SAPs 1-Milliarde-Euro-Wette auf Tabellenbasierte Foundation-Modelle verändert die KI
SAP schloss die Übernahme von Prior Labs am 17. Juli 2026 ab und verpflichtete sich, mehr als 1 Milliarde Euro (etwa 1,16 Milliarden US-Dollar) in ein Unternehmen zu investieren, das erst 18 Monate zuvor gegründet worden war. Der Deal signalisiert, dass Europas größtes Softwareunternehmen eine bedeutende Chance in der strukturierten Datenschicht sieht, die von allgemeinen Chatbots konsequent übersehen wurde.
Der erstmals im Mai 2026 angekündigte Deal verpflichtet SAP, über vier Jahre hinweg mehr als 1 Milliarde Euro zu investieren, um Prior Labs zu einem führenden KI-Forschungszentrum für tabellenbasierte Foundation-Modelle auszubauen. Anfang 2025 sammelte Prior Labs 9 Millionen Euro in einer Pre-Seed-Finanzierungsrunde ein. Das in Freiburg ansässige Startup wird unter dem SAP-Dach weiterhin unabhängig operieren. TabPFN-2.6, das Flaggschiff-Modell von Prior Labs, nimmt strukturierte Daten als Eingabe und erzeugt Vorhersagen. Seine Genauigkeit entspricht dem, was eine AutoML-Pipeline nach vier Stunden Arbeit liefern würde, aber es erledigt die Aufgabe in Sekunden. Dieser Geschwindigkeitsvorteil ermöglicht Echtzeit-Entscheidungen im operativen Geschäft, die mit traditionellen Data-Science-Workflows bisher unpraktikabel waren.
Tabellenbasierte Foundation-Modelle adressieren den blinden Fleck der Enterprise-KI
Der Markt hat sich in den letzten zwei Jahren auf große Sprachmodelle konzentriert, die Texte generieren, Code schreiben und Fragen beantworten. Aber etwa 80 % der Unternehmensdaten sind tabellarisch: Zeilen und Spalten in Tabellenkalkulationen, ERP-Tabellen, CRM-Datensätzen und Lieferkettendatenbanken. Dies sind die Daten, die über Kreditlimits entscheiden, Geräteausfälle vorhersagen, Nachfragen prognostizieren und betrügerische Transaktionen kennzeichnen. Bisher haben LLMs diese Schicht weitgehend ignoriert, da sie für sequenziellen Text und nicht für strukturierte Tabellen ausgelegt sind.
SAP verwaltet mehr tabellarische Daten als fast jede andere Organisation. Seine ERP-Systeme verarbeiten Beschaffung, Bestand, Gehaltsabrechnung und Finanzberichterstattung für Zehntausende von Unternehmen. Diese Daten in eine Chat-Oberfläche zu speisen, verfehlt den Zweck. Der wahre Wert liegt in Vorhersagen: welche Kunden abwandern, welche Maschinen ausfallen und welche Bestände knapp werden, geliefert in Sekunden statt in Stunden.
Genau das liefert TabPFN-2.6 von Prior Labs. Das Modell umgeht die zeitaufwändige AutoML-Pipeline, die Data Scientists normalerweise durchlaufen (Feature-Engineering, Modellauswahl, Hyperparameter-Tuning), und liefert Ergebnisse mit Geschwindigkeiten, die Echtzeit-Entscheidungen im operativen Geschäft ermöglichen. SAP setzt darauf, dass dieser Geschwindigkeitsvorteil, angewandt auf die riesigen tabellarischen Datensätze, die es bereits verwaltet, eine Kategorie von Enterprise-KI schafft, die eigene Foundation-Modelle verdient und nicht nur ein umfunktioniertes LLM.
Warum sich tabellenbasierte Foundation-Modelle vom LLM-Wettrüsten unterscheiden
Der Kontrast zum breiteren KI-Markt ist auffällig. OpenAI, Anthropic, Google und Meta geben Milliarden für die Skalierung von LLMs mit größeren Kontexten, multimodalen Eingaben und agentischen Fähigkeiten aus. SAPs Wette auf tabellenbasierte Foundation-Modelle ist keine Alternative zu diesem Rennen; es ist die Anerkennung, dass das Rennen auf einer völlig anderen Spur läuft. Strukturierte Daten-KI erfordert grundlegend andere Architekturen: Modelle, die Spaltenbeziehungen verstehen, fehlende Werte nativ behandeln und ohne erneutes Training über Tabellen hinweg verallgemeinern können.
Prior Labs veröffentlichte das ursprüngliche TabPFN-Paper im Jahr 2022 und zeigte, dass ein auf synthetischen tabellarischen Daten vortrainiertes Transformer-Modell traditionelle Gradient-Boosted Trees und AutoML-Systeme auf kleinen bis mittelgroßen Datensätzen übertreffen konnte. Die diesjährige Veröffentlichung von TabPFN-2.6 erweitert diese Fähigkeit auf größere Datensätze und komplexere Vorhersageaufgaben. Für SAP, das Daten aus so unterschiedlichen Branchen wie Fertigung, Einzelhandel und Finanzdienstleistungen verwaltet, ist ein Modell, das ohne datensatzspezifisches Training über Tabellen hinweg verallgemeinert, der Schlüssel zur Bereitstellung von KI in großem Maßstab ohne proportionalen Anstieg der Data-Science-Mitarbeiter.
