Le modèle probabiliste t0-alpha, développé par The Forecasting Company et publié en juin 2026 sous licence open source Apache-2.0, marque une étape importante dans l'évolution de la prévision de séries temporelles. Comportant 102 millions de paramètres, ce modèle s'exécute sur des matériels grand public tout en offrant des performances compétitives. Il repose sur une architecture de type transformateur causal qui découpe les séquences numériques en fenêtres de trente-deux pas de temps, les encode et génère des quantiles plutôt qu'une simple prédiction unique. Cette approche probabiliste permet non seulement de prédire une tendance centrale, mais aussi d'estimer explicitement les incertitudes associées. Lors des tests sur le benchmark GIFT-Eval, qui couvre quatre-vingt-sept configurations issues de sept domaines distincts, t0-alpha a reproduit avec exactitude ses résultats officiels, atteignant un score CRPS de 0,4941 et un MASE de 0,7240. Ces métriques, normalisées par rapport à un seuil de référence saisonnier, placent le modèle dans un groupe compact de systèmes modernes performants. Il surpasse systématiquement les méthodes classiques par défaut et devance même certains modèles plus volumineux comme TimesFM, dont les performances sont toutefois entachées de fuites de données entre les ensembles d'entraînement et de test. Sur les quatre-vingt-sept tâches évaluées, t0-alpha conserve une stabilité remarquable en ne dépassant le seuil de référence saisonnier qu'une seule fois. Les points faibles du modèle restent toutefois circonscrits. Il rencontre des difficultés sur des données d'observabilité informatique multivariées à horizon long et sur certaines fréquences du jeu de données M4. À l'inverse, des modèles classiques bien calibrés, comme MSTL, peuvent encore rivaliser ou surperformer sur des séries propres et régulières. Ces résultats confirment que la prévision moderne ne repose plus sur un seul algorithme universel, mais sur une combinaison stratégique de techniques. Les avancées futures du secteur devraient désormais porter sur plusieurs axes structurants. La rigueur de l'évaluation, notamment le contrôle strict des fuites de données et la calibration fiable des distributions de probabilité, devient prioritaire. Parallèlement, l'usage de routeurs et d'ensembles permettant de sélectionner dynamiquement le modèle le plus adapté à chaque contexte se révèle plus prometteur que la course aux paramètres. L'émergence d'estimateurs spécialisés entraînés sur des mondes simulés ciblés complète cette approche hybride. t0-alpha illustre cette nouvelle donne : un modèle ouvert et léger suffit désormais à servir de référence solide. Le défi technique ne réside plus uniquement dans la conception de l'architecture, mais dans la qualité de l'évaluation, la robustesse des systèmes de routage et l'adéquation entre l'outil de prévision et le domaine d'application. Cette transition marque le passage d'une optimisation isolée des modèles à une ingénierie prévisionnelle intégrée et multidisciplinaire.