La adquisici\u00f3n 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 podr\u00eda 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.<\/p>\n\n\n\n
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 d\u00eda a d\u00eda de la gesti\u00f3n empresarial con sistemas ERP basados en SAP se pone de manifiesto una realidad desalentadora: los modelos de lenguaje cl\u00e1sicos fracasan estrepitosamente cuando deben realizar predicciones precisas basadas en datos empresariales altamente estructurados, ya que tokenizan los n\u00fameros de forma err\u00f3nea, no comprenden las relaciones matem\u00e1ticas y tienden a producir alucinaciones masivas en las estructuras de tablas relacionales.<\/p>\n\n\n\n
En un entorno de sistemas en el que todo el conocimiento empresarial se almacena en tablas r\u00edgidas, 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 aqu\u00ed donde TabPFN promete una revoluci\u00f3n t\u00e9cnica basada en la IA.<\/p>\n\n\n\n
<\/div>\n\n\n\n
SAP Autonomous Enterprise necesita una IA alternativa<\/h2>\n\n\n\n Desde el punto de vista de la arquitectura inform\u00e1tica, el modelo TabPFN rompe con los paradigmas tradicionales de la IA en el \u00e1mbito del aprendizaje autom\u00e1tico. Desde hace m\u00e1s de veinte a\u00f1os, el an\u00e1lisis de datos tabulares estructurados est\u00e1 dominado por los \u00e1rboles de decisi\u00f3n potenciados por gradientes (Gradient-Boosted Decision Trees, como XGBoost, LightGBM o CatBoost). Sin embargo, estos m\u00e9todos 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 \u2014lo que lleva mucho tiempo\u2014, prepararse manualmente y optimizarse laboriosamente mediante el ajuste de par\u00e1metros durante innumerables horas.<\/p>\n\n\n\n
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 \u00fanica pasada hacia adelante (Forward Pass). El modelo ha sido entrenado por Prior Labs con m\u00e1s de 100 millones de conjuntos de datos sint\u00e9ticos generados artificialmente y, en el proceso, ha aprendido a representar los algoritmos matem\u00e1ticos y estad\u00edsticos subyacentes directamente en sus pesos neuronales.<\/p>\n\n\n\n\n\t\t\t\n\t\t\t\tPara el usuario de SAP, ICL podr\u00eda suponer una reducci\u00f3n dr\u00e1stica del tiempo de generaci\u00f3n 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 p\u00e9rdida de clientes.<\/p>\n\n\n\n
<\/div>\n\n\n\n
Ventajas del modelo TabPFN de Prior Labs<\/h2>\n\n\n\n El aumento de la eficiencia que esto conlleva roza lo sensacional en el \u00e1mbito de las tecnolog\u00edas de la informaci\u00f3n y puede demostrarse cuantitativamente con precisi\u00f3n. Las pruebas comparativas independientes, basadas en publicaciones cient\u00edficas, demuestran que el modelo TabPFN est\u00e1ndar, con conjuntos de datos de hasta 10 000 filas, supera en tan solo 2,8 segundos a los algoritmos cl\u00e1sicos m\u00e1s potentes, que hab\u00edan sido optimizados intensivamente durante cuatro horas. Esto equivale a una aceleraci\u00f3n de un factor de 5.140 en tareas de clasificaci\u00f3n y de un factor de 3.000 en regresiones. En comparaci\u00f3n con los sistemas de IA convencionales, que consumen enormes recursos computacionales y cantidades astron\u00f3micas de tokens durante su funcionamiento, el modelo TabPFN funciona de forma eficiente en cuanto al uso de recursos y, aun as\u00ed, ofrece resultados mucho m\u00e1s precisos y predecibles.<\/p>\n\n\n\n
