Mejorar la precisión de la predicción del consumo de energía de los edificios es útil para reducir los gastos comerciales y las emisiones de carbono. Sin embargo, los desafíos como la escasez de datos de entrenamiento y la ausencia de modelos eficientes son los principales obstáculos en este campo. Para abordar estos problemas, este trabajo introduce un modelo llamado MTLTFT, que combina el aprendizaje multi-tarea (MTL) con el transformador de fusión temporal (TFT). El enfoque MTL se utiliza para maximizar la efectividad de los datos limitados al introducir múltiples tareas de predicción relacionadas. Este método mejora el proceso de aprendizaje al permitir que el modelo aprenda representaciones compartidas entre diferentes tareas, aunque el número físico de datos permanezca sin cambios. El componente TFT, optimizado para el aprendizaje de características, se integra para mejorar aún más el rendimiento del modelo. Basándonos en un conjunto de datos de un gran edificio de exposiciones en Hangzhou, llevamos a cabo varios experimentos de predicción. Los resultados demuestran que MTLTFT supera a la mayoría de los métodos de referencia (como LSTM, GRU, N-HiTS) en cuanto al Error Cuadrático Medio de la Raíz (RMSE) y al Error Porcentual Absoluto Medio (MAPE), lo que sugiere que MTLTFT es un enfoque prometedor para la predicción del consumo de energía de los edificios y otras tareas similares.