Pronóstico de demanda con IA: por qué dejó de ser un proyecto de seis meses
Todas las semanas tomás una decisión que es un pronóstico, aunque no la llames así. Cuánto stock comprás. Cuánta gente ponés el sábado. Cuánta caja vas a tener en noviembre. En la mayoría de las empresas eso se resuelve con el promedio de los últimos tres meses y el olfato de alguien que hace veinte años que está. Funciona hasta que deja de funcionar, y cuando falla no te enterás por un reporte: te enterás por la mercadería que quedó parada o por el cliente al que le dijiste que no tenías.
El 31 de agosto Google publicó TimesFM-3, y el detalle que importa no es técnico. Es que ese modelo ya viene entrenado. No hay que entrenarlo con la historia de tu empresa: le pasás tu serie de ventas y devuelve el pronóstico. Eso cambia el pronóstico de demanda con IA de proyecto a herramienta, y cambia quién puede usarlo.
Antes esto era un proyecto, y por eso casi nadie lo hizo
Hasta ahora, pronosticar con machine learning en una empresa mediana tenía un camino conocido y caro. Alguien juntaba los datos, elegía un modelo, lo entrenaba con tu historia, lo validaba, lo ponía a correr y después había que mantenerlo cuando el negocio cambiaba. Meses de trabajo y un perfil técnico que hay que contratar o tercerizar. Para una empresa que factura bien pero no tiene equipo de datos, la cuenta nunca cerraba.
Lo que hicieron los modelos fundacionales de series temporales es sacar la parte cara. TimesFM-3 tiene 330 millones de parámetros y viene pre-entrenado sobre más de un billón de puntos de series de tiempo reales y sintéticas, de rubros distintos. Aprendió cómo se comportan las series antes de conocer la tuya. Google lo llama zero-shot: funciona sin ajuste específico para tu tarea.
Google mide el modelo contra tres benchmarks públicos de pronóstico (Gift-Eval, FEV-Bench y Time) y reporta el primer puesto en los tres, tanto en precisión del número como en la calidad del rango, comparado con otros modelos fundacionales del mismo tipo. Los pesos están publicados en GitHub y Hugging Face.
El ejemplo de Google es exactamente el problema de un negocio
El caso que usan para explicarlo no es abstracto y vale la pena mirarlo, porque es el que te pasa a vos. Una cadena que vende helados quiere saber cuánto va a vender el mes que viene, y está armando el calendario de promociones.
Un modelo que sólo mira las ventas pasadas proyecta el patrón semanal hacia adelante y listo. No tiene forma de saber que el jueves 12 hay una promo, así que ese día lo pronostica igual que cualquier otro jueves. El modelo nuevo toma el calendario de promociones como un dato más y anticipa la suba en cada día de promoción, que en el ejemplo de Google es de alrededor del 20%.
La diferencia entre esos dos pronósticos es plata concreta: es el stock que ponés en la góndola el día que sabés que va a venir más gente. Y la parte interesante es que ese calendario de promociones ya lo tenés escrito. La información existía, lo que no existía era la forma barata de meterla en la cuenta.
Lo mismo aplica a cosas que ya sabés del futuro y hoy no usás para proyectar: los feriados, la campaña de publicidad que arranca el lunes, la fecha en la que te sube el proveedor, la temporada. El modelo también puede mirar varias series a la vez y aprender cómo se afectan entre ellas, que es lo que pasa cuando una promo en un producto te mueve las ventas de otro.
Lo que un CEO tiene que pedirle al pronóstico: un rango, no un número
Acá está la parte que casi nadie explica y que es la que convierte un pronóstico en una decisión.
El modelo no devuelve un número solo. Devuelve nueve escenarios, del percentil 10 al percentil 90. Traducido: te dice que en el peor de los casos razonables vas a vender 80 unidades, que lo más probable son 120, y que en el mejor de los casos razonables llegás a 175.
Con un número solo no podés decidir nada, porque no sabés cuánto margen de error tenés. Con el rango sí, y el criterio es de negocio, no de estadística. Si el producto no se vence, ocupa poco y perder la venta te duele mucho, comprás cerca del techo del rango: el costo de que te sobre es bajo. Si el producto se vence, inmoviliza plata o paga depósito, comprás cerca del medio y asumís que algún día te vas a quedar corto.
Esa decisión, la de dónde pararte dentro del rango, no la toma el modelo. La toma el que conoce el margen del producto y el costo de quedarse sin stock. Es la misma lógica de la que hablo en cómo calcular el retorno de adoptar IA: la herramienta da el insumo, el criterio lo ponés vos.
Qué necesita tu empresa para probarlo, y qué no
Lo que hace falta es menos de lo que la gente supone. Necesitás la historia de ventas por día y por producto, que ya está en tu sistema de facturación o en tu punto de venta, con la mayor cantidad de meses que tengas. Necesitás también la lista de lo que ya sabés que va a pasar: promociones, feriados, campañas, cierres por vacaciones. Y necesitás que alguien sepa exportar eso a una tabla ordenada, que es un trabajo de horas, no de meses.
Lo que no necesitás es contratar un equipo de datos, montar un data lake ni entrenar nada. Google dejó dicho que la integración de TimesFM-3 con BigQuery llega en las próximas semanas, y que mientras tanto se puede usar la versión anterior desde el comando AI.FORECAST, sin experiencia en machine learning. Para una prueba honesta con un producto y unos meses de historia, eso alcanza.
