IBM Research publicó el 9 de septiembre de 2026 en Hugging Face Granite Time Series PatchTST-FM-r2, un modelo de series temporales de unos 385 millones de parámetros. No es el típico anuncio de chatbot. Va de prever lo que cambia con el tiempo: demanda, cargas de trabajo, consumo energético, tráfico, stock, precios o señales de máquina.
Para una empresa de Donostia - San Sebastián, Gipuzkoa o Euskadi, la noticia merece atención por una razón bastante práctica: muchas decisiones de negocio siguen viviendo en Excel, intuición y reuniones de última hora. Si ya tienes históricos limpios, aunque no sean perfectos, quizá no hace falta empezar por un proyecto predictivo enorme. Puede bastar con una prueba corta, bien acotada, para ver si el dato aguanta.
La IA generativa se ha llevado casi todos los focos. Pero en muchas empresas el dinero se pierde en cosas menos vistosas: compras tarde, stock de más, turnos mal dimensionados, picos de soporte, campañas sin previsión o máquinas que avisan demasiado tarde.
Qué ha publicado IBM
IBM presenta PatchTST-FM-r2 como la nueva versión de su familia Granite para series temporales. Según la publicación, el modelo combina una arquitectura actualizada, un corpus de preentrenamiento más amplio, previsiones probabilísticas, soporte para imputar valores ausentes y uso zero-shot. Es decir, puede generar previsiones sin entrenar un modelo específico para cada dataset desde cero.
Hay varios datos concretos que importan para empresa:
- tiene aproximadamente 385 millones de parámetros;
- soporta contextos de hasta 8.192 pasos;
- ofrece previsiones por cuantiles, útiles para trabajar con rangos y no solo con un número único;
- IBM lo publica con licencias permisivas, Apache 2.0 y OpenMDW 1.0;
- en GIFT-Eval, IBM lo sitúa como el modelo zero-shot replicable con mejor rendimiento entre los que tienen licencia comercial permisiva, a fecha 8 de septiembre de 2026.
Conviene leer las métricas con calma. Son benchmarks publicados por el proveedor y no sustituyen una prueba con datos propios. Aun así, el movimiento es interesante: modelos más pequeños, abiertos y orientados a predicción empiezan a cubrir casos que antes exigían bastante trabajo a medida.
La lectura para empresas de Gipuzkoa
No todas las empresas necesitan un modelo predictivo propio. Tampoco todas tienen datos listos para usar. Pero muchas sí tienen series históricas escondidas en sistemas normales: ERP, CRM, hojas de cálculo, sensores, tickets, pedidos, reservas, facturas o consumo de energía.
El primer filtro es sencillo: si una decisión se repite cada semana o cada mes y depende de una curva histórica, puede merecer una prueba.
Algunos ejemplos cercanos:
- una empresa industrial que quiere prever demanda por familia de producto antes de comprar material;
- un servicio técnico que necesita anticipar picos de incidencias;
- una distribuidora que quiere detectar productos con riesgo de rotura de stock;
- una clínica, academia o centro deportivo que quiere planificar capacidad por temporada;
- una empresa con consumo energético irregular que quiere separar patrón normal de anomalía.
La promesa no debería ser "la IA acierta el futuro". Eso suena bonito y suele acabar mal. La promesa razonable es otra: comparar la previsión contra el método actual y decidir si ayuda lo suficiente como para cambiar una decisión real.
El gancho de negocio: forecast antes de automatizar
Aquí hay un lead bastante claro. Cuando una empresa pregunta por IA, a veces llega con una idea de automatización: que el sistema compre, avise, reprograme, lance una campaña o priorice trabajo. Antes de ejecutar nada, merece la pena saber si se puede prever bien.
Un piloto sensato no empieza conectando el modelo al ERP para tomar decisiones. Empieza con una pregunta pequeña:
- ¿Qué queremos prever exactamente?
- ¿Con qué frecuencia se decide?
- ¿Qué histórico existe y quién lo entiende?
- ¿Qué error toleramos?
- ¿Qué decisión cambiaría si la previsión fuera suficientemente buena?
Si esas respuestas no están claras, el modelo da igual. Si están claras, un modelo de forecasting puede aportar una señal útil sin abrir todavía permisos de escritura ni automatizaciones delicadas.
Dónde empezaría Umintia
Yo no empezaría por "predice todo lo que pasa en la empresa". Empezaría por una serie, una decisión y una comparación honesta.
Por ejemplo: prever demanda semanal de 20 referencias, carga diaria de tickets o consumo por franja. Se prepara el histórico, se reserva un tramo para validar, se compara contra una media móvil o contra la previsión manual del equipo y se mira el resultado sin maquillaje. Si mejora poco, se para. Si mejora bastante, entonces tiene sentido hablar de integración, alertas, cuadros de mando o automatización.
La parte más valiosa suele aparecer antes del modelo: limpiar fechas, unificar códigos, entender cambios de criterio, separar promociones, quitar datos rotos y decidir qué significa "acertar". Es trabajo aburrido. También es el trabajo que evita vender una predicción preciosa que nadie usa.
Qué revisar antes de pedir un piloto
Antes de invertir en forecasting con IA, conviene preparar cuatro piezas.
- La serie objetivo: qué se va a prever y con qué granularidad.
- El histórico mínimo: fechas, valores, huecos, cambios de catálogo y eventos raros.
- La decisión asociada: compra, planificación, personal, mantenimiento, marketing o soporte.
- La métrica de negocio: menos roturas, menos sobrestock, menos horas extra, mejor nivel de servicio o menos falsas alarmas.
Con eso, una empresa de Gipuzkoa puede tener una conversación mucho más concreta que "queremos IA predictiva". Puede pedir una prueba con alcance, datos y criterio de salida.
Cómo puede ayudar Umintia
En Umintia ayudamos a empresas de Donostia - San Sebastián, Gipuzkoa y Euskadi a aterrizar casos de IA donde el dato manda. En forecasting, el primer paso suele ser revisar si el histórico sirve, elegir una decisión con impacto y montar una prueba comparada contra el método actual.
Si la previsión no mejora nada, mejor saberlo en dos semanas que después de un proyecto largo. Si mejora, entonces se puede conectar a un cuadro de mando, a alertas o a una automatización con revisión humana. Sin épica. Con números.