Nixtla TimeGPT

Kurzfazit

Nixtla TimeGPT ist das Foundation-Modell für Zeitreihen, der Versuch, das zu tun, was GPT für Text getan hat: ein Modell, das du nicht erst trainieren musst, sondern direkt mit deinen Daten füttern kannst. Für Data-Teams, die schnell zu einer brauchbaren Prognose kommen wollen, ohne wochenlang an einer eigenen ML-Pipeline zu basteln, ist das ein echter Zeitgewinn. Schwächen liegen nicht in der Prognosequalität, sondern im Drumherum: Es ist eine reine API ohne Oberfläche, die Dokumentation ist englisch, und die Preisliste fehlt. Wer Daten nicht an einen Cloud-Dienst geben darf, hat mit Self-Hosting eine Option, bei der laut Nixtla keine Daten die eigene Infrastruktur verlassen.

Für wen ist Nixtla TimeGPT?

Data-Teams in Operations und Supply Chain: Wer Mengen, Bedarfe oder Auslastungen prognostizieren muss, Abfallmengen, Energiebedarf, Lagerbestände, Personalbedarf, bekommt mit TimeGPT in Stunden ein Ergebnis, für das eine eigene Modellierung Wochen bräuchte. Feiertage lassen sich über die Doku-Klasse CountryHolidays als Flags ergänzen. Ideal, wenn du viele Zeitreihen parallel prognostizierst (pro Produkt, pro Standort, pro Route).

ML-Engineers, die schnell zu einer Baseline wollen: Statt erst ein eigenes Modell zu bauen, lieferst du in einer Stunde eine produktionsfähige Forecast-Baseline. Wenn die gut genug ist, sparst du dir die ganze Pipeline. Wenn nicht, hast du sofort einen Vergleichsmaßstab für dein Eigenbau-Modell.

Energie- und Handelsunternehmen: Strompreise, Last- und Erzeugungsprognosen, Absatzmengen mit Promotion- und Feiertagseffekten, die Nixtla-Doku nennt Finanzen und Retail unter den Trainingsdomänen und hat Anwendungsfälle zu Energiebedarf und intermittierender Nachfrage (sporadische, schwer prognostizierbare Bedarfe).

Prototypen-Teams und Innovationslabore: Wenn du erst beweisen musst, dass ein Forecasting-Use-Case überhaupt Wert schafft, bevor Budget für eine eigene Lösung freigegeben wird, ist TimeGPT der schnellste Weg zum belastbaren Proof of Concept.

Weniger geeignet für: Fachabteilungen ohne Python-Kenntnisse (es gibt kein Dashboard, abgesehen vom TimeGPT Excel Add-in in der Beta läuft alles über Code), Unternehmen, die eine fertige Planungs-Oberfläche erwarten, und alle, die nur eine einzige, einfache Zeitreihe mit langer, stabiler Historie prognostizieren, dafür reicht oft ein klassisches Modell wie Prophet kostenlos aus.

Preise im Detail

Plan	Preis	Was du bekommst
Open Source	kostenlos	StatsForecast, MLForecast, NeuralForecast, HierarchicalForecast zum Selberbauen, ohne TimeGPT
Enterprise-Trial	kostenlos	Nach einem 30-Minuten-Gespräch mit Nixtla, per API oder als Self-Hosted-Deployment
Enterprise	Preis nennt Nixtla nicht öffentlich	Premium-Modelle und Updates, Fine-Tuning auf deinen Daten, SLAs und dedizierter Support
Self-Hosted	Preis nennt Nixtla nicht öffentlich	Docker-Image oder Python-Wheel in der eigenen Infrastruktur, laut Nixtla für Enterprise-Kunden

Einordnung: Nixtla legt seine Preise nicht öffentlich offen: Der Abschnitt „Pricing Options” der Startseite zeigt nur „Free” für die Open-Source-Bibliotheken und „Enterprise” ohne Betrag. Für ein Budget-Gespräch brauchst du erst eine Anfrage. Den Enterprise-Trial solltest du nutzen, um die Prognosequalität an deinen eigenen Daten zu prüfen, bevor du dich auf ein Volumen festlegst. Studierende und Forschende bekommen laut Nixtla mit Uni-Mailadresse 30 Tage Zugang, verlängerbar bis zu 2 Jahre, wenn sie ihre Arbeit mit Nixtla zitieren. Wer Daten nicht an einen Cloud-Dienst geben darf, sollte das Self-Hosting prüfen.

