Un patron de restaurant me disait la semaine dernière : « Mes commandes, je les fais au feeling. Ça fait vingt ans que ça marche. » Vingt ans, c’est vrai. Mais le feeling, ça ne se transmet pas, ça ne se vérifie pas, et le jour où il y a une promo sur la place, un pont de mai ou une fermeture de rue, il faut recommencer à zéro.
Le 31 août, Google Research a mis en ligne un modèle qui s’attaque précisément à ça. Il s’appelle TimesFM-3. Et pour la première fois, ce genre d’outil devient utilisable sans équipe de data scientists — ce qui, concrètement, change la donne pour une entreprise de dix personnes.
Ce que Google a mis en ligne
TimesFM, c’est un modèle de prévision de séries temporelles. Traduction : il regarde un historique de chiffres — des ventes, des passages, des commandes, un chiffre d’affaires — et il en déduit la suite.
La version 3 pèse 330 millions de paramètres. Elle a été pré-entraînée sur plus de mille milliards de points de données, et elle sort première des trois grands benchmarks publics de prévision (Gift-Eval, FEV-Bench, TIME) parmi les modèles pré-entraînés, devant Chronos-2 d’Amazon et devant son propre prédécesseur TimesFM-2.5.
Les poids sont téléchargeables sur Hugging Face, le code est sur GitHub, et une intégration BigQuery est annoncée pour les prochaines semaines — avec la commande `AI.FORECAST`, qui ne demande aucune compétence en machine learning. Le détail complet est dans l’annonce de Google Research.
Ce que ce modèle fait que les autres ne faisaient pas
Trois changements, et c’est là que ça devient intéressant pour vous.
Il prévoit plusieurs courbes en même temps
Jusqu’ici, ces modèles prévoyaient une seule courbe à la fois. Ils regardaient l’historique des ventes d’un produit et projetaient la suite, sans rien savoir du reste.
TimesFM-3 prévoit plusieurs séries ensemble et apprend ce qui les relie. L’exemple donné par Google est parlant : pour prévoir les ventes de glaces d’un magasin, il ne se contente pas de l’historique des glaces — il regarde aussi les cornets, les sirops, la fréquentation, parce que ces courbes bougent ensemble. Chez vous, ça veut dire : les ventes par produit, par jour, par service, par boutique, qui se parlent enfin entre elles au lieu d’être prévues chacune dans son coin.
Il accepte ce que vous savez déjà de l’avenir
C’est le point le plus important. La plupart des modèles ne jurent que par le passé. TimesFM-3 sait prendre en entrée des événements futurs connus de vous seuls : une promotion planifiée, un jour férié, des vacances scolaires, une fermeture pour travaux, une météo annoncée.
Résultat dans l’exemple de Google : le modèle anticipe un bond d’environ 20 % des ventes sur chaque jour de promotion — parce qu’après avoir observé l’historique, il comprend que « promo » veut dire « plus de ventes », et il applique ce qu’il a appris aux jours à venir. Un modèle classique, lui, ne voit pas la promo et se trompe.
Vous n’avez pas besoin d’un data scientist pour ça. Vous avez besoin de savoir ce que vous avez prévu. Ce que vous savez déjà.
Il donne une fourchette, pas un chiffre
Le modèle sort neuf quantiles, du 10ᵉ au 90ᵉ percentile. Autrement dit, pour chaque jour, il vous dit « entre 40 et 55 couverts, le plus probable étant 47 ». C’est infiniment plus utile pour décider qu’un « 47 » sec, qui donne l’illusion d’une précision que personne n’a.
Pourquoi ça peut changer la donne
Le coût de la prévision s’écroule
Faire de la prévision sérieuse demandait jusqu’ici trois choses : des données, un statisticien, du temps. Le modèle prédit sans entraînement — c’est le sens de « zero-shot » : on lui donne votre historique, il travaille, point. Ce n’est pas la même bascule que l’effondrement du coût des modèles de langage, mais le principe est identique : ce qui était réservé aux grandes structures passe à portée d’une TPE.
Ça attaque le vrai poste de douleur
Une entreprise ne perd pas d’argent parce qu’elle prévoit mal « en général ». Elle perd de l’argent sur trois postes très concrets :
- Le stock : trop commandé, c’est de la trésorerie qui dort ; pas assez, c’est une vente perdue.
- Le planning : un samedi sous-staffé, un mardi sur-staffé, et c’est la marge qui part.
- La trésorerie : savoir à quinze jours ce qui va rentrer change la façon de négocier avec un fournisseur.
Aucun de ces trois problèmes n’est un problème de technologie. Ce sont des problèmes de visibilité.
Le modèle n’a pas besoin de connaître votre métier
C’est contre-intuitif, mais c’est le cœur de l’approche « foundation model » : le modèle n’a jamais vu votre restaurant. Il a regardé des millions de séries qui montent, descendent, explosent en août et s’effondrent en janvier. Il en a tiré des formes générales, et il les applique à la vôtre. C’est exactement ce qui rend l’outil utilisable tout de suite, sans six mois de paramétrage.
