SAP Autonomous Enterprise con TFM

Modelo de lenguaje grande frente a modelo tabular de base

La adquisición de la start-up de IA Prior Labs, con sede en Friburgo, anunciada en mayo de 2026 por SAP, ha puesto de relieve un concepto de IA que podría resultar de vital importancia para los clientes actuales de SAP: los modelos tabulares de base (TFM) y, en particular, la serie de modelos TabPFN (Tabular Prior-data Fitted Network), ya disponible para su uso operativo.

Mientras que el mundo de la IA a nivel global lleva meses centrado en los modelos de lenguaje a gran escala (LLM), como ChatGPT o Claude, en el día a día de la gestión empresarial con sistemas ERP basados en SAP se pone de manifiesto una realidad desalentadora: los modelos de lenguaje clásicos fracasan estrepitosamente cuando deben realizar predicciones precisas basadas en datos empresariales altamente estructurados, ya que tokenizan los números de forma errónea, no comprenden las relaciones matemáticas y tienden a producir alucinaciones masivas en las estructuras de tablas relacionales.

En un entorno de sistemas en el que todo el conocimiento empresarial se almacena en tablas rígidas, como la tabla maestra de materiales MARA o en complejas bases de datos de ventas, el usuario de SAP no necesita, por lo tanto, profesionales polivalentes con gran dominio del lenguaje, sino una herramienta especializada que comprenda las tablas de forma nativa; y es precisamente aquí donde TabPFN promete una revolución técnica basada en la IA.

SAP Autonomous Enterprise necesita una IA alternativa

Desde el punto de vista de la arquitectura informática, el modelo TabPFN rompe con los paradigmas tradicionales de la IA en el ámbito del aprendizaje automático. Desde hace más de veinte años, el análisis de datos tabulares estructurados está dominado por los árboles de decisión potenciados por gradientes (Gradient-Boosted Decision Trees, como XGBoost, LightGBM o CatBoost). Sin embargo, estos métodos presentan una grave deficiencia desde el punto de vista empresarial: requieren un gran esfuerzo de mantenimiento, ya que, para cada nuevo conjunto de datos, deben entrenarse —lo que lleva mucho tiempo—, prepararse manualmente y optimizarse laboriosamente mediante el ajuste de parámetros durante innumerables horas.

TabPFN, por su parte, funciona como un modelo que no requiere entrenamiento alguno y que genera predicciones exclusivamente mediante el aprendizaje en contexto (ICL) en una única pasada hacia adelante (Forward Pass). El modelo ha sido entrenado por Prior Labs con más de 100 millones de conjuntos de datos sintéticos generados artificialmente y, en el proceso, ha aprendido a representar los algoritmos matemáticos y estadísticos subyacentes directamente en sus pesos neuronales.

Para el usuario de SAP, ICL podría suponer una reducción drástica del tiempo de generación de valor: Un Tabular Foundation Model (TFM) puede adaptarse de forma inmediata y sin necesidad de ninguna fase de entrenamiento adicional a cualquier caso de uso empresarial, ya sea para predecir retrasos en los pagos, detectar riesgos de proveedores o analizar la pérdida de clientes.

Ventajas del modelo TabPFN de Prior Labs

El aumento de la eficiencia que esto conlleva roza lo sensacional en el ámbito de las tecnologías de la información y puede demostrarse cuantitativamente con precisión. Las pruebas comparativas independientes, basadas en publicaciones científicas, demuestran que el modelo TabPFN estándar, con conjuntos de datos de hasta 10 000 filas, supera en tan solo 2,8 segundos a los algoritmos clásicos más potentes, que habían sido optimizados intensivamente durante cuatro horas. Esto equivale a una aceleración de un factor de 5.140 en tareas de clasificación y de un factor de 3.000 en regresiones. En comparación con los sistemas de IA convencionales, que consumen enormes recursos computacionales y cantidades astronómicas de tokens durante su funcionamiento, el modelo TabPFN funciona de forma eficiente en cuanto al uso de recursos y, aun así, ofrece resultados mucho más precisos y predecibles.

