SAP Autonomous Enterprise avec TFM

Modèle linguistique à grande échelle contre modèle de base tabulaire

L'acquisition par SAP de la start-up fribourgeoise spécialisée dans l'IA, Prior Labs, annoncée en mai 2026, a mis en avant un concept d'IA qui pourrait revêtir une importance fondamentale pour les clients existants de SAP : les modèles de base tabulaires (TFM) et, en particulier, la série de modèles TabPFN (Tabular Prior-data Fitted Network) déjà opérationnelle.

Alors que le monde de l'IA à l'échelle mondiale a les yeux rivés depuis des mois sur les grands modèles linguistiques (LLM) tels que ChatGPT ou Claude, une réalité décevante se révèle pour le quotidien des systèmes ERP en gestion d'entreprise basés sur SAP : les modèles linguistiques classiques échouent lamentablement lorsqu’il s’agit de formuler des prédictions précises à partir de données d’entreprise hautement structurées, car ils tokenisent les chiffres de manière erronée, ne comprennent pas les relations mathématiques et ont tendance à produire des hallucinations massives dans les structures de tables relationnelles.

Dans un environnement système où l'ensemble des connaissances de gestion d'entreprise est stocké dans des tables rigides, telles que la table de base des articles MARA ou des bases de données commerciales complexes, l'utilisateur SAP n'a donc pas besoin de généralistes polyvalents, mais d'un outil spécialisé, qui comprenne les tables de manière native – et c’est précisément là que TabPFN promet une véritable révolution technique grâce à l’IA.

SAP Autonomous Enterprise a besoin d'une IA alternative

D'un point de vue informatique et architectural, le modèle TabPFN rompt avec les paradigmes traditionnels de l'IA en matière d'apprentissage automatique. Depuis plus de vingt ans, l'analyse des données tabulaires structurées est dominée par les arbres de décision optimisés par gradient (Gradient-Boosted Decision Trees, tels que XGBoost, LightGBM ou CatBoost). Ces méthodes présentent toutefois une grave faiblesse d'un point de vue économique : elles nécessitent beaucoup d'entretien, car pour chaque nouvel ensemble de données, elles doivent être entraînées, ce qui prend beaucoup de temps, préparées manuellement et optimisées laborieusement pendant d'innombrables heures par un réglage des paramètres.

TabPFN, en revanche, fonctionne comme un modèle ne nécessitant aucun apprentissage, qui génère des prédictions uniquement par apprentissage contextuel (ICL) en un seul passage avant (Forward Pass). Ce modèle a été entraîné par Prior Labs sur plus de 100 millions d'ensembles de données synthétiques générées artificiellement et a ainsi appris à reproduire directement les algorithmes mathématiques et statistiques sous-jacents dans ses poids neuronaux.

Pour l'utilisateur SAP, ICL pourrait signifier une réduction considérable du délai de rentabilisation : un modèle de base tabulaire (TFM) peut s'adapter spontanément et sans aucune phase d'apprentissage supplémentaire à n'importe quel cas d'utilisation métier, qu'il s'agisse de prévoir des retards de paiement, d'identifier les risques liés aux fournisseurs ou d'analyser la perte de clientèle.

Les avantages du modèle TabPFN de Prior Labs

Le gain d'efficacité qui en résulte tient presque du miracle informatique et peut être démontré de manière quantitative et précise. Des tests de performance indépendants, basés sur des publications scientifiques, montrent que le modèle TabPFN standard, sur des ensembles de données comptant jusqu’à 10 000 lignes, bat en seulement 2,8 secondes les algorithmes classiques les plus performants, qui avaient auparavant fait l’objet d’une optimisation intensive pendant quatre heures. Cela correspond à une accélération d’un facteur de 5 140 pour les tâches de classification et d’un facteur de 3 000 pour les régressions. Contrairement aux systèmes d’IA traditionnels, qui engloutissent d’énormes ressources de calcul et des quantités astronomiques de tokens pendant leur fonctionnement, le modèle TabPFN fonctionne de manière économe en ressources tout en fournissant des résultats bien plus précis et prévisibles.