Con la \u00faltima generaci\u00f3n del modelo TabPFN-2.5, los desarrolladores de Prior Labs han optimizado a\u00fan m\u00e1s los l\u00edmites de escalabilidad de la tecnolog\u00eda TFM: Mientras que la versi\u00f3n anterior solo pod\u00eda procesar peque\u00f1os vol\u00famenes de datos, TabPFN-2.5 ha sido validado para conjuntos de datos de hasta 50 000 puntos de datos y 2000 caracter\u00edsticas (features), lo que supone multiplicar por veinte el n\u00famero de celdas de datos procesables. En el banco de pruebas inform\u00e1tico TabArena, el modelo alcanza, en modo predeterminado, una tasa de acierto perfecta del 100 % frente a XGBoost est\u00e1ndar en conjuntos de datos de clasificaci\u00f3n de tama\u00f1o peque\u00f1o a mediano, y alcanza la precisi\u00f3n de AutoGluon, un conjunto de modelos altamente complejo y optimizado durante varias horas. Con la introducci\u00f3n adicional de la variante Real-TabPFN-2.5, que se ha ajustado con precisi\u00f3n sobre conjuntos de datos reales y seleccionados, esta precisi\u00f3n de predicci\u00f3n se incrementa de nuevo de forma significativa.<\/p>\n\n\n\n
<\/div>\n\n\n\n
TabPFN, dise\u00f1ado para SAP S\/4 y SAP ABAP<\/h2>\n\n\n\n Otra ventaja inestimable, dada la realidad de los datos en los sistemas SAP \u2014a menudo incompletos y propensos a errores\u2014, 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 categ\u00f3ricos no estructurados, entradas que faltan (valores perdidos), campos de datos poco informativos y valores at\u00edpicos extremos de forma totalmente aut\u00f3noma y sin necesidad de recurrir a complejos procesos ETL manuales que requieren mucho tiempo.<\/p>\n\n\n\n
Adem\u00e1s, el modelo posee la capacidad inherente de cuantificar las incertidumbres estad\u00edsticas sin costes computacionales adicionales. En lugar de una mera cifra determinista, ofrece una distribuci\u00f3n de probabilidad completa (distribuci\u00f3n objetivo). En procesos empresariales sensibles \u2014como la evaluaci\u00f3n de la solvencia o la gesti\u00f3n de riesgos del departamento financiero (SAP Simple Finance)\u2014, esta transparencia constituye una caracter\u00edstica de seguridad inestimable, ya que el usuario puede comprobar en todo momento el grado de fiabilidad real de la decisi\u00f3n pronosticada por la IA.<\/p>\n\n\n\n
<\/div>\n\n\n\n
Supercomputaci\u00f3n para la \u00abSAP Autonomous Enterprise\u00bb<\/h2>\n\n\n\n A pesar de esta brillantez arquitect\u00f3nica de la IA, los clientes actuales de SAP con esp\u00edritu cr\u00edtico 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) var\u00eda cuadr\u00e1ticamente con el n\u00famero de filas y columnas, el tiempo de inferencia puro puede aumentar notablemente con conjuntos de datos muy grandes.<\/p>\n\n\n\n
Para sortear este cuello de botella inform\u00e1tico (en referencia al cuello de botella de Von Neumann) en entornos ERP productivos, Prior Labs presenta un motor de destilaci\u00f3n. Esta herramienta es capaz de traducir de forma totalmente automatizada el complejo modelo TabPFN-2.5 para un conjunto de datos espec\u00edfico en un perceptr\u00f3n multicapa (MLP) cl\u00e1sico y compacto o en un conjunto de \u00e1rboles de decisi\u00f3n optimizado. El c\u00f3digo resultante pierde su capacidad \u00abin-context\u00bb, pero ofrece, en entornos productivos en tiempo real, una latencia reducida en varios \u00f3rdenes de magnitud, as\u00ed como unos requisitos de memoria m\u00ednimos. De este modo, la inteligencia del modelo obtenida puede integrarse a la perfecci\u00f3n y sin conflictos de cumplimiento normativo en los flujos de trabajo productivos de SAP existentes, en los que el tiempo es un factor cr\u00edtico.<\/p>\n\n\n\n