Con la última generación del modelo TabPFN-2.5, los desarrolladores de Prior Labs han optimizado aún más los límites de escalabilidad de la tecnología TFM: Mientras que la versión anterior solo podía procesar pequeños volúmenes de datos, TabPFN-2.5 ha sido validado para conjuntos de datos de hasta 50 000 puntos de datos y 2000 características (features), lo que supone multiplicar por veinte el número de celdas de datos procesables. En el banco de pruebas informático TabArena, el modelo alcanza, en modo predeterminado, una tasa de acierto perfecta del 100 % frente a XGBoost estándar en conjuntos de datos de clasificación de tamaño pequeño a mediano, y alcanza la precisión de AutoGluon, un conjunto de modelos altamente complejo y optimizado durante varias horas. Con la introducción adicional de la variante Real-TabPFN-2.5, que se ha ajustado con precisión sobre conjuntos de datos reales y seleccionados, esta precisión de predicción se incrementa de nuevo de forma significativa.

TabPFN, diseñado para SAP S/4 y SAP ABAP

Otra ventaja inestimable, dada la realidad de los datos en los sistemas SAP —a menudo incompletos y propensos a errores—, es la extrema robustez del modelo frente a la falta de calidad de los datos del ERP. Normalmente, las redes neuronales requieren una limpieza de datos meticulosa y propensa a errores. TabPFN, por el contrario, gestiona valores categóricos no estructurados, entradas que faltan (valores perdidos), campos de datos poco informativos y valores atípicos extremos de forma totalmente autónoma y sin necesidad de recurrir a complejos procesos ETL manuales que requieren mucho tiempo.

Además, el modelo posee la capacidad inherente de cuantificar las incertidumbres estadísticas sin costes computacionales adicionales. En lugar de una mera cifra determinista, ofrece una distribución de probabilidad completa (distribución objetivo). En procesos empresariales sensibles —como la evaluación de la solvencia o la gestión de riesgos del departamento financiero (SAP Simple Finance)—, esta transparencia constituye una característica de seguridad inestimable, ya que el usuario puede comprobar en todo momento el grado de fiabilidad real de la decisión pronosticada por la IA.

Supercomputación para la «SAP Autonomous Enterprise»

A pesar de esta brillantez arquitectónica de la IA, los clientes actuales de SAP con espíritu crítico no deben pasar por alto las limitaciones estructurales de la infraestructura de aprendizaje en contexto (ICL). Dado que la complejidad computacional de los transformadores TFM (Tabular Foundation Model) varía cuadráticamente con el número de filas y columnas, el tiempo de inferencia puro puede aumentar notablemente con conjuntos de datos muy grandes.

Para sortear este cuello de botella informático (en referencia al cuello de botella de Von Neumann) en entornos ERP productivos, Prior Labs presenta un motor de destilación. Esta herramienta es capaz de traducir de forma totalmente automatizada el complejo modelo TabPFN-2.5 para un conjunto de datos específico en un perceptrón multicapa (MLP) clásico y compacto o en un conjunto de árboles de decisión optimizado. El código resultante pierde su capacidad «in-context», pero ofrece, en entornos productivos en tiempo real, una latencia reducida en varios órdenes de magnitud, así como unos requisitos de memoria mínimos. De este modo, la inteligencia del modelo obtenida puede integrarse a la perfección y sin conflictos de cumplimiento normativo en los flujos de trabajo productivos de SAP existentes, en los que el tiempo es un factor crítico.

Modelo Tabular Foundation con SAP RPT-1 y TabPFN de Prior Labs

Para los clientes actuales de SAP, la tecnología TFM encaja a la perfección en la estrategia global de la plataforma ERP de S/4 Hana y Autonomous Enterprise. Junto con el modelo RPT-1 (Relational Pre-trained Transformer), desarrollado por la propia SAP, y su sucesor, el RPT-1.5, el grupo de ERP con sede en Walldorf intenta consolidar una posición de liderazgo propia y soberana en el ámbito de las aplicaciones de IA basadas en tablas.

Si en el futuro estos modelos se ponen a disposición a través del Generative AI Hub de la Business Technology Platform (SAP BTP) o de la Business Data Cloud (SAP BDC), los departamentos especializados podrán realizar simulaciones complejas y análisis hipotéticos en lenguaje natural a través del asistente de IA Joule, sin necesidad de contratar a costosos especialistas en ciencia de datos.

No obstante, el usuario de S/4 debe mantenerse alerta: dado que estos modelos de tablas altamente eficientes dependen de un contexto de datos impecable y rico en semántica, la implantación de un sistema limpio (SAP Clean Core con Cleanfield) y la estructura de datos a través de SAP Knowledge Graph (HANA) y Datasphere (BDC) se convierte en un requisito económico imprescindible para poder aprovechar las ventajas de TabPFN en la propia empresa.