SAP incorpora TabPFN-3.5 Plus: IA para predecir con datos empresariales | IT/USERS® Magazine

El modelo de Prior Labs llega a SAP AI Core para generar predicciones a partir de datos tabulares, con aplicaciones en pagos, proveedores y clientes, sin exigir entrenamiento específico para cada tarea. Las tablas que registran pagos, compras y relaciones comerciales contienen información útil para anticipar riesgos y oportunidades. SAP anunció la disponibilidad de TabPFN-3.5 Plus, de Prior Labs, en SAP AI Core. Según la compañía, el modelo utiliza aprendizaje en contexto para generar predicciones a partir de datos empresariales etiquetados, sin entrenar ni ajustar un modelo específico para cada tarea. La propuesta busca reducir el trabajo técnico necesario para aplicar IA predictiva, manteniendo la necesidad de evaluar su utilidad en cada proceso.

Aspectos clave

• TabPFN-3.5 Plus está disponible en SAP AI Core, según el anuncio de SAP.
• El modelo está diseñado para datos estructurados en tablas, como los utilizados en finanzas, compras y gestión de clientes.
• SAP señala que puede manejar valores faltantes, tipos de datos mixtos y columnas con miles de categorías distintas.
• Los casos de uso incluyen anticipación de retrasos en pagos, riesgo de proveedores, venta adicional y abandono de clientes.
• La compañía completó la adquisición de Prior Labs en julio de 2026 y había anunciado una inversión superior a 1.000 millones de euros para expandirla.

La información que ya tiene una empresa puede ayudarla a anticiparse

Lima, Perú, 21 de septiembre de 2026.— Un pago que llega tarde puede alterar la planificación de caja. Un proveedor que incumple puede afectar una operación. Un cliente que reduce su actividad puede estar dando señales de una relación comercial que necesita atención.

Las organizaciones registran estos hechos en sus sistemas. El desafío consiste en utilizar ese historial para identificar patrones y producir estimaciones que ayuden a las personas a actuar con mayor anticipación.

Aquí adquiere relevancia la IA tabular, diseñada para trabajar con información organizada en filas y columnas. Para las áreas de negocio, su valor potencial está en facilitar decisiones concretas: dónde concentrar una revisión, qué situación requiere seguimiento o qué oportunidad merece una conversación comercial.

En ese escenario, SAP SE (NYSE: SAP) anunció la disponibilidad de TabPFN-3.5 Plus en SAP AI Core. El modelo pertenece a Prior Labs, una empresa de SAP especializada en modelos fundacionales tabulares.

¿Por qué es importante?

Aplicar predicciones a los datos operativos puede ayudar a los equipos a priorizar revisiones y anticipar problemas. Si disminuye el esfuerzo necesario para desarrollar modelos, más áreas podrían explorar estos usos. El beneficio dependerá de la calidad de la información, la evaluación de los errores y la capacidad de actuar sobre los resultados.

Qué aporta un modelo fundacional tabular

Los modelos de lenguaje de gran tamaño, o LLM, están orientados al procesamiento del lenguaje. Los modelos fundacionales tabulares, conocidos como TFM, se especializan en aprender patrones a partir de información estructurada.

En el caso de TabPFN-3.5, SAP describe un funcionamiento basado en aprendizaje en contexto: el sistema utiliza ejemplos proporcionados para generar predicciones, sin requerir que el cliente entrene o ajuste un modelo específico para esa tarea.

La expresión “sin entrenamiento” se refiere a esa etapa de uso. No significa que el modelo fundacional nunca haya sido entrenado ni que pueda producir resultados empresariales útiles sin información relevante.

La propia declaración de SAP menciona datos etiquetados: ejemplos que incluyen el resultado que se desea aprender a predecir. En un caso de pagos, por ejemplo, el historial podría distinguir qué obligaciones fueron atendidas a tiempo y cuáles registraron retrasos.

De la predicción a una decisión de negocio

El comunicado identifica aplicaciones en finanzas, proveedores y relaciones con clientes. Su utilidad puede entenderse a través de las preguntas que cada equipo necesita resolver.

