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, besonders bei kurzen Datenhistorien, wo klassische Modelle wie ARIMA oder Prophet noch zu wenig zu lernen haben. Schwächen liegen nicht in der Prognosequalität, sondern im Drumherum: Es ist eine reine API ohne Oberfläche, die Dokumentation ist englisch, und die transparente Preisliste fehlt. Wer DSGVO-sauber arbeiten muss, kommt um Self-Hosting nicht herum, das aber gibt es, mit null Datenabfluss, und genau das hebt TimeGPT von vielen US-Cloud-only-Anbietern ab.

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. Saisonalität und Feiertage erkennt das Modell automatisch. 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 Trainingsdaten von TimeGPT decken genau diese Domänen ab. Für intermittierende Nachfrage (sporadische, schwer prognostizierbare Bedarfe) ist das Modell besonders entwickelt.

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, alles läuft 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
Free Tier	0 USD	Begrenztes API-Kontingent zum Testen mit eigenen Daten, voller Funktionsumfang im kleinen Maßstab
Pay-as-you-go	verbrauchsbasiert	Abrechnung pro Prognose bzw. nach verarbeiteten Datenpunkten/Tokens, skaliert mit der Nutzung
Enterprise / Azure	auf Anfrage	Höhere Limits, Fine-Tuning, dedizierter Support, SLAs, Azure-Bereitstellung, Snowflake/Databricks-Integration
Self-Hosted	auf Anfrage	One-Click-Deployment in der eigenen Cloud (GPU/CPU), null Datenabfluss, relevant für DSGVO und sensible Daten

Einordnung: Nixtla legt seine Preise nicht öffentlich offen, die konkreten Beträge bekommst du erst nach Kontaktaufnahme oder im Dashboard nach Anmeldung. Das ist der unangenehmste Punkt für die Planung: Für ein Budget-Gespräch brauchst du erst eine Anfrage. Der Free Tier reicht aus, um die Prognosequalität an deinen eigenen Daten zu prüfen, und genau das solltest du tun, bevor du dich auf ein Volumen festlegst. Für niedrige bis mittlere Volumen ist Pay-as-you-go meist günstiger als der Aufbau und Betrieb einer eigenen Pipeline. Wer hohe, kontinuierliche Volumen fährt oder DSGVO-pflichtige Daten verarbeitet, sollte direkt das Self-Hosting kalkulieren, dort zahlst du eher Infrastruktur als API-Calls.

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. Besonders bei kurzen Datenhistorien (wenige Monate) schlägt das Modell laut Nixtla-Benchmarks klassische Ansätze wie ARIMA oder Prophet deutlich, weil es Muster aus seinem Training auf Milliarden anderer Zeitreihen mitbringt.

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 beliebig viele Reihen in einem Aufruf, jede Produkt-Standort-Kombination, jede Sammelroute, jeden Sensor. Saisonalität und Feiertage werden automatisch berücksichtigt, externe Variablen (Kovariaten wie Wetter, Promotions, Preise) lassen sich ergänzen, wenn das Modell mehr Kontext braucht.

Mehr als nur ein Modell. Die Plattform integriert mittlerweile nicht nur Nixtlas eigene Modelle TimeGPT-1 und TimeGPT-2.1, sondern auch konkurrierende Foundation-Modelle wie Google TimesFM und AWS Chronos sowie neuronale (LSTM, NBEATS, DeepAR) und klassische Modelle (AutoARIMA, ETS, XGBoost, LightGBM). 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 TimeGPT in der eigenen Cloud (mit GPU oder CPU) betreiben. Für sensible Daten ist das der entscheidende Unterschied zu reinen US-Cloud-APIs: Deine Zeitreihen verlassen deine Infrastruktur nicht. Snowflake- und Databricks-Integration runden das für Enterprise-Datenarchitekturen ab.

Schwächen ehrlich betrachtet

Es ist eine API, kein Produkt für Endanwender. TimeGPT liefert Zahlen, keine Oberfläche. Es gibt kein Dashboard, keine Klick-Bedienung, keine fertige Planungs-UI. 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.

Kein deutschsprachiger Support, alles auf Englisch. Dokumentation, Fehlermeldungen und Support laufen ausschließlich auf Englisch. Für ein technisches Werkzeug, das ohnehin von Data-Engineers bedient wird, ist das verkraftbar, aber wer einen deutschsprachigen Ansprechpartner für kritische Produktivsysteme erwartet, findet ihn hier nicht.

Intransparente Preise. Es gibt keine öffentliche Preisliste mit konkreten Beträgen. Vor jeder Budgetplanung steht eine Anfrage oder zumindest eine Anmeldung im Dashboard. Das erschwert den Vergleich mit Alternativen und macht es schwer, schon im Vorfeld eine Wirtschaftlichkeitsrechnung aufzustellen.

