SAP Autonomous Enterprise mit TFM

Large Language Model versus Tabular Foundation Model

Die im Mai 2026 angekündigte Übernahme des Freiburger KI-Start-ups Prior Labs durch SAP hat ein KI-Konzept ins Rampenlicht gerückt, das für SAP-Bestandskunden von fundamentaler Bedeutung sein könnte: Tabular Foundation Models (TFMs) und insbesondere die operativ verfügbare Modellreihe TabPFN (Tabular Prior-data Fitted Network).

Während die globale KI-Welt seit Monaten auf Large Language Models (LLMs) wie ChatGPT oder Claude blickt, offenbart sich für den betriebswirtschaftlichen ERP-Alltag an der SAP-Basis eine ernüchternde Wahrheit: Klassische Sprachmodelle versagen kläglich, wenn sie präzise Vorhersagen auf Basis hochstrukturierter Unternehmensdaten treffen sollen, da sie Zahlen fehlerhaft tokenisieren, mathematische Zusammenhänge nicht begreifen und in relationalen Tabellenstrukturen zu massiven Halluzinationen neigen.

In einer Systemlandschaft, in der das gesamte betriebswirtschaftliche Wissen in starren Tabellen wie etwa der Materialstamm-Tabelle MARA oder komplexen Vertriebsdatenbanken abgelegt ist, benötigt der SAP-Anwender folglich keine sprachgewandten Alleskönner, sondern ein spezialisiertes Werkzeug, das Tabellen nativ versteht – und genau hier verspricht TabPFN eine technische KI-Disruption.

SAP Autonomous Enterprise braucht alternative KI

Aus architektonischer IT-Sicht bricht das TabPFN-Modell mit den traditionellen KI-Paradigmen des maschinellen Lernens. Seit über zwanzig Jahren wird die Analyse strukturierter Tabellendaten von gradienten-optimierten Entscheidungsbäumen (Gradient-Boosted Decision Trees wie XGBoost, LightGBM oder CatBoost) dominiert. Diese Verfahren weisen jedoch eine gravierende betriebswirtschaftliche Schwachstelle auf: Sie sind wartungsintensiv, da sie für jeden neuen Datensatz zeitaufwendig trainiert, manuell vorbereitet und über unzählige Stunden hinweg mühsam per Parametertuning optimiert werden müssen.

TabPFN hingegen agiert als vollständig trainingsfreies Modell, das Vorhersagen rein über In-Context-Learning (ICL) in einem einzigen Vorwärtspass (Forward Pass) generiert. Das Modell wurde von Prior Labs auf über 100 Millionen künstlich erzeugten, synthetischen Datensätzen trainiert und hat dabei gelernt, die zugrundeliegenden mathematischen und statistischen Algorithmen direkt in seinen neuronalen Gewichten abzubilden.

Für den SAP-Anwender könnte ICL eine drastische Verkürzung der Time-to-Value bedeuten: Ein Tabular Foundation Model (TFM) kann sich spontan und ohne jegliche zusätzliche Trainingsphase an jeden beliebigen geschäftlichen Anwendungsfall anpassen – sei es zur Prognose von Zahlungsverzögerungen, zur Erkennung von Lieferantenrisiken oder zur Analyse von Kundenabwanderungen.

Überlegenheit von Prior Labs TabPFN-Modell

Die damit einhergehende Effizienzsteigerung grenzt an eine IT-Sensation und lässt sich quantitativ präzise belegen. Unabhängige Benchmarks auf Basis von wissenschaftlichen Veröffentlichungen zeigen, dass das standardmäßige TabPFN-Modell bei Datensätzen mit bis zu 10.000 Zeilen die stärksten klassischen Algorithmen, die zuvor vier Stunden lang intensiv optimiert wurden, in gerade einmal 2,8 Sekunden schlägt. Dies entspricht einer Beschleunigung um den Faktor 5140 bei Klassifikationsaufgaben und um den Faktor 3000 bei Regressionen. Im Vergleich zu herkömmlichen KI-Systemen, die im laufenden Betrieb gigantische Rechenressourcen und astronomische Token-Mengen verschlingen, arbeitet das TabPFN-Modell ressourcenschonend und liefert dennoch weitaus präzisere und vorhersagbare Ergebnisse.

Mit der neuesten Modellgeneration TabPFN-2.5 haben die Entwickler von Prior Labs zudem die bisherigen Skalierungsgrenzen der TFM-Technik weiter optimiert: Konnte die Vorgängerversion nur kleine Datenmengen verarbeiten, ist TabPFN-2.5 für Datensätze mit bis zu 50.000 Datenpunkten und 2000 Merkmalen (Features) validiert – was einer Verzwanzigfachung der verarbeitbaren Datenzellen entspricht. Auf dem IT-Benchmark TabArena erzielt das Modell im reinen Default-Modus eine perfekte Siegesquote von 100 Prozent gegen Standard-XGBoost auf kleinen bis mittleren Klassifikationsdatensätzen und erreicht die Genauigkeit von AutoGluon, einem hochkomplexen, mehrstündig optimierten Modell-Ensemble. Durch die zusätzliche Einführung der Variante Real-TabPFN-2.5, die auf echten, kuratierten Datensätzen feinabgestimmt wurde, wird diese Vorhersagegenauigkeit nochmals signifikant gesteigert.