Es gibt auch eine europäische Dimension dieser Wette. Prior Labs wird als das erste unternehmenseigene KI-Frontier-Labor des Kontinents für tabellarische Daten positioniert, ein bewusster Kontrast zum von den USA dominierten LLM-Ökosystem. Europäische politische Entscheidungsträger haben wiederholt ihre Besorgnis über den Rückstand der Region bei der Entwicklung von Foundation-Modellen geäußert. SAP baut effektiv einen dritten Weg: eine Foundation-Modell-Strategie, die nicht direkt mit GPT oder Claude konkurriert, sondern ein Gebiet besetzt, in dem die europäische industrielle Stärke bei ERP- und Geschäftssoftware einen natürlichen Vorteil bietet.
Die Verpflichtung von 1 Milliarde Euro spiegelt das Ausmaß dieser Ambition wider. Es ist nicht nur ein Kaufpreis. Es ist ein vierjähriges Forschungsbudget, um Prior Labs zu einem Frontier-KI-Labor auszubauen, das mit DeepMind und FAIR zu eigenen Bedingungen konkurrieren kann. SAP argumentiert effektiv, dass die strukturierte Datenschicht groß genug und strukturell anders genug ist, um einen dedizierten Forschungsaufwand zu rechtfertigen, anstatt inkrementelle Verbesserungen bestehender LLM-Architekturen.
Was dies für Unternehmenskäufer bedeutet
Für CTOs und Technologieführer, die KI-Investitionen bewerten, sendet die SAP-Prior-Labs-Übernahme ein klares Signal. Die vorherrschende Annahme, dass LLMs mit genügend Prompting oder Fine-Tuning jeden Datentyp verarbeiten können, wird von einem Unternehmen in Frage gestellt, das die sensibelsten Geschäftsdaten der Welt verwaltet. Wenn SAP erfolgreich TabPFN-2.6 zu einer Plattform macht, die Vorhersagen aus Unternehmenstabellen in Gesprächsgeschwindigkeit generiert, könnte der Wettbewerbsvorteil für seine Kunden erheblich sein.
Betrachten Sie die Alternative. Ein Beschaffungsmanager, der ein allgemeines LLM zur Analyse von Lieferantenrisiken verwendet, müsste Daten exportieren, einen Prompt strukturieren, die Ausgabe validieren und die Ergebnisse zurück in das ERP-System importieren. Ein tabellenbasiertes Foundation-Modell, das direkt in das SAP-Ökosystem eingebettet ist, könnte die gleiche Analyse als native Funktion ausführen, die Datenbank abfragen, Inferenz durchführen und Ergebnisse zurückschreiben, ohne die Anwendung zu verlassen. Das ist der Unterschied zwischen einer Funktion und einer Plattform.
Die Wette birgt Risiken. Prior Labs ist ein 18 Monate altes Startup mit einer einzigen Modellfamilie und einem kleinen Team. Die Skalierung eines Forschungslabors zum Frontier-Status in vier Jahren mit 1 Milliarde Euro ist nach jedem Maßstab ehrgeizig, und SAPs Erfolgsbilanz bei großen Akquisitionen ist durchwachsen. Das Unternehmen muss auch auf die Wettbewerbsreaktion von Cloud-Anbietern (AWS, Google Cloud und Microsoft Azure, die alle AutoML- und tabellarische KI-Dienste anbieten) sowie von spezialisierten KI-Startups reagieren, die auf die gleichen strukturierten Datenanwendungsfälle abzielen.
Es stellt sich auch die Frage der Akzeptanz. Tabellenbasierte Foundation-Modelle erfordern die Integration in bestehende Datenpipelines und Entscheidungs-Workflows. SAPs Kundenstamm umfasst Tausende von Organisationen, die veraltete ERP-Systeme betreiben, die nicht für Echtzeit-KI-Inferenz ausgelegt sind. Das Unternehmen wird diese Lücke mit Middleware, APIs und Beratungsdiensten schließen müssen, die zusätzliche Komplexität in einen bereits mehrjährigen Bereitstellungszyklus für viele Unternehmen bringen.
Warum dies wichtig ist
Der SAP-Prior-Labs-Deal ist der Moment, in dem strukturierte Daten-KI aufhörte, ein Nischenproblem zu sein, und zu einer Investitionsthese im Vorstand wurde. Der Markt wurde darauf konditioniert, KI als Chatbots und Code-Generatoren zu betrachten. Der wahre Unternehmenswert könnte unsichtbar sein, in Modellen verborgen, die nie einen Satz schreiben, aber leise vorhersagen, welche Rechnung verspätet eingeht, welche Sendung sich verzögert und welcher Kunde abwandert. SAP hat die bislang größte Einzelwette auf diese Vision platziert, und die nächsten vier Jahre werden entscheiden, ob tabellenbasierte Foundation-Modelle zum Rückgrat der Enterprise-KI werden oder zu einem kostspieligen Umweg von der LLM-Autobahn. Der Deal testet, ob spezialisierte KI-Architekturen die LLM-zentrierten Strategien übertreffen können, die heute die Unternehmens-KI-Diskussionen dominieren.
Related Articles
- OpenAI und Anthropic investieren 350 Millionen Dollar in die Erforschung der Auswirkungen von KI auf den Arbeitsmarkt
- SAP Reltio Acquisition abgeschlossen, um Joule AI Agents mit vereinheitlichten Daten zu unterstützen
- SAP-Dremio-Übernahme vereinheitlicht Daten für agentische KI
✔Human Verified
Recherchiert und mit Primärquellen abgeglichen von der Bytevyte-Redaktion.