A brevissima distanza dall’annuncio dell’acquisizione di Dremio, SAP mette a segno un nuovo tassello nella propria strategia sull’intelligenza artificiale annunciando l’accordo per Prior Labs, realtà specializzata nei modelli fondazionali per dati strutturati. SAP accelera sul fronte dell’intelligenza artificiale applicata ai dati strutturati annunciando l’acquisizione di Prior Labs, realtà specializzata nei Tabular Foundation Models (TFM). L’operazione si inserisce in una strategia più ampia che punta a ridefinire il ruolo dell’AI nelle piattaforme enterprise, spostando il focus dai modelli generalisti a sistemi progettati specificamente per comprendere e valorizzare i dati tabellari.
L’accordo, di cui non sono stati resi noti i dettagli economici, prevede un investimento superiore a un miliardo di euro nei prossimi quattro anni per trasformare Prior Labs in un laboratorio di frontiera sull’intelligenza artificiale per dati strutturati. La società continuerà a operare come entità indipendente, mantenendo velocità e autonomia nella ricerca, mentre SAP garantirà un collegamento diretto tra risultati scientifici e sviluppo di prodotti enterprise.
Il limite degli LLM sui dati strutturati
Alla base dell’operazione c’è una valutazione tecnica precisa: i large language model, pur eccellenti nel trattamento del linguaggio naturale, mostrano limiti significativi quando si tratta di dati strutturati. Tabelle, numeri e relazioni statistiche richiedono un tipo di rappresentazione e inferenza diversa, che gli LLM gestiscono solo parzialmente.
I Tabular Foundation Models sviluppati da Prior Labs nascono per colmare questo gap: sono progettati per apprendere direttamente da dataset tabellari e generare previsioni accurate su fenomeni tipici del contesto enterprise, come ritardi nei pagamenti, rischio fornitori, churn dei clienti o opportunità di upselling.
Cosa sono i Tabular Foundation Models
Si tratta di una nuova classe di modelli di intelligenza artificiale pensati per lavorare su dati strutturati, organizzati in tabelle. A differenza dei large language model, addestrati su contenuti non strutturati, apprendono relazioni statistiche e dipendenze tra variabili numeriche e categoriali.
Dal punto di vista architetturale combinano elementi dei transformer con tecniche di machine learning tabellare, consentendo di generalizzare su dataset diversi senza addestramenti specifici per ogni caso d’uso. Questo li rende particolarmente adatti al contesto enterprise, dove i dati sono eterogenei ma condividono strutture ricorrenti.
Nel contesto SAP questo aspetto è decisivo: la maggior parte dei dati gestiti nei sistemi ERP, CRM, supply chain e finance è intrinsecamente tabellare. Ordini, fatture, anagrafiche clienti e fornitori, movimenti di magazzino e flussi finanziari sono tutti rappresentati come insiemi strutturati di record e attributi, ed è su questi dati che si basano le decisioni operative quotidiane.
Un elemento distintivo è la capacità di operare in modalità in-context, generando previsioni a partire da pochi esempi senza pipeline di training dedicate. Applicati ai processi SAP, questi modelli possono tradursi in capacità predittive integrate direttamente nelle applicazioni: dalla previsione dei ritardi di pagamento all’ottimizzazione della supply chain, fino all’analisi del rischio e alla simulazione di scenari operativi.
Philipp Herzig, CTO di SAP, sintetizza così la direzione: “La più grande opportunità ancora inespressa nell’AI enterprise non sono i large language model, ma l’intelligenza artificiale costruita per i dati strutturati che guidano il business mondiale”.
Tabular Foundation Models e nuova generazione di AI enterprise
Il cuore tecnologico di Prior Labs è rappresentato dalla famiglia di modelli TabPFN, già ampiamente adottata in ambito open source e accademico. La diffusione della tecnologia è significativa: TabPFN ha superato i tre milioni di download ed è supportato da un ecosistema attivo di sviluppatori.