Nota: Los usos de la última columna son ejemplos editoriales de aplicación; no resultados de implementaciones presentados en el comunicado.

El trabajo humano continúa siendo decisivo. Una señal de riesgo permite enfocar la atención, pero necesita interpretarse dentro de la situación comercial y operativa de cada organización.

Menos preparación manual para tablas imperfectas

SAP señala que TabPFN-3.5 puede trabajar con valores faltantes, tipos de datos mixtos y campos inconsistentes, reduciendo las tareas de preprocesamiento que suelen acompañar el desarrollo de modelos tradicionales.

También indica que admite columnas con miles de valores distintos, como códigos de producto o identificadores de clientes. Esta característica resulta relevante para bases empresariales que combinan cifras, categorías y otros atributos.

Philipp Herzig, director de Tecnología —CTO— de SAP SE, explica el enfoque:

Los datos del mundo real rara vez son perfectos. Los conjuntos de datos suelen contener relaciones complejas y condiciones variables que dificultan el uso del aprendizaje automático tradicional. TabPFN-3.5 ha sido diseñado específicamente para afrontar estos desafíos, ofreciendo una precisión y escalabilidad líderes en la industria para datos tabulares con un esfuerzo manual mucho menor, lo que lo convierte en el modelo de IA tabular más eficaz del sector hasta la fecha”.

La capacidad de procesar información incompleta puede reducir trabajo técnico. Aun así, corresponde comprobar que los datos elegidos representen adecuadamente el problema, que el resultado a predecir esté bien definido y que la evaluación refleje las condiciones reales de uso.

Qué significan los resultados en TabArena y BeyondArena

SAP fundamenta su afirmación de liderazgo en los resultados de TabArena y BeyondArena, evaluaciones de rendimiento predictivo sobre datos reales. La presentación del informe técnico de Prior Labs también anuncia el primer puesto de TabPFN-3.5 en ambas evaluaciones. Fuente: Prior Labs.

Estos resultados constituyen una referencia técnica, pero su alcance depende de los conjuntos de datos, las configuraciones y las variantes evaluadas. El comunicado no detalla esas condiciones ni proporciona un porcentaje único de precisión aplicable a cualquier empresa.

Para una organización, la comprobación relevante será el desempeño en su propio caso de uso: qué errores comete el modelo, qué consecuencias tienen y cuánto mejora el proceso frente a la alternativa utilizada actualmente.

SAP AI Core y la estrategia de modelos empresariales

La disponibilidad anunciada corresponde a TabPFN-3.5 Plus en SAP AI Core. SAP sitúa esta incorporación junto a su familia de modelos SAP-RPT como parte de su estrategia de IA aplicada a información empresarial.

Herzig añade:

Con TabPFN-3.5 y la familia de modelos SAP-RPT, los clientes pueden obtener predicciones precisas a partir de datos empresariales etiquetados en cuestión de minutos y sin necesidad de entrenamiento. Para nosotros, la IA tabular no es una característica complementaria de la Empresa Autónoma, sino su fundamento”.

La referencia a resultados “en cuestión de minutos” es una afirmación de SAP. El comunicado no especifica tiempos por volumen de datos ni condiciones de ejecución que permitan convertirla en una garantía universal.

Además, generar una predicción y ejecutar una acción son etapas diferentes. La incorporación del modelo no implica, por sí sola, que una empresa deba automatizar decisiones de compras, cobros o atención sin definir previamente responsabilidades y controles.

Prior Labs: una apuesta por los datos estructurados

Según el comunicado, SAP completó la adquisición de Prior Labs en julio de 2026. La compañía continuará operando como una entidad independiente dentro de ese marco.

SAP también recuerda que anunció una inversión superior a 1.000 millones de euros para expandir Prior Labs y desarrollar un laboratorio de IA de frontera enfocado en datos estructurados.

Ese importe corresponde a la inversión anunciada para su expansión; el comunicado no lo presenta como el precio de compra ni como una suma ya ejecutada íntegramente.

