Вам кажется, что все деньги в AI уходят только в гигантские языковые модели и картинки? А вот и нет. 6 мая 2026 года стало известно, что SAP - немецкий гигант корпоративного софта - вливает €1 миллиард в Prior Labs, стартап, который делает ставку на табличные фундаментальные модели (TFM). Да-да, те самые скучные Excel-таблицы, на которых держится весь мир ERP-систем, вдруг стали золотой жилой.
Коротко о главном: Prior Labs разрабатывает модель, способную понимать и предсказывать данные в таблицах без долгого обучения под каждую задачу. SAP забирает технологию в своё облако, а стартап получает карт-бланш на масштабирование. Цель - снизить порог входа в ML для тысяч корпораций, которые до сих пор нанимают дата-сайентистов для каждой мелочи.
Причём тут Prior Labs и почему не OpenAI?
Prior Labs - не очередной клон ChatGPT. Их специализация - работа с реляционными и плоскими таблицами: тысячи колонок, миллионы строк, пропущенные значения, категориальные признаки. В то время как обычные LLM путаются в числах и датах, TFM от Prior Labs (по слухам, модель пятого поколения TabPFN-5) выдает предсказания на уровне градиентного бустинга, но в сотни раз быстрее.
Иронично: мы привыкли, что AI пишет стихи и рисует единорогов, а самый денежный кейс - прогнозирование оттока клиентов или оптимизация поставок. SAP это поняла давно - в 2025 они выпустили собственную модель RPT-1, но Prior Labs ушла дальше: их модель native обрабатывает missing values и требует всего один проход для few-shot обучения.
Миллиард евро: что купили на самом деле?
Если открыть баланс SAP - это капля в море. Но стратегически - это прицел на эру AI-агентов в корпоративном софте. Представьте: вы загружаете в SAP старый Excel с продажами, а модель сама подсказывает, где складской дефицит, и предлагает альтернативного поставщика. Без настройки, без команды ML.
Сделка включает эксклюзивное право SAP на использование TFM в своих продуктах (SAP S/4HANA, SAP Analytics Cloud, BTP). Prior Labs остаётся независимой и может продавать модель в другие сферы - медицину, банки, логистику. Напоминает сделку a16z, которая вкладывает $1.7 млрд в AI-инфраструктуру - тренд на индустриализацию ML налицо.
Что это меняет для рынка enterprise AI?
До сих пор внедрение AI в крупных компаниях упиралось в ручную инженерию признаков, тяжёлый feature engineering и обучение моделей для каждого отчёта отдельно. Приоритеты инвестиций в 2026 году сместились в сторону фундаментальных моделей для структурированных данных - и SAP здесь не одинока. vLLM с $150 млн тоже ломает инференс, но для LM, а Prior Labs закрывает брешь в таблицах.
Последствия для SAP:
- Ускорение выхода ML-функций в стандартные модули SAP (прогнозирование спроса, кредитный скоринг, риск-менеджмент).
- Снижение TCO для клиентов - не нужно покупать отдельные ML-платформы.
- Удушение конкурентов (вроде Oracle и Workday) через data-эффект: чем больше клиентов используют TFM, тем точнее предсказания.
Характерно, что эта новость пришла на фоне других крупных сделок в AI: бесплатный AI-врач Lotus Health собрал $35 млн, а Anthropic купил Coefficient Bio за $400 млн. Все ищут выход за пределы текстового AI в реальные данные - таблицы, графики, временные ряды.
Prior Labs vs классический ML: есть ли подводные камни?
Звучит логично, но есть нюанс: фундаментальные табличные модели требуют огромных вычислительных ресурсов на этапе обучения. Prior Labs тренировала свою модель на суперкомпьютере с 10 тысячами GPU, что объясняет запрашиваемые инвестиции. Венчурные инвесторы уже вливают миллиарды в AI-чипы, и Prior Labs не исключение.
Вторая проблема - интерпретируемость. Если градиентный бустинг даёт понятные веса признаков, то нейросетевая TFM - чёрный ящик. SAP обещает добавить слой объяснений через SHAP-значения, но пока доверия к модели у бухгалтеров и аудиторов может не хватить.
| Характеристика | Классический ML (CatBoost) | TabPFN-5 (Prior Labs) |
|---|---|---|
| Время обучения | Часы / дни | Секунды (zero-shot) |
| Работа с пропусками | Требует импутации | Встроенная обработка |
| Интерпретируемость | Высокая (SHAP, importance) | Низкая (пока) |
| Производительность на таблицах до 10к строк | Средняя | Высокая (SOTA) |
Тем не менее, ЛеКун недавно заявил, что будущее AI - в моделях, понимающих физический мир. Но пока до физического мира далеко, табличные модели уже приносят деньги. А SAP, как консервативный игрок, выбирает самое надёжное - цифры в колонках.
Кто следующий? Прогноз до 2027
Думаю, в ближайшие полгода мы увидим волну поглощений в сегменте TFM. Уже сейчас Databricks, Snowflake и Microsoft ведут переговоры с несколькими стартапами (например, Parloa, утроивший оценку до $3 млрд, тоже смотрит в сторону табличных данных). Но SAP опередила всех, застолбив Prior Labs.
Совет для тех, кто работает с данными в enterprise: не ждите, пока TFM станут стандартом. Начните экспериментировать с открытыми версиями TabPFN или RPT-1 уже сейчас. Если вы до сих пор вручную пишете SQL-запросы и таскаете данные в Python-скрипты - время бежать. Потому что через год вашу работу сможет делать одна модель за 50 миллисекунд. И этой модели только что дали миллиард евро на прокачку.