Stärken im Detail

Zero-Shot ist der eigentliche Hebel. TimeGPT braucht kein Training auf deinen Daten. Du übergibst die Historie, das Modell liefert die Prognose. Das eliminiert den teuersten Teil jedes klassischen Forecasting-Projekts: Modellauswahl, Hyperparameter-Tuning, Feature-Engineering. Was früher ein mehrwöchiges Data-Science-Projekt war, wird zum API-Aufruf. Laut Nixtla-FAQ liefert TimeGPT Punktprognosen schon mit einer Beobachtung pro Reihe, mehr Historie verbessert sie typischerweise. In Nixtlas Vergleich auf M5-Daten erzielte TimeGPT bessere Genauigkeitswerte als ARIMA, LightGBM und N-HiTS (Angabe des Anbieters).

Anomalieerkennung gleich mit dabei. Neben Prognosen erkennt TimeGPT auch Ausreißer und ungewöhnliche Muster in historischen Daten, und inzwischen auch in Echtzeit (Online-Detection). Damit lässt sich ein und dieselbe Anbindung sowohl für Planung als auch für Monitoring nutzen: Stromverbrauch prognostizieren und gleichzeitig auffällige Spitzen melden, ohne ein zweites System.

Vertraute Werkzeuge, geringe Einstiegshürde für Data-Teams. Nixtla ist die Firma hinter den weit verbreiteten Open-Source-Bibliotheken StatsForecast, NeuralForecast und MLForecast. Das Python-SDK fühlt sich für jeden, der schon mit pandas und scikit-learn gearbeitet hat, sofort vertraut an, DataFrame rein, DataFrame mit Forecast und Konfidenzintervallen raus. Kein exotisches Interface, kein langes Onboarding.

Skaliert auf tausende Zeitreihen. Über die unique_id-Spalte prognostizierst du mehrere Reihen in einem Aufruf, jede Produkt-Standort-Kombination, jede Sammelroute, jeden Sensor. Für Hunderttausende oder Millionen Reihen empfiehlt Nixtla ein verteiltes Backend wie Spark, Ray oder Dask. Feiertage lassen sich als Flags ergänzen, externe Variablen (Kovariaten wie Wetter, Promotions, Preise) lassen sich ergänzen, wenn das Modell mehr Kontext braucht.

Mehr als nur ein Modell. Die Nixtla Engine bietet laut Startseite eine Schnittstelle für über 200 Prognosemodelle, darunter TimeGPT und Modelle aus dem Nixtlaverse. Ein Beispiel-Prompt auf der Startseite vergleicht timegpt-1, timegpt-2, chronos2, tirex und timesfm-2.5. Du kannst also unter einem Dach vergleichen, welches Modell für deinen Datensatz am besten abschneidet, statt jedes einzeln zu integrieren.

Self-Hosting mit null Datenabfluss. Über ein One-Click-Deployment lässt sich die Lösung laut Nixtla in der eigenen Cloud (mit GPU oder CPU) betreiben, die Startseite nennt „Zero data egress. Zero data retention.”. Deine Zeitreihen verlassen dann deine Infrastruktur nicht. Als Datenquellen nennt die Startseite unter anderem Databricks und Snowflake.

