TimesFM: o modelo do Google que prevê vendas e demanda

TimesFM (Time Series Foundation Model) é um modelo de previsão de séries temporais desenvolvido pelo Google Research, com 13.740 stars no GitHub em abril de 2026. Diferente de modelos treinados para uma tarefa específica, o TimesFM foi pré-treinado em 100 bilhões de pontos de dados temporais — e consegue prever tendências em qualquer conjunto de dados sem retreinamento. Vendas mensais, demanda de estoque, volume de leads, cliques em anúncios: qualquer dado que muda ao longo do tempo. A versão mais recente, o TimesFM 2.5, ganhou suporte a AGENTS em março de 2026, abrindo integração com fluxos de automação autônomos. O modelo já está disponível no BigQuery como produto oficial do Google, mas o repositório open-source permite uso gratuito em qualquer infraestrutura. Para negócios que pagam R$300–R$2.000/mês em ferramentas de forecast, este é o substituto direto.

O que faz

TimesFM resolve o problema de prever o que vai acontecer com qualquer métrica que varia no tempo. Vendas da próxima semana. Volume de leads no próximo mês. Demanda por produto na virada de trimestre.

O diferencial é ser um modelo fundação (foundation model) — o mesmo conceito dos LLMs como GPT-4, mas especializado em dados numéricos sequenciais. Não é necessário treinar do zero nem ter milhares de linhas de histórico. O modelo já foi treinado com padrões temporais de múltiplos domínios e faz previsões com poucos exemplos.

Na prática: conecta-se a série histórica (CSV, banco de dados, BigQuery), define-se o horizonte de previsão (7 dias, 30 dias, 90 dias) e recebe-se a previsão com intervalo de confiança. A API é Python, com integração nativa ao ecossistema Hugging Face. Para quem trabalha com vibe coding e automatiza processos com IA, a curva de entrada é relativamente baixa.

Por que está em alta

Em março de 2026, o projeto recebeu suporte a AGENTS. Em vez de gerar uma previsão e parar, o modelo passa a operar dentro de fluxos autônomos — aciona ações baseadas nas previsões sem intervenção manual.

O TimesFM foi apresentado no ICML 2024 (uma das conferências mais respeitadas de machine learning) e acumula 13.740 stars desde o lançamento. A atividade no repositório é consistente: commit há 1 dia, score de saúde 84/100. O fato de estar disponível no BigQuery como produto oficial do Google — e não só como experimento de pesquisa — sinaliza maturidade da tecnologia.

Métricas do repositório

Métrica	Valor
Stars	13.740
Licença	Apache-2.0
Último update	Abril 2026
Linguagem	Python
Contributors	21

Para quem serve — e para quem não serve

Serve para:

Empresas com histórico de vendas, leads, tráfego ou qualquer KPI temporal acima de 3 meses
Times de marketing que precisam prever volume de campanhas para alocar budget — especialmente útil para quem otimiza Google Ads com IA e quer antecipar picos de demanda
E-commerces que querem ajustar estoque antes de datas sazonais
Negócios que hoje usam Excel ou planilha para tentar prever o futuro

Não serve para:

Quem não tem equipe técnica mínima — a instalação exige Python e familiaridade com terminal
Séries históricas muito curtas (menos de 30 pontos comprometem a qualidade)
Previsões que dependem de fatores externos não capturados em dados históricos: lançamentos de produto, crises políticas, sazonalidades extremas sem histórico equivalente

Alternativas

Prophet (Meta) — open-source, modelo estatístico clássico, não fundação. Disponível em Python e R. Mais simples, menos preciso em séries complexas. Custo: zero.

Nixtla TimeGPT — API de previsão baseada em LLM, mais plug-and-play. Plano gratuito limitado, pago a partir de US$50/mês (~R$290). Para quem quer resultado sem código, é o caminho mais rápido.

Forecast Pro — software pago focado em demanda corporativa, começa em US$1.495/ano (~R$8.600). Mais fácil de usar, sem flexibilidade de integração com automações próprias.

Para quem quer controle total, custo zero e uso comercial sem restrições, TimesFM supera as alternativas pagas.

Veredicto

TimesFM é o modelo de previsão open-source mais robusto disponível hoje para uso comercial. Licença Apache-2.0, suporte a AGENTS, respaldo do Google Research e disponibilidade no BigQuery. O único obstáculo real é técnico: exige Python. Para negócios que pagam mensalidade em ferramentas de forecast, vale a análise de migração.

Fonte: timesfm no GitHub