L’ultima versione, TabPFN-2.6, si posiziona ai vertici dei benchmark di settore, raggiungendo livelli di accuratezza comparabili a pipeline automatizzate di machine learning che richiedono ore di elaborazione, ma con risposta istantanea e una frazione della complessità operativa.
L’integrazione di interfacce conversazionali consente inoltre agli utenti business di interagire direttamente con i dati, generare o selezionare dataset ed eseguire scenari “what-if” senza competenze specialistiche.
Un laboratorio AI per i dati strutturati
Con l’acquisizione, SAP punta a creare uno dei principali centri di ricerca globali sui modelli fondazionali tabellari. Il laboratorio opererà come unità indipendente per garantire velocità nella ricerca, mentre SAP fornirà investimenti a lungo termine e un percorso diretto verso la trasformazione dei risultati scientifici in prodotti integrati.
Il progetto potrà contare su un ecosistema di ricerca di alto livello, con il coinvolgimento di figure di riferimento come Yann LeCun e Bernhard Schölkopf nel comitato scientifico consultivo. LeCun, tra i pionieri del deep learning e vincitore del Premio Turing, ha contribuito in modo determinante allo sviluppo delle reti neurali moderne, mentre Schölkopf, direttore del Max Planck Institute for Intelligent Systems, è uno dei principali studiosi di machine learning teorico e inferenza causale. La combinazione di queste competenze riflette l’obiettivo di coniugare modelli di frontiera con una comprensione più profonda delle relazioni nei dati, elemento centrale per applicazioni AI affidabili in ambito enterprise.
Integrazione con la piattaforma SAP e Joule
Dal punto di vista architetturale, i modelli di Prior Labs saranno integrati nei principali componenti della piattaforma SAP, tra cui SAP AI Core, SAP Business Data Cloud e il layer agentico rappresentato da Joule.
Questo consente di inserire le capacità predittive direttamente nei processi aziendali, abilitando scenari in cui gli agenti AI anticipano eventi e attivano automaticamente workflow applicativi o nuovi agenti.
Una strategia coerente: dato, piattaforma, modelli
L’acquisizione di Prior Labs si inserisce in una sequenza ravvicinata di operazioni che delineano una strategia organica. A fine marzo 2026 SAP ha annunciato l’acquisizione di Reltio, focalizzata sulla qualità e unificazione del dato, mentre l’accordo per Dremio rafforza il layer infrastrutturale con un lakehouse aperto per l’accesso e la federazione delle informazioni.
In questo contesto, Prior Labs rappresenta il livello dei modelli. La combinazione delle tre operazioni definisce un’architettura completa, in cui il dato viene prima normalizzato, poi reso accessibile in tempo reale e infine utilizzato da modelli avanzati per generare insight e azioni.
La strategia di Prior Labs mantiene una forte componente open source. SAP ha confermato l’impegno a sostenere e ampliare questo approccio, riconoscendo il ruolo della comunità nello sviluppo e nella diffusione delle tecnologie AI per dati strutturati.
Oltre la previsione: verso l’AI causale
Uno degli aspetti più rilevanti dell’approccio di Prior Labs è il passaggio da modelli predittivi basati su correlazioni a sistemi in grado di avvicinarsi alla causalità. Comprendere non solo cosa accadrà, ma perché accadrà rappresenta un cambio di paradigma per le applicazioni enterprise.
In questa prospettiva, la capacità di spiegare le decisioni e garantire conformità normativa, inclusi i requisiti GDPR, diventa parte integrante del valore dell’intelligenza artificiale.
Un tassello chiave per l’enterprise agentic
Con Prior Labs, SAP rafforza la propria posizione in un ambito ancora poco presidiato dai grandi player: l’AI progettata specificamente per dati strutturati. In combinazione con le recenti acquisizioni e con lo sviluppo di Joule, emerge una traiettoria chiara verso l’enterprise agentic, in cui dati, modelli e processi convergono in sistemi autonomi capaci di comprendere il contesto, prendere decisioni e attivarle.
