L’AI generativa aiuta a scrivere, fare ricerca, programmare e analizzare contenuti più rapidamente. Ma i benefici individuali non si traducono automaticamente in risultati per le organizzazioni. Secondo uno studio McKinsey, mentre l’80% degli utenti di AI dichiara un aumento della propria produttività, soltanto il 6% delle aziende afferma di aver ottenuto un incremento significativo dell’utile operativo. Come colmare questa distanza? Una parte della risposta sta nella capacità di anticipare: previsioni dei ritardi nei pagamenti, individuare rischi nella catena di fornitura, stimare la domanda o intercettare pressioni sulla liquidità.
Non tutti i dati parlano la stessa lingua
Gli LLM (Large Language Model) hanno dimostrato capacità straordinarie nell’elaborazione del linguaggio e nella generazione di contenuti, e continuano a crescere in termini di potenza e versatilità. Nelle imprese, tuttavia, sfruttare appieno questo potenziale richiede qualcosa di più: occorre conoscere le strutture sottostanti ai dati e saper interpretare le relazioni tra dimensioni e oggetti di business che spesso non sono descritte esplicitamente. Le organizzazioni lavorano con grandi quantità di dati strutturati — ordini, transazioni, registrazioni contabili, informazioni sui clienti e livelli di magazzino la cui logica è implicita nella loro architettura, non nella loro superficie.
Il significato di questi dati non risiede nei singoli valori, ma nelle relazioni tra righe, colonne, entità e sequenze temporali. Un numero isolato dice poco: conta il collegamento con gli altri elementi. Le analisi indipendenti del 2026 mostrano che anche gli LLM più avanzati incontrano maggiori difficoltà nei compiti di ragionamento su tabelle rispetto a quelli linguistici. Interpretare dati tabulari, riconoscere correlazioni e ricavarne previsioni affidabili richiede capacità specifiche.
Non si tratta di contrapporre le tecnologie, ma di scegliere lo strumento più adatto a ciascun problema valorizzando la potenza degli LLM dove eccellono e affiancandola a strumenti specializzati dove le relazioni tra dati aziendali sono determinanti.
Quando i dati aiutano a prevedere
È qui che entrano in gioco i modelli di AI tabulare, progettati per interpretare dati strutturati e individuare relazioni e schemi ricorrenti. Immaginiamo, per esempio, un produttore che voglia individuare in anticipo i clienti che hanno una maggiore probabilità di pagare in ritardo. La storia dei pagamenti è un punto di partenza, ma da sola potrebbe non bastare. Occorre considerare anche l’andamento degli ordini, eventuali variazioni nei volumi di acquisto, i tempi di consegna e le informazioni sul contesto economico e di settore.
Un modello capace di analizzare queste relazioni può aiutare l’impresa a riconoscere segnali di rischio prima che si traducano in un problema concreto. Questo è il valore dell’AI tabulare: trasformare i dati di business da una fotografia di ciò che è già successo in uno strumento per orientare le decisioni successive.
Analizzando questi elementi nel loro insieme, un modello aiuta a riconoscere segnali di rischio prima che diventino un problema reale. Il valore dell’AI tabulare è proprio questo: trasformare i dati da fotografia di ciò che è già accaduto a strumento per orientare le decisioni future.
Meno modelli da costruire, più valore dai dati
Le aziende utilizzano da tempo il machine learning per formulare previsioni sui dati strutturati. Un’impresa può aver bisogno di un modello per prevedere la domanda, di un altro per individuare i rischi di insolvenza e di un terzo per stabilire quali opportunità commerciali meritino maggiore attenzione. Ogni modello comporta attività di preparazione dei dati, addestramento, monitoraggio e manutenzione. Con il crescere dei casi d’uso, aumentano anche complessità, costi e tempi di implementazione.
I modelli fondazionali tabulari introducono un approccio differente. Grazie a un pre-addestramento su grandi quantità di dati strutturati e attraverso la conoscenza profonda delle strutture transazionali, possono essere adattati a problemi e applicazioni diverse senza dover ripartire ogni volta da zero.
Le organizzazioni possono così riutilizzare un modello per più previsioni, riducendo tempi e investimenti. La capacità di riconoscere schemi tra contesti diversi può inoltre far emergere relazioni che modelli specializzati potrebbero non cogliere.
Verso una nuova generazione di AI enterprise
In SAP stiamo contribuendo a questa evoluzione anche attraverso l’acquisizione di Prior Labs, avvenuta nel luglio 2026, che unisce la sua ricerca sui modelli tabulari alla conoscenza dei processi aziendali e dei contesti operativi maturata da SAP nel corso degli anni. TabPFN-3 è uno dei modelli open source più avanzati per le previsioni tabulari. Insieme alla famiglia SAP-RPT e a SAP Knowledge Graph, contribuisce a valorizzare le relazioni tra i dati e il contesto di business.
Un’applicazione particolarmente significativa riguarda la collaborazione con HPE per l’implementazione di SAP-RPT su HPE Spaceborne Computer-2, a bordo della Stazione Spaziale Internazionale. Il modello è destinato a supportare il rilevamento di anomalie, la previsione di potenziali guasti e la ricostruzione dei dati mancanti dei sensori, elaborando le informazioni direttamente in orbita, senza doverle trasmettere sulla Terra. Una dimostrazione delle potenzialità dell’AI tabulare anche dove risorse e connettività sono limitate.
Oltre la produttività individuale
La prima ondata dell’AI generativa ha aumentato la produttività delle persone. La prossima sfida è estendere questo valore all’intera organizzazione. Il futuro non sarà una competizione tra LLM e modelli tabulari, ma una loro collaborazione: i primi per interagire con il linguaggio e rendere accessibili le informazioni; i secondi per interpretare i dati strutturati, riconoscere relazioni e formulare previsioni.
Integrate nei processi e accompagnate da adeguati meccanismi di controllo, queste capacità possono aiutare le imprese a individuare prima rischi e opportunità e a decidere con maggiore consapevolezza. Il vero salto dell’AI non consisterà soltanto nel rispondere meglio alle nostre domande, ma nell’aiutare le aziende a capire che cosa potrebbe accadere e come prepararsi.
di Roberto Fraccapani, Head of Solution and Architect Advisory, SAP Italia
