No todo problema de IA empresarial necesita un agente: TimesFM 3.0 lleva el pronóstico a BigQuery

El lanzamiento de IA más útil de la semana para un planificador de demanda no incluye ningún agente, ningún prompt ni ninguna ventana de chat. Es una función SQL.

El 7 de octubre, Google Cloud añadió TimesFM 3.0 a la función AI.FORECAST de BigQuery, en vista previa. TimesFM es un modelo fundacional de pronóstico de Google Research, publicado como código abierto, y BigQuery ahora lo ejecuta como modelo integrado. La nueva versión añade pronóstico multivariante: predicciones para muchas series temporales a la vez, usando su historial más variables adicionales, llamadas covariables, que ayudan a explicarlas.

En el papel es un lanzamiento modesto. También es un correctivo útil para una costumbre que se está formando en la IA empresarial, donde se da por hecho que todo problema analítico necesita un agente.

Qué hace la función

Un pronóstico en BigQuery ahora se parece a una consulta. Los tutoriales de Google usan una única tabla de entrada en la que las filas históricas contienen las fechas, los valores a pronosticar y las covariables del pasado, mientras que las filas futuras contienen las fechas y las covariables que ya se conocen para el futuro, como un calendario de promociones o un pronóstico meteorológico. Los ejemplos de Google pronostican ventas con promociones y clima como entradas.

Con él vienen dos funciones relacionadas: AI.EVALUATE, que mide la precisión del pronóstico, y AI.DETECT_ANOMALIES, que señala los puntos inusuales. Ambas están documentadas para series temporales únicas, un detalle que importa más abajo.

La versión con agente del mismo problema

Imagine la alternativa que muchos equipos están construyendo ahora. Un agente recibe una pregunta sobre la demanda del próximo trimestre, consulta el data warehouse, lleva los datos a un notebook o a un sandbox, escribe Python para ajustar un modelo, lo ejecuta e informa un número.

Cada paso de esa cadena es un lugar donde fallar. Los datos salen de la plataforma donde viven sus permisos y su registro de auditoría. El código se genera de nuevo cada vez, así que dos ejecuciones de la misma pregunta pueden usar dos métodos distintos. El costo incluye el razonamiento de un modelo de frontera para lo que, en el fondo, es una tarea estadística bien conocida. Y como señalamos cuando los agentes empezaron a poner nueva carga en la ruta del dato, mover los datos hasta el modelo suele ser más lento de lo que parece.

La versión dentro de la base de datos tiene menos piezas. Los datos se quedan donde se gobiernan. El método es el mismo en cada ejecución. El modelo no necesita su propio pipeline de entrenamiento. No es una diferencia menor para un pronóstico que alimenta inventario, dotación de personal o planificación de caja.

Dónde siguen encajando los agentes

Nada de esto vuelve inútiles a los agentes para el pronóstico. Son buenos en las partes que rodean al número: preguntar qué covariables importan, explicarle un pronóstico a un planificador, armar un informe. La forma correcta es un agente que llame a la función de pronóstico como herramienta, no uno que la reinvente. Es la misma lógica de portafolio que defendimos en nuestro marco para un portafolio de modelos empresariales, donde los modelos predictivos que una empresa ya tiene conservan su papel junto a los generativos.

Qué revisar antes de confiar en esto

Es una vista previa. La capacidad, las regiones y el comportamiento pueden cambiar antes de la disponibilidad general.

La evaluación tiene que venir de usted. Las funciones integradas de evaluación y de anomalías están documentadas para series únicas. Para pronósticos multivariantes, haga un backtest con historial reservado y compárelos con los modelos en los que el equipo de planificación ya confía. Muchos ya ejecutan pronósticos estadísticos en el mismo data warehouse.

Las covariables son datos del negocio. Un pronóstico que usa el calendario de promociones vale tanto como ese calendario. El responsable de cada covariable pasa a formar parte del proceso de pronóstico, lo escriba alguien o no.

Antes de diseñar un agente para un problema de pronóstico, hágase primero una pregunta más simple: ¿la respuesta es una llamada a una función? Cada vez más, lo es.