dimostrativo di Google. Il punto metodologico è un altro: il modello può utilizzare una variabile futura conosciuta per modificare la previsione della domanda. È esattamente ciò che serve nei sistemi di demand planning, revenue forecasting, inventory optimization e capacity planning.
La disponibilità del modello è altrettanto significativa. Google ha pubblicato TimesFM-3 su GitHub e Hugging Face e ha annunciato un’integrazione con BigQuery in arrivo nelle prossime settimane. Il modello PyTorch disponibile su Hugging Face pesa 330 milioni di parametri ed è distribuito con una licenza specifica non commerciale. Qui arriva la parte meno glamour, ma più importante per un CTO: “open” non significa automaticamente “production ready”. Il codice del repository TimesFM ha componenti sotto Apache 2.0, ma i pesi pre-addestrati di TimesFM-3 sono soggetti alla TimesFM Non-Commercial License v1.0, che limita esplicitamente l’utilizzo a finalità non commerciali e non produttive. Per utilizzare il modello in produzione o in attività commerciali occorre un’autorizzazione commerciale da Google, che può comportare condizioni economiche ulteriori.
Questa restrizione cambia parecchio la lettura industriale del rilascio. TimesFM-3 è immediatamente interessante per ricerca, benchmarking, prototipazione e valutazione interna, ma non dovrebbe essere inserito domani in un sistema che decide automaticamente gli ordini di un retailer o l’allocazione finanziaria di un’azienda senza prima chiarire i diritti di utilizzo. La licenza stabilisce esplicitamente che anche l’uso in attività generatrici di ricavi, nelle interazioni dirette con utenti finali o nei sistemi di produzione non rientra nella definizione di uso non commerciale.
Il significato più ampio di TimesFM-3 è quindi interessante perché sposta il discorso sui foundation model dall’analisi del linguaggio alla modellazione dei sistemi economici. Un LLM cerca pattern nel linguaggio; un time-series foundation model cerca pattern nel comportamento dei sistemi nel tempo. La differenza è sostanziale. Se questa traiettoria continua, il forecasting potrebbe progressivamente diventare una capacità infrastrutturale incorporata nei sistemi ERP, CRM, supply chain, osservabilità e pianificazione finanziaria, con modelli generalisti capaci di adattarsi a dataset nuovi senza il rituale aziendale del “dobbiamo addestrare un modello dedicato”.
Il punto da osservare non è quindi soltanto se TimesFM-3 batta qualche benchmark. È se un modello da 330 milioni di parametri, pre-addestrato su oltre un trilione di punti temporali e capace di comprendere contemporaneamente serie correlate e segnali futuri, possa ridurre il costo organizzativo del forecasting. Se la risposta sarà sì, l’effetto potrebbe essere più importante dell’ennesima guerra tra chatbot. Perché prevedere bene la domanda, la capacità, il traffico, il rischio o i ricavi significa intervenire prima che il problema diventi visibile nel conto economico. E questa, curiosamente, è una delle poche promesse dell’AI che non ha bisogno di fingere di essere fantascienza per risultare economicamente interessante.