Schwächen ehrlich betrachtet

Es ist eine API, kein Produkt für Endanwender. TimeGPT liefert Zahlen, keine Oberfläche. Es gibt kein Dashboard und keine fertige Planungs-UI. Einen Klickweg beschreibt die Doku mit dem TimeGPT Excel Add-in (Beta): Nach „Make Prediction” hängt es die Prognosewerte an deine Datenspalte an und erzeugt einen Plot. Wer das Ergebnis für Fachabteilungen aufbereiten will, muss die Visualisierung selbst bauen, etwa über Power BI, Grafana oder ein eigenes Frontend. Für Teams ohne Entwicklungskapazität ist das eine echte Hürde. Workaround: Ergebnisse per Skript in ein bestehendes BI-Tool exportieren.

Dokumentation auf Englisch. Die archivierten Dokumentationsseiten sind englisch, Support läuft über die Adresse support@nixtla.io. Welche Sprachen der Support abdeckt, nennt Nixtla in den archivierten Quellen nicht. Für ein technisches Werkzeug, das ohnehin von Data-Engineers bedient wird, ist englische Doku verkraftbar.

Intransparente Preise. Es gibt keine öffentliche Preisliste mit konkreten Beträgen. Vor jeder Budgetplanung steht eine Anfrage, ein Trial läuft über ein Erstgespräch. Das erschwert den Vergleich mit Alternativen und macht es schwer, schon im Vorfeld eine Wirtschaftlichkeitsrechnung aufzustellen.

Hosting der Managed Cloud nicht benannt. Nixtla beschreibt „Nixtla Cloud” als „Turn-key solution fully managed by Nixtla”, nennt aber in den archivierten Seiten (Startseite, Doku, Privacy Notice, Terms, Trust Center) keinen Standort. Wer Daten sicher im eigenen Haus halten will, braucht Self-Hosting, das mehr Aufwand und Cloud-Know-how erfordert als der schnelle API-Call.

Strukturbrüche brauchen Nachhilfe. Bei Zeitreihen mit harten Brüchen, Pandemie-Effekte, Markteinführungen, regulatorische Umbrüche, reicht Zero-Shot nicht immer. Dann musst du explizite Kovariaten übergeben oder das Modell auf deinen Daten fine-tunen. Das ist möglich, kostet aber genau den Aufwand, den Zero-Shot eigentlich vermeiden sollte.

Alternativen im Vergleich

Wenn du…	…nimm stattdessen
Eine fertige BI-/Analytics-Oberfläche statt einer API willst	Microsoft Power BI
Tabellen- und Forecasting-Funktionen ohne Code brauchst	Microsoft 365 Copilot
Allgemeine Datenanalyse per Chat statt spezialisiertes Forecasting willst	ChatGPT

Im engeren Forecasting-Markt sind die direkten Konkurrenten eher Modelle als Produkte mit eigener Tool-Seite: Google TimesFM und AWS Chronos sind ebenfalls Foundation-Modelle für Zeitreihen (beide inzwischen sogar innerhalb der Nixtla-Plattform vergleichbar), Amazon Forecast und Azure AI Forecasting bieten Managed-Services in der jeweiligen Cloud, und für klassische Ansätze bleiben Prophet (Meta, kostenlos) sowie Nixtlas eigene Open-Source-Bibliotheken StatsForecast und NeuralForecast die naheliegende, kostenfreie Alternative, wer ohnehin Python-Kompetenz im Haus hat und stabile, lange Datenhistorien prognostiziert, fährt damit oft günstiger. TimeGPT lohnt sich gegenüber diesen Open-Source-Optionen vor allem dann, wenn die Datenhistorie kurz ist oder die Zeit für eigene Modellierung fehlt.

So steigst du ein

Schritt 1: Enterprise-Trial über nixtla.io anfragen, Nixtla setzt dafür ein 30-Minuten-Gespräch an und aktiviert den Zugang danach. Den API-Key findest du im Dashboard, das Python-SDK installierst du mit pip install nixtla. Für sensible Daten gleich klären, ob Self-Hosting nötig ist, bevor du Produktivdaten an die Cloud-API schickst.