<\/div>\n\n\n\n
Modelo Tabular Foundation con SAP RPT-1 y TabPFN de Prior Labs<\/h2>\n\n\n\n Para los clientes actuales de SAP, la tecnolog\u00eda TFM encaja a la perfecci\u00f3n 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 posici\u00f3n de liderazgo propia y soberana en el \u00e1mbito de las aplicaciones de IA basadas en tablas.<\/p>\n\n\n\n
Si en el futuro estos modelos se ponen a disposici\u00f3n a trav\u00e9s del Generative AI Hub de la Business Technology Platform (SAP BTP) o de la Business Data Cloud (SAP BDC), los departamentos especializados podr\u00e1n realizar simulaciones complejas y an\u00e1lisis hipot\u00e9ticos en lenguaje natural a trav\u00e9s del asistente de IA Joule, sin necesidad de contratar a costosos especialistas en ciencia de datos.<\/p>\n\n\n\n
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 sem\u00e1ntica, la implantaci\u00f3n de un sistema limpio (SAP Clean Core con Cleanfield) y la estructura de datos a trav\u00e9s de SAP Knowledge Graph (HANA) y Datasphere (BDC) se convierte en un requisito econ\u00f3mico imprescindible para poder aprovechar las ventajas de TabPFN en la propia empresa.<\/p>","protected":false},"excerpt":{"rendered":"
Los modelos tabulares parecen estar hechos a medida para el mundo ABAP de SAP. En un sistema ERP, donde todo se basa en tablas, un LLM (modelo de lenguaje grande) no tiene cabida. La start-up Prior Labs puede salvar la \u00abAutonomous Enterprise\u00bb de SAP con TabPFN (Tabular Prior-data Fitted Network).<\/p>","protected":false},"author":2,"featured_media":161236,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"pmpro_default_level":"","footnotes":""},"categories":[27840],"tags":[453,44122,7675,44106,44395,39847,42140,39,601,273,555,73,65,369,624,44552,43740,36985,42128,44591,517,236,1516,44590,44469],"coauthors":[27825],"class_list":["post-165509","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-chefredakteur-blog","tag-abap","tag-agentic-ai","tag-api","tag-bdc","tag-btp","tag-ccoe","tag-chatgpt","tag-cloud","tag-digitalisierung","tag-dsag","tag-ecc","tag-erp","tag-hana","tag-it","tag-ki-joule","tag-knowledge-graph","tag-llm","tag-on-prem","tag-open-source-3","tag-prior-labs","tag-s4","tag-sap","tag-security","tag-tabpfn","tag-tfm","pmpro-has-access"],"acf":[],"featured_image_urls_v2":{"full":["https:\/\/e3mag.com\/wp-content\/uploads\/2026\/02\/Chefredakteur-neu.jpeg",1000,450,false],"thumbnail":["https:\/\/e3mag.com\/wp-content\/uploads\/2026\/02\/Chefredakteur-neu-150x150.jpeg",150,150,true],"medium":["https:\/\/e3mag.com\/wp-content\/uploads\/2026\/02\/Chefredakteur-neu-400x180.jpeg",400,180,true],"medium_large":["https:\/\/e3mag.com\/wp-content\/uploads\/2026\/02\/Chefredakteur-neu-768x346.jpeg",768,346,true],"large":["https:\/\/e3mag.com\/wp-content\/uploads\/2026\/02\/Chefredakteur-neu.jpeg",1000,450,false],"image-100":["https:\/\/e3mag.com\/wp-content\/uploads\/2026\/02\/Chefredakteur-neu-100x45.jpeg",100,45,true],"image-480":["https:\/\/e3mag.com\/wp-content\/uploads\/2026\/02\/Chefredakteur-neu-480x216.jpeg",480,216,true],"image-640":["https:\/\/e3mag.com\/wp-content\/uploads\/2026\/02\/Chefredakteur-neu-640x288.jpeg",640,288,true],"image-720":["https:\/\/e3mag.com\/wp-content\/uploads\/2026\/02\/Chefredakteur-neu-720x324.jpeg",720,324,true],"image-960":["https:\/\/e3mag.com\/wp-content\/uploads\/2026\/02\/Chefredakteur-neu-960x432.jpeg",960,432,true],"image-1168":["https:\/\/e3mag.com\/wp-content\/uploads\/2026\/02\/Chefredakteur-neu.jpeg",1000,450,false],"