Las herramientas de Aprendizaje Automático Automatizado (AutoML) están revolucionando el campo del aprendizaje automático al reducir significativamente la necesidad de una profunda experiencia en ciencias de la computación. Diseñadas para hacer que el aprendizaje automático sea más accesible, permiten a los usuarios construir modelos de alto rendimiento sin un amplio conocimiento técnico. Este estudio profundiza en estas herramientas en el contexto del análisis de series temporales, que es esencial para prever tendencias futuras a partir de datos históricos. Evaluamos tres herramientas AutoML prominentes: AutoGluon, Auto-Sklearn y PyCaret, a través de diversas métricas, empleando conjuntos de datos variados que incluyen datos de Bitcoin y COVID-19. Los resultados revelan que el rendimiento de cada herramienta depende en gran medida del conjunto de datos específico y de su capacidad para gestionar las complejidades de los datos de series temporales. Esta exhaustiva investigación no solo demuestra las fortalezas y limitaciones de cada herramienta AutoML, sino que también destaca la importancia de consideraciones específicas del conjunto de datos en el análisis de series temporales. Ofreciendo valiosos conocimientos tanto para profesionales como para investigadores, este estudio enfatiza la necesidad continua de investigación y desarrollo en esta área especializada. Su objetivo es servir como referencia para organizaciones que manejan conjuntos de datos de series temporales y como un marco orientador para futuras investigaciones académicas en la mejora de la aplicación de herramientas AutoML para la previsión y análisis de series temporales.