Was passiert
SAP entwickelt seit drei Jahren an Tabular Foundation Models (TFMs), um Vorhersagen auf Basis strukturierter Daten effizienter zu gestalten. Das Modell RPT 1.6 ist das Ergebnis dieser Forschungsarbeit, verstärkt wurde das Engagement durch die Akquisition von Prior Labs. Parallel hat TabPFN, ein weiteres TFM-Modell, bereits Eingang in praktische Anwendungen gefunden.
Das zentrale Problem, das SAP mit dieser Technologie adressiert, ist ein markanter Mismatch zwischen Produktivitätswahrnehmung und echtem Geschäftsergebnis: Eine McKinsey-Studie zeigt, dass zwar 80 Prozent der KI-Nutzer von gesteigerter persönlicher Produktivität berichten, aber nur sechs Prozent der Unternehmen angeben, dass KI ihren operativen Gewinn signifikant erhöht. Für SAP-CTO Philipp Herzig liegt die Erklärung klar: Large Language Models sind für viele betriebliche Aufgaben das falsche Werkzeug.
Konkret problematisch sind Prognosen für Cashflow, Credit Scoring, Predictive Maintenance oder Zahlungsverzögerungen – also typische Szenarien mit Zeitreihenanalyse, Klassifikation und Regression. Hier zeigen LLMs ihre grundsätzliche Grenze: Sie sind token-ineffizient für solche Aufgaben, weil sie Daten zwanghaft in Sprache kodieren müssen, statt tabellarische Strukturen direkt zu verarbeiten.
SAP hat sich explizit gegen die Entwicklung eines eigenen LLM entschieden, weil das Kerngeschäft des Unternehmens strukturierte Daten sind – typischerweise in Tabellenform vorliegen. Genau dort liegt der Ansatzpunkt: Tabular Foundation Models funktionieren als universelle Modelle über verschiedene Aufgaben hinweg, ohne dass für jeden Einzelfall ein spezialisiertes Modell trainiert werden muss.
Die Modelle sind deutlich kleiner als LLMs – Herzig spricht von einigen hundert Millionen Parametern statt Milliarden oder Billionen. Eine Vorhersage mit TabPFN dauert weniger als eine Sekunde, während ein LLM in dieser Zeit gerade erst anfängt, sich selbst zu erklären, was das Problem ist. Der Energieverbrauch unterscheidet sich drastisch: Bei vergleichbaren Aufgaben benötigte RPT etwa 100.000-mal weniger FLOPs und etwa 50.000-mal weniger Energie als ein LLM-Vergleich.
Bei der Validierung zeigt sich: TFMs erzielen gegen klassische Machine-Learning-Baselines inzwischen in nahezu allen Fällen bessere Ergebnisse. Gegenüber AutoML-Ansätzen liegen die Modelle in etwa 70 bis 80 Prozent der Fälle vorne – ohne dass man für jede Aufgabe Wochen oder Monate mit Modellentwicklung investieren muss. SAP trainiert seine Modelle nicht mit echten Kundendaten, sondern nutzt allgemein verfügbare tabellarische Daten und synthetisch generierte Datasets. Validierung erfolgt mit echten Kundendaten, ohne dass diese in das Training einflossen.
Ein weiteres Unterscheidungsmerkmal ist die Reproduzierbarkeit und Erklärbarkeit. Anders als LLMs liefern TFMs bei gleichen Eingaben immer dieselbe Vorhersage und dieselbe Konfidenz. Für die Nachvollziehbarkeit hat SAP mit RPT 1.6 zwei Erklärungsansätze eingebaut: „Explain by Feature" zeigt, welche Spalten der Tabelle die Vorhersage beeinflusst haben; „Explain by Example" demonstriert, welche anderen Datensätze zur Vorhersage beitrugen.
