Генеративный ИИ помогает людям быстрее писать тексты, проводить исследования, программировать или анализировать контент. Это огромное преимущество, но оно сопряжено с серьезной проблемой: согласно исследованию McKinsey, хотя 80% пользователей ИИ заявляют о росте личной продуктивности, только шесть процентов компаний отмечают, что ИИ значительно увеличил их операционную прибыль.
- Как преодолеть этот разрыв? Ответ заключается в том, чтобы помочь компаниям раньше выявлять риски, дефолты, убытки и дефицит ликвидности — и эффективнее управлять ими.
Для Германии и Европы это не абстрактный вызов, а ключ к будущему процветанию. Наша экономическая сила кроется в промышленности: в машиностроении, в цепочках поставок автомобильной отрасли, в сложных производственных и логистических процессах. По оценкам Института немецкой экономики, к 2034 году ИИ может создать в Германии дополнительную валовую добавленную стоимость в размере около 440 млрд евро.
Хорошо, но не во всех случаях
Чтобы снова вдохнуть жизнь в экономику, нам нужен ИИ другого типа. Потому что недостаточно просто обрабатывать и генерировать речь или текст; ИИ должен также уметь работать с данными, с которыми бизнес имеет дело чаще всего. И именно здесь привычные большие языковые модели (LLM) упираются в свой предел. Структурированные данные — например, числа в таблицах — помогают компаниям понимать, что происходит прямо сейчас и что может случиться дальше.
Для этого требуются модели ИИ, понимающие взаимосвязи между строками, столбцами, сущностями и числами. Именно это показывают результаты текущих исследований: несколько независимых бенчмарков 2026 года доказывают, что даже высокопроизводительные LLM справляются с задачами логического анализа таблиц (такими как формулирование выводов на основе таблиц и распознавание взаимосвязей) значительно хуже, чем с языковыми задачами.
Когда данные предвосхищают будущее
Таблицы подчиняются собственной логике. Значения не стоят рядом друг с другом изолированно — они связаны через взаимоотношения столбцов, строк, временных рамок и бизнес-транзакций. Соответственно, табличный ИИ спроектирован так, чтобы распознавать паттерны как по столбцам, так и между связанными таблицами, составляющими корпоративную систему. Настоящая добавленная стоимость заключается в этом сетевом контексте. Рассматривать идентификатор клиента изолированно — это одно. Совершенно другое — видеть, какие заказы оформляет этот клиент, и прогнозировать потребности склада на основе этих данных.
Практический пример: производитель хочет заранее определить, какие клиенты с наибольшей вероятностью задерживают платежи. Для этого одного фрагмента информации недостаточно. Среди прочего, важными факторами являются история платежей, история заказов, данные о поставках и внешняя отраслевая информация. Только взаимодействие этих данных делает надежные прогнозы возможными. Именно для этого и создаются табличные модели ИИ.
Что это означает для инвестиций в ИИ
Классические методы машинного обучения до сих пор используются во многих компаниях для прогнозирования на основе структурированных данных. Они часто дают хорошие результаты, но, как правило, их приходится разрабатывать, обучать и эксплуатировать отдельно для каждого конкретного применения: одна модель — для прогнозирования спроса, другая — для оценки рисков неплатежей или для приоритизации контактов в продажах, и каждая требует подготовки данных, обучения, мониторинга и постоянной поддержки.
Табличные базовые модели (foundation models) меняют это уравнение. Их не нужно создавать заново под каждую бизнес-задачу — они универсальны. Это обеспечивает колоссальный эффект масштабирования. В будущем вместо сотен специализированных моделей будет достаточно одной — такой как SAP-RPT-1.6, которую мы только что открыли для клиентов. С ее помощью компании могут опираться на исторические примеры и существующие закономерности в своих бизнес-данных, чтобы своевременно выявлять новые риски и возможности.
Для компаний это означает конкретный сдвиг: разработка ИИ-прогнозов в будущем больше не потребует запуска сложных индивидуальных проектов. Иными словами, путь от конкретного вопроса к универсальному использованию модели для любых задач становится короче и дешевле.
Кроме того, поскольку табличные базовые модели обучаются не на отдельных сценариях использования, а на больших объемах данных, они способны распознавать кросс-функциональные закономерности, которые специализированные единичные модели (особенно при ограниченных объемах данных) часто упускают из виду. Таким образом, помимо эффекта масштабирования, достигается и прирост знаний, которого ранее в аналитической обработке табличных данных попросту не существовало.
Новая категория корпоративного ИИ
В SAP мы работаем над следующим уровнем корпоративного ИИ. Покупка компании Prior Labs в июле еще больше ускоряет это движение: мы объединяем фундаментальные исследования Prior Labs с реалиями бизнеса наших клиентов и опытом SAP в интеграции ИИ в критически важные бизнес-процессы.
Благодаря TabPFN-3 компания Prior Labs разработала одну из самых мощных моделей с открытым исходным кодом для табличного прогнозирования. Вместе с табличными базовыми моделями семейства SAP-RPT и SAP Knowledge Graph формируется инфраструктура, которая безопасно генерирует структурированные прогнозы непосредственно из специфических корпоративных данных с учетом индивидуального бизнес-контекста.
В целом сейчас мы наблюдаем тренд на развитие различных типов базовых моделей. Помимо табличных базовых моделей появляются модели, обученные на основе временных рядов — например, огромного количества измерений. Они могут оценивать показатели, распознавать паттерны и тем самым прогнозировать числовые значения во времени.
Заключение
Первая волна генеративного ИИ делает сотрудников более продуктивными. Следующая может сделать компании более дальновидными. Решающий фактор здесь заключается не в том, чтобы выбирать между LLM или табличными базовыми моделями. Крайне важно объединять их там, где они приносят наибольшую пользу: LLM — для взаимодействия с языком и знаниями, табличные модели — для прогнозов на основе структурированных бизнес-данных.
При правильном подходе ИИ становится больше, чем просто инструментом продуктивности. Он становится драйвером более качественных бизнес-решений — и фундаментом более сильной экономики.