image-1440":["https:\/\/e3mag.com\/wp-content\/uploads\/2026\/02\/Chefredakteur-neu.jpeg",1000,450,false],"image-1920":["https:\/\/e3mag.com\/wp-content\/uploads\/2026\/02\/Chefredakteur-neu.jpeg",1000,450,false],"1536x1536":["https:\/\/e3mag.com\/wp-content\/uploads\/2026\/02\/Chefredakteur-neu.jpeg",1000,450,false],"2048x2048":["https:\/\/e3mag.com\/wp-content\/uploads\/2026\/02\/Chefredakteur-neu.jpeg",1000,450,false],"trp-custom-language-flag":["https:\/\/e3mag.com\/wp-content\/uploads\/2026\/02\/Chefredakteur-neu-18x8.jpeg",18,8,true],"bricks_large_16x9":["https:\/\/e3mag.com\/wp-content\/uploads\/2026\/02\/Chefredakteur-neu.jpeg",1000,450,false],"bricks_large":["https:\/\/e3mag.com\/wp-content\/uploads\/2026\/02\/Chefredakteur-neu.jpeg",1000,450,false],"bricks_large_square":["https:\/\/e3mag.com\/wp-content\/uploads\/2026\/02\/Chefredakteur-neu.jpeg",1000,450,false],"bricks_medium":["https:\/\/e3mag.com\/wp-content\/uploads\/2026\/02\/Chefredakteur-neu-600x270.jpeg",600,270,true],"bricks_medium_square":["https:\/\/e3mag.com\/wp-content\/uploads\/2026\/02\/Chefredakteur-neu-600x450.jpeg",600,450,true],"profile_24":["https:\/\/e3mag.com\/wp-content\/uploads\/2026\/02\/Chefredakteur-neu-24x24.jpeg",24,24,true],"profile_48":["https:\/\/e3mag.com\/wp-content\/uploads\/2026\/02\/Chefredakteur-neu-48x48.jpeg",48,48,true],"profile_96":["https:\/\/e3mag.com\/wp-content\/uploads\/2026\/02\/Chefredakteur-neu-96x96.jpeg",96,96,true],"profile_150":["https:\/\/e3mag.com\/wp-content\/uploads\/2026\/02\/Chefredakteur-neu-150x150.jpeg",150,150,true],"profile_300":["https:\/\/e3mag.com\/wp-content\/uploads\/2026\/02\/Chefredakteur-neu-300x300.jpeg",300,300,true]},"post_excerpt_stackable_v2":"
Tabular Foundation Models scheinen wie gemacht zu sein f\u00fcr die Abap-Welt der SAP. In einem ERP-System, wo alles auf Tabellen beruht, hat ein LLM (Large Language Modell) nichts verloren. Das Start-up Prior Labs kann mit TabPFN (Tabular Prior-data Fitted Network) das SAP\u2019sche Autonomous Enterprise retten.<\/p>\n","category_list_v2":"Chefredakteur-Blog<\/a>","author_info_v2":{"name":"Peter M. F\u00e4rbinger, E3 Magazine","url":"https:\/\/e3mag.com\/es\/author\/peter-m-faerbinger-e-3-magazin\/"},"comments_num_v2":"0 comentarios","_links":{"self":[{"href":"https:\/\/e3mag.com\/es\/wp-json\/wp\/v2\/posts\/165509","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/e3mag.com\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/e3mag.com\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/e3mag.com\/es\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/e3mag.com\/es\/wp-json\/wp\/v2\/comments?post=165509"}],"version-history":[{"count":3,"href":"https:\/\/e3mag.com\/es\/wp-json\/wp\/v2\/posts\/165509\/revisions"}],"predecessor-version":[{"id":165519,"href":"https:\/\/e3mag.com\/es\/wp-json\/wp\/v2\/posts\/165509\/revisions\/165519"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/e3mag.com\/es\/wp-json\/wp\/v2\/media\/161236"}],"wp:attachment":[{"href":"https:\/\/e3mag.com\/es\/wp-json\/wp\/v2\/media?parent=165509"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/e3mag.com\/es\/wp-json\/wp\/v2\/categories?post=165509"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/e3mag.com\/es\/wp-json\/wp\/v2\/tags?post=165509"},{"taxonomy":"author","embeddable":true,"href":"https:\/\/e3mag.com\/es\/wp-json\/wp\/v2\/coauthors?post=165509"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
![\"\"](\"https:\/\/e3mag.com\/wp-content\/uploads\/2026\/07\/e3nl26kw31_grafik-1200x670.png\")