Einordnung
Das klassische Machine Learning hatte eine entscheidende Schwachstelle: Für jeden neuen Anwendungsfall musste ein dediziertes Modell entwickelt werden. Der Prozess war langwierig – Datenaufbereitung, Algorithmenselektion, Hyperparameter-Tuning, alles erforderte Wochen bis Monate. Hinzu kam das Risiko von Model Drift und Data Drift: Die statistischen Verteilungen in den zugrunde liegenden Daten ändern sich, und das sorgfältig trainierte Modell verliert an Relevanz. Außerdem brauchte es Experten mit tiefgreifenden Statistik- und Machine-Learning-Kenntnissen.
Large Language Models brachten einen neuen Paradigmenwechsel: Foundation Models, die über unterschiedliche Aufgaben hinweg generalisieren. Bei NLP funktionierte das hervorragend – doch bei strukturierten Daten stoßen sie auf ihre natürliche Grenze. Das ist nicht einfach ein Effizienzproblem, sondern ein konzeptionelles: Tabellarische Daten haben eine völlig andere Struktur als natürliche Sprache.
SAP überträgt nun das Foundation-Model-Prinzip auf strukturierte Daten. Das Kernversprechen: Statt für jeden Anwendungsfall ein spezialisiertes Modell zu trainieren, gibt es ein großes Modell, das verallgemeinert. Der Anwender gibt historische Daten in Tabellenform ein, und das Modell löst unterschiedliche prädiktive Aufgaben – ob Credit Scoring in einer Bank, Financial Trading oder medizinische Vorhersagen anhand von Biomarkern. Das Prinzip bleibt identisch.
Damit einher geht eine Demokratisierung der Technologie: Nicht mehr nur Data-Science-Experten mit fünf Jahren Ausbildung können Vorhersagen treffen. Jeder mit strukturierten Daten und einer Fragestellung kann das Modell einsetzen. Das ist besonders relevant für mittlere und große Unternehmen ohne spezialisierte Data-Science-Teams oder mit hohem Bedarf an schnellen Ad-hoc-Analysen.
Im Markt gibt es inzwischen Konkurrenz – NVIDIA, Google, AWS und Open-Source-Anbieter entwickeln ebenfalls TFMs. SAP verweist auf unabhängige Benchmarks auf Plattformen wie Hugging Face, wo die Modelle TabPFN und RPT 1.6 nach eigener Aussage sehr gut abschneiden. TabPFN wird bereits von Creditplus im Kreditgeschäft, von Hitachi für Predictive Maintenance bei Zügen, von der TD Bank im Financial Forecasting und von Oxford Cancer Analytics in klinischen Anwendungen eingesetzt.
Was das bedeutet
Die zentrale Implikation ist eine Verlagerung von generativer KI von Knowledge-Work-Anwendungen zu operativen Business-Problemen. Die Diskussion über KI und Agenten dreht sich oft um Produktivität von Mitarbeitern und Kostenersparnis – unmittelbare Effekte bei Knowledge Workern. Doch für Einzelhändler, Lebensmittelhersteller, Pharmaunternehmen und produzierende Betriebe ist das meiste Kapital nicht in Lohnkosten gebunden, sondern in der Supply Chain, im Working Capital, in Lagerbeständen und Lagerkosten.
Dort entfalten Tabular Foundation Models ihren echten Wert: Demand Forecasting, das um fünf oder zehn Prozent besser wird, reduziert bei einem großen Einzelhandelsketten mit Tausenden Filialen unmittelbar Lagerbestände und Kosten. Cashflow-Prognosen, die präziser werden, optimieren Days Sales Outstanding und entsprechend das Working Capital. Predictive Maintenance verhindert teure Ausfallzeiten. What-if-Szenarien und Preisoptimierung laufen nicht mehr als monatelange Projekte mit Data-Science-Teams, sondern als situative Analysen in Sekunden.
Das ist der echte ROI, auf den McKinsey anspielt, wenn 94 Prozent der Unternehmen von KI nicht profitieren. Foundation Models für tabellarische Daten schließen diese Lücke, weil sie betriebliche Realität direkt adressieren – nicht menschliche Produktivität, sondern operative Effizienz und Kapitaloptimierung.