La decisión refuerza el lugar de la predicción dentro de la estrategia de SAP: aprovechar los registros que sustentan las operaciones empresariales para apoyar decisiones futuras.

Datos citables

Según el comunicado de SAP:

1. TabPFN-3.5 Plus está disponible en SAP AI Core.
2. El modelo utiliza aprendizaje en contexto para generar predicciones a partir de datos tabulares.
3. Puede manejar valores faltantes y tipos de datos mixtos, de acuerdo con las capacidades anunciadas.
4. Admite columnas con miles de valores distintos, como códigos de productos o identificadores de clientes.
5. SAP completó la adquisición de Prior Labs en julio de 2026.
6. La compañía anunció una inversión superior a 1.000 millones de euros para expandir Prior Labs.
7. Los casos de uso descritos incluyen pagos, proveedores, venta adicional y abandono de clientes.

Knowledge Layer | Conceptos para comprender la IA tabular

• Datos tabulares: información organizada en filas y columnas, como registros de facturación o compras.
• Modelo fundacional tabular —TFM—: modelo previamente entrenado que puede aplicarse a distintas tareas predictivas sobre tablas.
• Aprendizaje en contexto: uso de ejemplos incluidos en la entrada para resolver una tarea sin volver a entrenar los parámetros del modelo durante ese uso.
• Datos etiquetados: registros que incluyen el resultado que se desea aprender a predecir.
• Inferencia: etapa en la que un modelo utiliza la información recibida para producir un resultado.
• Alta cardinalidad: característica de una columna que contiene muchos valores distintos.
• Preprocesamiento: preparación de los datos antes de utilizarlos en un modelo.
• Churn: abandono o pérdida de clientes, definido según los criterios de cada negocio.

FAN-OUT | Preguntas que amplían la noticia

¿TabPFN-3.5 Plus reemplaza a un modelo de lenguaje?

Está orientado a una tarea diferente: producir predicciones a partir de datos tabulares. Puede complementar aplicaciones que emplean modelos de lenguaje para interpretar consultas o explicar información.

¿“Sin entrenamiento” significa que no hacen falta ejemplos históricos?

No. SAP describe el uso de datos empresariales etiquetados y aprendizaje en contexto. La simplificación consiste en evitar el entrenamiento específico de un modelo para cada tarea.

¿Puede trabajar con datos incompletos?

SAP anuncia manejo automático de valores faltantes. Eso no elimina la necesidad de revisar si la información disponible es suficiente y pertinente para el problema.

¿Los resultados de los benchmarks garantizan el mismo desempeño en una empresa peruana?

No. Es necesario evaluar el modelo con datos y condiciones representativos de esa organización antes de utilizar sus predicciones en decisiones operativas.

Visión Estratégica

Para las empresas del Perú y de Latinoamérica, el interés de este anuncio está en la posibilidad de acercar la predicción a problemas cotidianos: pagos que requieren seguimiento, proveedores que merecen revisión y clientes que necesitan atención.

Desde una perspectiva editorial, reducir el esfuerzo de modelado puede facilitar proyectos más enfocados y evaluables. El punto de partida debería ser una pregunta concreta, acompañada de datos pertinentes y un indicador de mejora. La oportunidad también alcanza al trabajo de los profesionales: dedicar menos tiempo a configuraciones repetitivas y más a interpretar resultados, comprender excepciones y decidir. El valor de la IA tabular se hará visible cuando esa capacidad predictiva contribuya a resolver mejor una necesidad real.

Tu Opinión Nos Importa ツ

Me interesa conocer tu perspectiva: ¿qué te gustaría anticipar con los datos que tu organización ya registra: retrasos en pagos, riesgos de proveedores o abandono de clientes? ¿Qué evidencia necesitarías antes de incorporar una predicción de IA a tus decisiones? Comparte tu opinión con #itusersawards2026 y #superfan.

Apoya al Periodismo Independiente

¿Te sirvió en algo este contenido?, ayúdanos a combatir la Desinformación, dona desde S/ 1.00 a nuestro PLIN 943-438-457