Concrètement, ici, au Pays Basque
Prenez une saison. Un commerce d’Anglet, de Biarritz ou de Saint-Jean-de-Luz vit avec des à-coups que personne n’a besoin de lui expliquer : juillet-août, la Toussaint, les ponts, la météo du week-end, une fermeture de rue pour travaux. Ce sont exactement les variables que TimesFM-3 sait avaler.
Trois scénarios réalistes :
- Le restaurant. Historique de couverts par service + les réservations déjà prises + les jours de fermeture à venir. Le modèle sort une prévision par service, et le planning de la semaine se fait en dix minutes au lieu d’une heure à estimer.
- Le commerce de détail. Ventes par famille de produits + les promos prévues par la marque + les vacances scolaires. La commande fournisseur arrête d’être un pari.
- L’artisan. Historique de devis, de chantiers et de factures, plus les chantiers déjà signés. C’est la trésorerie des huit prochaines semaines qui devient lisible.
Les limites, dites franchement
Je préfère vous les donner maintenant, parce qu’elles décident de tout.
1. Sans données propres, il n’y a rien à prévoir. C’est la vraie barrière, et elle n’est pas technique. Si vos ventes vivent dans un cahier, dans trois fichiers Excel et dans la tête de quelqu’un, aucun modèle au monde ne fera de miracle. Compter deux ans d’historique régulier, par produit et par jour, pour un résultat sérieux. C’est le travail préalable, et c’est celui qu’on fait d’abord chez un client.
2. Les poids sont sous licence non commerciale. C’est écrit noir sur blanc sur la fiche du modèle : *TimesFM Non-Commercial License v1.0*. Concrètement : on peut l’utiliser pour analyser, tester, démontrer. On ne peut pas construire un produit qu’on revend dessus. Le chemin industriel propre, c’est la version hébergée par Google — la commande `AI.FORECAST` dans BigQuery — qui, elle, est un service commercial.
3. Il ne connaît pas votre métier. Il connaît les formes, pas le fond. Si votre chiffre d’affaires explose parce que vous avez embauché quelqu’un ou ouvert une deuxième boutique, ça, aucun historique ne le raconte. La prévision est un outil de décision, pas une boule de cristal.
4. La prévision ne décide pas. Une courbe juste ne dit pas quoi faire. Elle dit où regarder. C’est la même erreur que celle que font 90 % des entreprises avec leurs premiers outils IA : on installe l’outil, on attend le résultat, on n’a rien changé au processus.
Comment on s’y prend, en trois étapes
Étape 1 — Sortir les données. Trois mois pour vérifier que c’est propre, deux ans visés pour que ça devienne utile. C’est le vrai chantier, et il se fait sans IA.
Étape 2 — Dire ce qu’on veut prévoir, et ce qu’on sait déjà. Une question à la fois, pas dix. Et lister les événements futurs connus : promos, fermetures, saisonnalité, travaux. C’est cette liste qui fait la différence entre une prévision moyenne et une prévision qui sert.
Étape 3 — Tester sur trois mois avant de décider. On demande au modèle de prévoir un mois déjà écoulé, et on compare avec ce qui s’est réellement passé. Si l’écart est raisonnable, on déploie. Sinon, on cherche pourquoi — et ce n’est jamais le modèle qui est en cause en premier.
Et si on faisait le point ?
Vous avez les données, peut-être même un peu en désordre, et vous vous demandez ce qu’on pourrait en tirer ? C’est exactement le sujet d’un premier échange. On regarde ensemble ce que vous avez, ce que ça permettrait de prévoir, et si ça vaut le coup — franchement.
Faisons le point sur vos données →
Questions fréquentes
Est-ce que TimesFM-3 est gratuit ?
Les poids du modèle sont librement téléchargeables, mais sous licence non commerciale. Pour un usage professionnel, la voie propre est la version hébergée par Google (BigQuery `AI.FORECAST`), qui est facturée à l’usage.
Combien d’historique faut-il pour que ça marche ?
Comptez deux ans de données régulières pour un résultat sérieux. Avec trois mois, on peut déjà tester et voir si la piste vaut le coup. En dessous, on travaille à l’aveugle.
Est-ce que ça remplace mon logiciel de gestion ?
Non. Le modèle prévoit, il ne gère pas. Il se branche en amont de votre outil — caisse, ERP, tableur — et nourrit vos décisions de stock, de planning et de trésorerie.
Est-ce que ça marche pour une petite entreprise ?
C’est même le contraire : plus vous êtes petit, plus chaque erreur coûte cher, et plus une prévision correcte se voit dans la marge. Entre 200 000 et 1,2 million d’euros de chiffre d’affaires, c’est là que l’outil a le plus d’effet.
Il faut une compétence technique dans l’entreprise ?
Non, si l’on passe par la version hébergée : la commande de prévision s’utilise comme une formule. En revanche, préparer les données proprement, ça, c’est un vrai travail — et c’est rarement celui du dirigeant.