TabPFN, wie für SAP S/4 und SAP Abap geschaffen

Ein weiterer, unschätzbarer Vorteil für die oft unvollständige und fehleranfällige Datenrealität in SAP-Systemen ist die extreme Robustheit des Modells gegenüber mangelnder ERP-Datenqualität. Normalerweise erfordern neuronale Netze eine akribische und fehleranfällige Datenbereinigung. TabPFN hingegen bewältigt unstrukturierte, kategoriale Werte, fehlende Einträge (Missing Values), uninformative Datenfelder und extreme Ausreißer (Outliers) völlig autonom und ohne den zeitintensiven Umweg über komplexe, manuelle ETL-Pipelines.

Zudem besitzt das Modell die inhärente Fähigkeit, statistische Unsicherheiten ohne zusätzliche Rechenkosten zu quantifizieren. Anstatt einer bloßen, deterministischen Zahl liefert es eine vollständige Wahrscheinlichkeitsverteilung (Target Distribution) zurück. In sensiblen Geschäftsprozessen – etwa bei der Bonitätsprüfung oder im Risikomanagement der Finanzabteilung (SAP Simple Finance) – ist diese Transparenz ein unschätzbares Sicherheitsmerkmal, da der Anwender stets ablesen kann, wie verlässlich die prognostizierte Entscheidung der KI tatsächlich ist.

Supercomputing für das SAP Autonomous Enterprise

Trotz dieser architektonischen KI-Brillanz darf der kritische SAP-Bestandskunde die strukturellen Limitierungen der In-Context-Learning-Infrastruktur (ICL) nicht ignorieren. Da die Rechenkomplexität von TFM-Transformers (Tabular Foundation Model) quadratisch mit der Anzahl der Zeilen und Spalten skaliert, kann die reine Inferenzzeit bei sehr großen Datensätzen spürbar ansteigen.

Um diesen IT-Flaschenhals (in Erinnerung an den Von-Neumanschen Flaschenhals) in produktiven ERP-Umgebungen zu umgehen, führt Prior Labs eine Distillation Engine ein. Dieses Werkzeug ist in der Lage, das komplexe TabPFN-2.5-Modell für einen spezifischen Datensatz vollautomatisiert in ein kompaktes, klassisches Multi-Layer-Perceptron (MLP) oder ein schlankes Entscheidungsbaum-Ensemble zu übersetzen. Der daraus resultierende Code verliert seine In-Context-Fähigkeit, liefert jedoch im produktiven Live-Betrieb eine um Größenordnungen geringere Latenzzeit sowie einen minimalen Speicherbedarf. Damit lässt sich die gewonnene Modellintelligenz nahtlos und ohne Compliance-Konflikte in bestehende, zeitkritische SAP-Produktivpipelines integrieren.

Tabular Foundation Model mit SAP RPT-1 und Prior Labs TabPFN

Für den SAP-Bestandskunden fügt sich die TFM-Technik perfekt in die übergeordnete ERP-Plattformstrategie eines S/4 Hana und Autonomous Enterprise ein. Zusammen mit dem von SAP selbst entwickelten Modell RPT-1 (Relational Pre-trained Transformer) und dessen Nachfolger RPT-1.5 versucht der Walldorfer ERP-Konzern, eine eigene, souveräne Vormachtstellung bei tabellarischen KI-Anwendungen aufzubauen.

Wenn diese Modelle künftig über den Generative AI Hub der Business Technology Platform (SAP BTP) oder die Business Data Cloud (SAP BDC) bereitgestellt werden, können Fachbereiche über den KI-Assistenten Joule komplexe Simulationen und „Was-wäre-wenn“-Analysen in natürlicher Sprache durchführen, ohne dass dafür teure Data-Science-Spezialisten rekrutiert werden müssen.

Der S/4-Anwender muss jedoch wachsam bleiben: Da diese hocheffizienten Tabellenmodelle auf einen makellosen, semantisch reichen Datenkontext angewiesen sind, wird die Etablierung eines sauberen Systems (SAP Clean Core mit Cleanfield) und der strukturierte Datenaufbau über den SAP Knowledge Graph (Hana) und Datasphere (BDC) zur zwingenden ökonomischen Eintrittskarte, um die Vorteile von TabPFN im eigenen Unternehmen überhaupt aktivieren zu können.