La inteligencia artificial comienza a ampliar su papel en la gestión empresarial, al permitir que las organizaciones utilicen sus propios registros para anticipar situaciones que podrían afectar la liquidez, los ingresos y la continuidad operativa. Con ese objetivo, SAP incorporó una nueva capacidad predictiva que analiza datos estructurados sin exigir que las empresas desarrollen y entrenen modelos específicos desde cero.

La compañía anunció la disponibilidad de TabPFN-3.5 Plus en SAP AI Core, un modelo desarrollado por Prior Labs, empresa adquirida por SAP en julio de 2026. La tecnología está diseñada para procesar información organizada en filas y columnas, como registros de clientes, proveedores, pagos, ventas e inventarios, y generar predicciones a partir de esos datos.

Entre sus posibles aplicaciones figura la identificación de facturas con mayor probabilidad de retraso, la detección anticipada de presiones sobre el flujo de caja y la evaluación de riesgos asociados a proveedores. También puede ayudar a los equipos comerciales a reconocer clientes con mayor posibilidad de abandonar la compañía o identificar oportunidades adicionales de venta.

De analizar el pasado a anticipar escenarios

La analítica empresarial se ha concentrado tradicionalmente en explicar resultados: cuánto vendió una organización, qué gastos aumentaron, cuánto logró cobrar o dónde se produjeron desviaciones. La incorporación de modelos predictivos permite utilizar esa misma información para estimar escenarios futuros y ofrecer señales que faciliten decisiones antes de que los problemas se reflejen en los resultados.

Uno de los obstáculos para extender estas herramientas ha sido la preparación de los datos. La información empresarial puede contener valores faltantes, categorías diferentes, identificadores de clientes y numerosos códigos de productos, además de registros almacenados en distintos formatos. Convertir esos conjuntos de datos en insumos adecuados para el aprendizaje automático suele requerir procesos de limpieza, especialistas y varias etapas de entrenamiento y ajuste.

Leer  Samsung redefine la experiencia del Galaxy S26 con su 'triple IA'

TabPFN-3.5 busca reducir esa complejidad. Según SAP, el modelo puede trabajar directamente con datos empresariales estructurados, interpretar distintos tipos de información y generar predicciones sin el proceso de entrenamiento que normalmente requieren los modelos tradicionales.

Una IA enfocada en los datos de las empresas

Mientras los modelos de lenguaje han concentrado buena parte de la atención por sus capacidades para redactar textos, responder preguntas y resumir documentos, otra vertiente de la inteligencia artificial se enfoca en interpretar números, fechas, categorías, transacciones y registros operativos.

Estos modelos permiten abordar problemas distintos, como estimar la probabilidad de que una factura se pague fuera de plazo, identificar clientes con riesgo de abandonar una empresa o detectar proveedores que podrían representar una mayor exposición para la operación.

Para las áreas financieras, estas señales pueden aportar información antes de que una dificultad se refleje en los estados de resultados. En los equipos comerciales, pueden contribuir a priorizar esfuerzos, mientras que en las operaciones permiten reconocer riesgos con mayor anticipación y evaluar alternativas frente a posibles interrupciones.

“Los datos del mundo real rara vez son perfectos. Los conjuntos de datos suelen contener relaciones complejas y condiciones variables que dificultan el uso del aprendizaje automático tradicional. TabPFN-3.5 ha sido diseñado específicamente para afrontar estos desafíos, ofreciendo una precisión y escalabilidad líderes en la industria para los datos tabulares con un esfuerzo manual mucho menor”, afirmó Philipp Herzig, director de Tecnología (CTO) de SAP SE.

Herzig agregó que la combinación de TabPFN-3.5 y la familia de modelos SAP-RPT permite obtener predicciones a partir de datos empresariales etiquetados en cuestión de minutos, sin necesidad de entrenar previamente un modelo.

Leer  HONOR apuesta por la inteligencia artificial y la resistencia en su propuesta tecnológica para las madres modernas

Más información para decidir con anticipación

La posibilidad de generar predicciones sin construir un modelo desde cero puede reducir una de las barreras para incorporar el aprendizaje automático en las empresas: el tiempo y los recursos que requiere transformar una necesidad operativa en un proyecto de ciencia de datos.

Esto no elimina la intervención humana. Una predicción puede advertir sobre una mayor probabilidad de retraso en un pago o de riesgo relacionado con un proveedor, pero corresponde a los responsables de cada área interpretar la información, valorar las circunstancias y determinar las medidas que deben adoptarse.

El cambio está en la oportunidad con que esas señales pueden llegar a quienes toman decisiones. En lugar de esperar a que una dificultad aparezca en un informe posterior, las organizaciones pueden utilizar sus registros para identificar posibles escenarios y evaluar respuestas con mayor anticipación.

La adquisición de Prior Labs, completada por SAP en julio de 2026, forma parte de esta apuesta. La compañía también anunció una inversión superior a 1.000 millones de euros para ampliar el desarrollo de tecnologías de inteligencia artificial enfocadas en datos estructurados, que sustentan buena parte de las operaciones empresariales.

Esta evolución apunta a una nueva etapa en la analítica corporativa: aprovechar la información acumulada por las organizaciones no solo para comprender lo que ocurrió, sino también para estimar qué podría suceder y actuar antes de que sus consecuencias afecten al negocio.

DEJA UNA RESPUESTA

Por favor ingrese su comentario!
Por favor ingrese su nombre aquí