Avec la dernière génération de modèles TabPFN-2.5, les développeurs de Prior Labs ont en outre encore optimisé les limites de mise à l'échelle de la technologie TFM : Alors que la version précédente ne pouvait traiter que de petits volumes de données, TabPFN-2.5 a été validé pour des ensembles de données comportant jusqu’à 50 000 points de données et 2 000 caractéristiques (features), ce qui correspond à une multiplication par vingt du nombre de cellules de données pouvant être traitées. Sur le benchmark informatique TabArena, le modèle obtient, en mode par défaut, un taux de victoire parfait de 100 % face à XGBoost standard sur des ensembles de données de classification de petite à moyenne taille, et atteint la précision d’AutoGluon, un ensemble de modèles hautement complexe, optimisé pendant plusieurs heures. L’introduction supplémentaire de la variante Real-TabPFN-2.5, qui a été affinée à partir d’ensembles de données réels et curatés, permet d’augmenter encore significativement cette précision de prédiction.

TabPFN, conçu pour SAP S/4 et SAP ABAP

Un autre avantage inestimable, compte tenu de la réalité des données souvent incomplètes et sujettes à des erreurs dans les systèmes SAP, réside dans l’extrême robustesse du modèle face à la mauvaise qualité des données ERP. En règle générale, les réseaux neuronaux nécessitent un nettoyage minutieux des données, processus qui est lui-même source d’erreurs. TabPFN, en revanche, traite de manière totalement autonome les valeurs non structurées et catégorielles, les entrées manquantes (missing values), les champs de données non informatifs et les valeurs aberrantes extrêmes (outliers), sans passer par le détour fastidieux des pipelines ETL manuels complexes.

De plus, ce modèle possède la capacité intrinsèque de quantifier les incertitudes statistiques sans coût de calcul supplémentaire. Au lieu d’un simple chiffre déterministe, il renvoie une distribution de probabilité complète (distribution cible). Dans les processus métier sensibles – par exemple lors de l’évaluation de la solvabilité ou dans la gestion des risques du service financier (SAP Simple Finance) – cette transparence constitue un gage de sécurité inestimable, car l’utilisateur peut à tout moment évaluer le degré de fiabilité réel de la décision prévue par l’IA.

Le calcul intensif au service de l'entreprise autonome SAP

Malgré cette prouesse architecturale en matière d'IA, le client SAP existant, doté d'un esprit critique, ne doit pas ignorer les limites structurelles de l'infrastructure d'apprentissage en contexte (ICL). Étant donné que la complexité de calcul des transformateurs TFM (Tabular Foundation Model) évolue de manière quadratique avec le nombre de lignes et de colonnes, le temps d'inférence pur peut augmenter sensiblement avec des ensembles de données très volumineux.

Afin de contourner ce goulot d'étranglement informatique (en référence au goulot d'étranglement de von Neumann) dans les environnements ERP en production, Prior Labs lance un moteur de distillation. Cet outil est capable de traduire de manière entièrement automatisée le modèle complexe TabPFN-2.5, pour un ensemble de données spécifique, en un perceptron multicouche (MLP) classique et compact ou en un ensemble allégé d’arbres de décision. Le code ainsi généré perd sa capacité « in-context », mais offre, en environnement de production en temps réel, une latence réduite de plusieurs ordres de grandeur ainsi qu’une consommation de mémoire minimale. Cela permet d’intégrer l’intelligence du modèle ainsi acquise de manière transparente et sans conflit de conformité dans les pipelines de production SAP existants, où le temps est un facteur critique.

Modèle de base Tabular avec SAP RPT-1 et TabPFN de Prior Labs

Pour les clients SAP existants, la technologie TFM s'intègre parfaitement dans la stratégie globale de plateforme ERP que constituent S/4 Hana et Autonomous Enterprise. En s'appuyant sur le modèle RPT-1 (Relational Pre-trained Transformer) développé par SAP lui-même et sur son successeur, le RPT-1.5, le groupe ERP de Walldorf tente d'asseoir sa propre position dominante dans le domaine des applications d'IA basées sur des tables.

Si ces modèles sont à l'avenir mis à disposition via le Generative AI Hub de la Business Technology Platform (SAP BTP) ou le Business Data Cloud (SAP BDC), les services métier pourront, grâce à l’assistant IA Joule, réaliser des simulations complexes et des analyses de type „ et si “ en langage naturel, sans avoir à recruter de coûteux spécialistes en science des données.

L'utilisateur S/4 doit toutefois rester vigilant : ces modèles de tables hautement efficaces reposant sur un contexte de données irréprochable et riche sur le plan sémantique, la mise en place d'un système « propre » (SAP Clean Core avec Cleanfield) et la structuration des données via SAP Knowledge Graph (HANA) et Datasphere (BDC) constituent un prérequis économique incontournable pour pouvoir tirer pleinement parti des avantages de TabPFN au sein de son entreprise.