Schritt 2: Historische Zeitreihendaten im pandas-DataFrame-Format vorbereiten (Spalten: unique_id, ds für das Datum, y für den Messwert). Für eine Abfallmengenprognose etwa: je eine Zeile pro Fraktion, Standort und Abfuhrtermin. Externe Einflussgrößen wie Wetter oder Promotions kannst du als zusätzliche Kovariaten-Spalten ergänzen.

Schritt 3: Den Client initialisieren und die Prognose starten, TimeGPT gibt einen DataFrame mit Forecast-Werten und Konfidenzintervallen zurück. Kein Hyperparameter-Tuning erforderlich. Prüfe die Genauigkeit über die eingebaute Cross-Validation gegen deine historischen Ist-Werte, bevor du dem Modell produktiv vertraust. Ergebnisse dann nach Power BI, Grafana oder dein Planungstool exportieren.

Ein konkretes Beispiel

Ein kommunaler Entsorgungsbetrieb mit 15 Sammelrouten und drei Jahren digitaler Wiegedaten nutzt Nixtla TimeGPT, um wöchentliche Abfallmengen je Fraktion und Route vier Wochen im Voraus zu prognostizieren. Feiertage kommen als Flags (CountryHolidays) als zusätzliche Eingabe dazu, der Grünschnitt-Peak im Frühjahr und der Verpackungs-Anstieg vor Weihnachten stehen in der Historie. Ein Python-Skript läuft täglich um 6 Uhr morgens, ruft die API auf und befüllt ein Power-BI-Dashboard, das der Betriebsleiter in der Frühschicht öffnet, um Fahrzeug- und Personaleinsatz zu planen. Weil die Wiegedaten als personenbezogen einstufbar sein können, läuft das Modell als Self-Hosted-Instanz in der betriebseigenen Cloud, die Daten verlassen die Infrastruktur nicht. Einrichtungsaufwand: rund vier Wochen durch einen Data-Engineer, ohne eigenes Modelltraining. Die Tourenplanung wurde gleichmäßiger, Leerfahrten und Überstunden gingen messbar zurück. Das Beispiel ist ein Szenario zur Veranschaulichung, keine Kundenangabe von Nixtla.

DSGVO & Datenschutz

• Datenhosting Managed Cloud: Einen Standort nennt Nixtla in den archivierten Seiten nicht. Anbieter ist laut Terms die Nixtla, Inc. mit Adresse in San Francisco (USA). Ob und wo Daten in der Nixtla Cloud verarbeitet werden, kläre vor dem Einsatz mit Nixtla.
• Self-Hosting als DSGVO-Weg: One-Click-Deployment in der eigenen Cloud (GPU/CPU), laut Nixtla „Your data never leaves your own infrastructure”. Das ist der Pfad für personenbezogene oder geschäftskritische Daten.
• Azure: TimeGEN-1, laut Nixtla „TimeGPT optimized for Azure infrastructure”, lässt sich über Azure Machine Learning als Endpoint bereitstellen. Eine Region nennt die Doku nicht.
• Compliance: Nixtla nennt auf der Startseite GDPR- und HIPAA-Konformität, das Trust Center zeigt SOC 2 Type 2 als „Compliant”. Ein Dokumentenbereich im Trust Center ist leer („No documents yet”), einen AVV haben wir nicht gefunden: Lass ihn dir vor dem Produktiveinsatz schriftlich bestätigen.
• Nutzung deiner Daten: Nach den Terms darf Nixtla Inhalte, die du über die API sendest oder erhältst, zur Verbesserung der Dienste nutzen. Ein Opt-out über ein Formular ist vorgesehen.
• Empfehlung für Unternehmen: Keine personenbezogenen Zeitreihen an die Cloud-API schicken, solange Standort und AVV nicht schriftlich geklärt sind. Für DSGVO-pflichtige Daten Self-Hosting evaluieren und eine Datenschutz-Folgenabschätzung durchführen. Für unkritische, anonymisierte Mengen-Zeitreihen ist die Cloud-API weniger heikel.