Sobre qué parte de tu operación conviene resolver con un modelo y qué parte se resuelve con una regla simple, lo desarrollé en cuándo usar IA y cuándo no. El pronóstico es de los casos donde un modelo gana de verdad, porque el resultado es incierto por naturaleza y ninguna regla fija lo resuelve.
Cómo lo probaría en una empresa de acá, sin comprar nada
La forma de que esto no termine en una demo linda que nadie usa es ponerle una fecha y un número desde el principio.
Elegí un solo producto o una familia que te duela hoy. El que se te vence, el que se te agota siempre, o el que te tiene la plata parada. Uno, no veinte.
Después corré el pronóstico en paralelo durante ocho semanas, sin cambiar todavía cómo comprás. Cada semana anotás dos números: lo que decía tu método actual y lo que decía el modelo. Al final comparás los dos contra lo que pasó de verdad, y mirás el error promedio de cada uno.
Recién ahí decidís. Si el modelo no le gana a tu método actual, no lo adoptes, y ya sabés algo que antes no sabías. Si le gana, la pregunta siguiente no es técnica: es cuánto capital dejás de inmovilizar y cuántas ventas dejás de perder con esa diferencia. Ese número es el que justifica seguir.
Si querés hacer este ejercicio sobre tu propia operación y no sobre un ejemplo de helados, es de las cosas que miramos en una asesoría uno a uno: qué producto conviene elegir primero, cómo armar la tabla y cómo leer el resultado sin engañarse.
Dónde se rompe, para que no te lo vendan mal
Un modelo de pronóstico es bueno con el pasado y ciego con lo que nunca pasó. Hay tres situaciones donde no lo usaría, o al menos no lo usaría solo.
La primera es un producto nuevo, sin historia. No hay serie que mirar, y ningún modelo la inventa. Ahí seguís con criterio comercial y comparables.
La segunda es un cambio de régimen. Si saltaste de precios, si cambiaste de proveedor, si el tipo de cambio se movió fuerte o si abriste un local nuevo, la historia anterior describe un negocio que ya no existe. El modelo va a seguir proyectando el mundo viejo con mucha seguridad, que es la forma más peligrosa de equivocarse.
La tercera es la más común y no tiene nada que ver con la tecnología: si el pronóstico no va a cambiar ninguna decisión, no lo hagas. Si la compra la define el mínimo del proveedor o el crédito que te dan, tener un número mejor no te sirve de nada. Primero mirá qué decisión querés mover, después buscá el pronóstico.
Preguntas frecuentes sobre el pronóstico de demanda con IA
¿Qué es un modelo fundacional de series temporales?
Es un modelo pre-entrenado con millones de series de tiempo de muchos rubros distintos, que aprendió cómo se comportan las series en general antes de ver la tuya. Por eso puede pronosticar tus ventas sin que nadie lo entrene con tus datos, igual que un modelo de lenguaje escribe sin haber leído tus mails.
¿Cuántos meses de historia necesito para pronosticar?
Cuantos más, mejor, y sobre todo conviene tener al menos un ciclo completo del negocio: si tu venta tiene estacionalidad anual, un año de historia vale mucho más que seis meses. Con series muy cortas el resultado va a ser pobre, y ahí el problema no es el modelo sino que no hay información suficiente para proyectar nada.
¿Sirve para una empresa de servicios o sólo para las que venden productos?
Sirve para cualquier cosa que se pueda contar por período: consultas por día en una clínica, tickets de soporte por semana, cobranzas por mes, horas facturables por profesional. La lógica es la misma y las decisiones también, porque en servicios el equivalente al stock es la gente que ponés en el turno.
¿Reemplaza a la persona que hoy hace las compras?
No, le cambia el trabajo. El modelo pone el número y el rango; la persona pone lo que el modelo no sabe: que ese cliente grande se va a llevar la mitad del lote, que el proveedor entrega con dos semanas de atraso, que la promo del mes que viene se puede caer. La combinación funciona mejor que cualquiera de las dos por separado.
¿Cuánto cuesta probarlo?
La prueba inicial es barata, porque el modelo está publicado con pesos abiertos y el costo real es el tiempo de armar la tabla de datos y de correrlo unas semanas en paralelo. El gasto grande aparece recién si decidís integrarlo a la operación, y para ese momento ya vas a tener medido si te conviene.
Próximos pasos para pronosticar mejor la demanda
Lo que cambió esta semana no es que ahora se pueda pronosticar con inteligencia artificial: eso se podía hace años y costaba lo que costaba. Cambió que dejó de hacer falta un proyecto para averiguar si en tu empresa sirve. La prueba entra en un par de semanas de trabajo y termina con un número que se puede discutir en una reunión.
Si querés saber por dónde arrancar y qué tan lejos está tu operación de poder hacer esto, el autodiagnóstico de adopción de IA son 13 preguntas y cinco minutos, y te ubica en qué estado están tus datos y tus procesos. Y si el que tiene que aprender a hacer estas pruebas es tu equipo, es lo que enseño en Pymbú Academy.
Fuentes: Google Research, "TimesFM-3: A zero-shot foundation model for multivariate forecasting", 31 de agosto de 2026, con los benchmarks Gift-Eval, FEV-Bench y Time y el ejemplo de pronóstico con promociones; pesos publicados en GitHub y Hugging Face.
