Un paper su arXiv, 23 maggio 2026, ha messo alla prova i foundation model per le serie temporali su quattro domini operativi, incluso il demand forecasting. Il risultato utile a chi sta seduto sui dati reali: i foundation model reggono bene lo scenario cold-start e le strutture periodiche trasferibili. Tradotto: danno un forecast usabile anche su un prodotto nuovo o con storico scarso, senza aspettare mesi di vendite. I metodi supervisionati restano più precisi dove il processo è fisicamente vincolato e lo storico abbonda.
Gli autori propongono un Complexity Router: assegna ogni serie al modello migliore in base a feature empiriche, e così taglia i costi di inferenza. Non un modello unico, una scelta per serie. Per chi gestisce un catalogo misto, prodotti maturi e lanci, è la differenza tra un forecast che gira e uno che costa troppo per quello che vale.
Perché conta per chi fa AI in azienda: se non hai storico non aspettare, parti dal foundation model e tieni il supervisionato dove i dati ci sono.