Managed Cloud liegt in den USA. Wer den bequemen Weg über die gehostete API geht, schickt seine Daten auf US-Server. DSGVO-konform wird es erst über Self-Hosting oder eine Azure-Region in Europa, beides erfordert mehr Aufwand und Cloud-Know-how als der schnelle API-Call. Für Unternehmen mit sensiblen Daten ist der bequeme Weg also nicht der konforme.

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
Tabellen- und Forecasting-Funktionen ohne Code brauchst
Allgemeine Datenanalyse per Chat statt spezialisiertes Forecasting willst

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: API-Key anlegen unter nixtla.io, der Free Tier reicht für erste Tests mit deinen eigenen Daten. Das Python-SDK installieren: 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. Das Modell berücksichtigt Saisonalität und Feiertage automatisch, der Grünschnitt-Peak im Frühjahr und der Verpackungs-Anstieg vor Weihnachten landen ohne manuelle Regeln in der Prognose. 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.

DSGVO & Datenschutz

• Datenhosting Managed Cloud: Standardmäßig USA. Für die bequeme, gehostete API verlassen deine Zeitreihen die EU. Anbieter ist Nixtla, Inc. (USA).
• Self-Hosting als DSGVO-Weg: One-Click-Deployment in der eigenen Cloud (GPU/CPU) mit null Datenabfluss, die Daten bleiben in deiner Infrastruktur und damit in deiner gewählten Region. Das ist der saubere Pfad für personenbezogene oder geschäftskritische Daten.
• Azure-Region: Über die Azure-Integration lässt sich TimeGPT in einer europäischen Azure-Region betreiben, relevant für Unternehmen, die ohnehin in Azure arbeiten.
• Compliance: Nixtla nennt GDPR- und HIPAA-Konformität sowie SOC-2-Type-II-Zertifizierung (laut Anbieter in Arbeit). Den konkreten Stand und einen AVV solltest du vor Produktiveinsatz schriftlich bestätigen lassen.
• Empfehlung für Unternehmen: Keine personenbezogenen Zeitreihen an die US-Managed-Cloud schicken. Für DSGVO-pflichtige Daten direkt Self-Hosting oder die Azure-EU-Variante evaluieren und eine Datenschutz-Folgenabschätzung durchführen. Für unkritische, anonymisierte Mengen-Zeitreihen ist die Cloud-API hingegen unproblematisch.

Gut kombiniert mit

• , 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.
• , für die Interpretation und Aufbereitung der Ergebnisse: Forecast-Tabellen einfügen und in verständliche Management-Zusammenfassungen, Auffälligkeiten oder Handlungsempfehlungen übersetzen lassen. TimeGPT rechnet, ChatGPT erklärt.
• , 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 Testurteil

Nixtla TimeGPT verdient 4 von 5 Sternen. In seiner Kerndisziplin, schnelle, genaue Zeitreihenprognosen ohne eigenes Modelltraining, ist es ausgezeichnet, und besonders bei kurzen Datenhistorien spielt das Foundation-Modell-Prinzip seine Stärke aus. 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 echtes Unterscheidungsmerkmal gegenüber reinen US-Cloud-APIs. Den fünften Stern kosten die fehlende Oberfläche (reine API für Entwickler), die intransparente Preisgestaltung, der englischsprachige Support und der Umstand, dass der bequeme Cloud-Weg in den USA liegt. Für Data-Teams mit Python-Kompetenz und einem klaren Forecasting-Problem ist TimeGPT eine der schnellsten Abkürzungen zu einer produktionsreifen Prognose, die der Markt derzeit bietet, 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.
• 2025/2026, Mit TimeGPT-2 (zuletzt als Version 2.1 geführt) erschien die nächste Modellgeneration. Gleichzeitig öffnete Nixtla die Plattform: Statt nur eigene Modelle anzubieten, lassen sich nun auch konkurrierende Foundation-Modelle wie Google TimesFM (2.5) und AWS Chronos (2) sowie zahlreiche neuronale und klassische Modelle unter einem Dach vergleichen, eine ungewöhnliche Strategie für einen Modellanbieter.
• 2025, Das Self-Hosting mit One-Click-Deployment und null Datenabfluss wurde stärker beworben. Für den europäischen Markt ist das der entscheidende Hebel: Es verschiebt die DSGVO-Frage von „US-Cloud, geht nicht” zu „in der eigenen Infrastruktur, geht doch”.
• Mai 2026, Eine öffentlich gelistete, konkrete Preisliste fehlt weiterhin. Wer planen will, muss anfragen oder sich anmelden. Das ist für ein API-Produkt ungewöhnlich und erschwert den direkten Wirtschaftlichkeitsvergleich mit Open-Source-Alternativen wie Prophet oder Nixtlas eigenen kostenlosen Bibliotheken.