Gut kombiniert mit

• Microsoft Power BI, TimeGPT liefert die Forecast-Werte, Power BI macht daraus das Dashboard für Fach- und Führungsebene. Klassische Arbeitsteilung: Prognose per API, Visualisierung und Reporting im BI-Tool.
• ChatGPT, für die Interpretation und Aufbereitung der Ergebnisse: Forecast-Tabellen einfügen und in verständliche Management-Zusammenfassungen, Auffälligkeiten oder Handlungsempfehlungen übersetzen lassen. TimeGPT rechnet, ChatGPT erklärt.
• Microsoft 365 Copilot, wenn die Prognose in Excel-Planungsmodelle oder Office-Berichte einfließen soll, schließt Copilot die Lücke zwischen API-Output und dem Tabellen-Alltag der Fachabteilung.

Unser Fazit

Nixtla TimeGPT verdient 4 von 5 Sternen. In seiner Kerndisziplin, schnelle, genaue Zeitreihenprognosen ohne eigenes Modelltraining, ist es ausgezeichnet, und das Foundation-Modell-Prinzip erlaubt Prognosen auch mit sehr wenig Historie. Dass Nixtla das Team hinter etablierten Open-Source-Forecasting-Bibliotheken ist, gibt der Sache Substanz, und die Self-Hosting-Option mit null Datenabfluss ist ein Unterscheidungsmerkmal für Teams, die Daten nicht an einen Cloud-Dienst geben dürfen. Den fünften Stern kosten die fehlende Oberfläche (reine API für Entwickler), die intransparente Preisgestaltung, die englische Dokumentation und der nicht benannte Standort der Managed Cloud. Für Data-Teams mit Python-Kompetenz und einem klaren Forecasting-Problem ist TimeGPT eine schnelle Abkürzung zu einer produktionsreifen Prognose, für alle anderen ist es das falsche Werkzeug.

Was wir bemerkt haben

• 2024, Nixtla hat TimeGPT als erstes breit verfügbares Foundation-Modell für Zeitreihen positioniert und damit eine neue Kategorie geprägt. Kurz darauf zogen Google (TimesFM) und Amazon (Chronos) mit eigenen Zeitreihen-Foundation-Modellen nach, ein Indiz, dass der Ansatz Schule macht. Nixtla selbst nennt TimeGPT in der FAQ „the first foundation model for time series forecasting”.
• 2025/2026, Im Oktober 2025 kündigte Nixtla TimeGPT-2 Mini, TimeGPT-2 und TimeGPT-2 Pro als Private Preview an, am 10. Dezember 2025 folgte TimeGPT-2.1, ebenfalls als Private Preview mit Warteliste. Die Doku führt inzwischen einen „Quickstart (TimeGPT-2.1)”. Gleichzeitig tritt Nixtla mit der „Nixtla Engine” auf, die laut Startseite über 200 Modelle, darunter TimeGPT und Modelle aus dem Nixtlaverse, unter einer Schnittstelle vereint. Ein Demo-Prompt auf der Startseite stellt TimeGPT daneben Chronos 2, TiRex und TimesFM 2.5 gegenüber.
• 2025/2026, Self-Hosting mit One-Click-Deployment gehört zu den Bereitstellungsoptionen der Startseite („Self Hosted” und „Nixtla Cloud”). Für den europäischen Markt verschiebt das die DSGVO-Frage von „Cloud, Standort unklar” zu „in der eigenen Infrastruktur”.
• November 2026, Eine öffentlich gelistete, konkrete Preisliste fehlt weiterhin: Die Startseite zeigt „Free” für die Open-Source-Bibliotheken und „Enterprise” ohne Betrag, einen Trial gibt es nach einem Gespräch. Das erschwert den direkten Wirtschaftlichkeitsvergleich mit Open-Source-Alternativen wie Prophet oder Nixtlas eigenen kostenlosen Bibliotheken.