A próxima fronteira da IA empresarial está nas tabelas

Quando se fala em inteligência artificial generativa dentro das empresas, a conversa costuma começar por textos. Assistentes resumem documentos, respondem perguntas, redigem mensagens, organizam reuniões e ajudam a pesquisar informações dispersas.

Essas aplicações são importantes, mas representam apenas uma parte da realidade empresarial. Grande parte das decisões que movimentam uma organização não está registrada em parágrafos. Está em tabelas.

Pedidos, estoque, preços, prazos, pagamentos, histórico de clientes, manutenção, produtividade, absenteísmo e fluxo de caixa vivem em linhas e colunas. São dados que possuem relações próprias, regras de preenchimento, dependências temporais e significados que mudam conforme o processo.

Em 17 de julho de 2026, a SAP anunciou a conclusão da aquisição da Prior Labs, empresa dedicada aos chamados modelos fundacionais tabulares. A notícia merece atenção porque aponta para uma mudança de foco. Depois de uma fase dominada por modelos de linguagem, cresce o interesse por sistemas desenvolvidos para aprender diretamente com dados estruturados.

O anúncio não demonstra que essa tecnologia produzirá resultados em todas as empresas, nem que substituirá os métodos já utilizados em ciência de dados. Ele confirma, porém, que a inteligência artificial empresarial está ampliando seu campo de atuação. A pergunta deixa de ser apenas como conversar com os dados e passa a incluir como encontrar padrões, produzir previsões e apoiar decisões a partir da estrutura que o negócio realmente utiliza.

O que foi anunciado

A SAP informou que concluiu a aquisição da Prior Labs, apresentada pela companhia como pioneira em modelos fundacionais tabulares. Segundo o comunicado, a Prior Labs continuará operando como entidade independente. A SAP também anunciou a intenção de investir mais de um bilhão de euros ao longo dos próximos quatro anos para ampliar o laboratório de pesquisa.

O acordo havia sido divulgado em maio e foi concluído agora. Na comunicação inicial, a SAP explicou que pretende aproximar a pesquisa da Prior Labs dos dados empresariais presentes em finanças, compras, recursos humanos, cadeia de suprimentos e relacionamento com clientes.

A tese estratégica é clara. Modelos de linguagem foram desenvolvidos para reconhecer e produzir sequências de linguagem. Modelos tabulares são concebidos para trabalhar com observações organizadas por variáveis, como acontece em uma planilha ou em uma tabela de banco de dados.

A Prior Labs desenvolve a família TabPFN. Uma versão anterior desse trabalho foi apresentada em artigo publicado pela revista Nature em 2025. O estudo descreve um modelo previamente treinado para realizar tarefas de previsão em conjuntos de dados tabulares, especialmente em cenários com bases pequenas.

É importante separar a pesquisa documentada das ambições anunciadas. O artigo científico avalia uma versão específica do modelo, sob determinadas condições e conjuntos de dados. A aquisição envolve planos mais amplos, novas versões e possíveis aplicações empresariais. Uma coisa não comprova automaticamente a outra.

Por que uma tabela não é apenas um texto organizado

Para uma pessoa, uma planilha parece simples. Existem colunas com nomes, linhas com registros e células com valores. Para um sistema de inteligência artificial, cada elemento carrega uma função.

Uma linha pode representar um cliente, uma venda, um equipamento ou um dia de operação. Uma coluna pode indicar idade, região, valor, categoria ou ocorrência de falha. Duas colunas com números podem significar coisas completamente diferentes. Um campo vazio pode representar informação desconhecida, ausência de evento ou erro de integração.

Também existem relações que não aparecem na célula isolada. O valor de uma compra depende do momento, da unidade, da moeda e do contexto do cliente. Um atraso pode ter significado diferente conforme o tipo de contrato. Uma queda no estoque pode indicar venda, perda, ajuste contábil ou movimentação entre unidades.

Modelos de linguagem conseguem receber tabelas convertidas em texto, mas essa conversão pode apagar parte da estrutura ou tornar a análise ineficiente. Um modelo tabular parte de outra lógica. Ele procura aprender relações entre variáveis e exemplos, preservando a natureza organizada dos dados.

Isso não significa que texto e tabela pertençam a mundos separados. Uma decisão de crédito pode combinar dados cadastrais, histórico de pagamentos e documentos. Uma previsão de demanda pode usar vendas anteriores, calendário, preço e comentários de clientes. O caminho mais promissor tende a ser multimodal, com diferentes tipos de modelos contribuindo para partes distintas do problema.

O que é um modelo fundacional tabular

Um modelo fundacional é treinado previamente em uma grande variedade de exemplos para depois ser adaptado ou aplicado a diferentes tarefas. No caso dos modelos de linguagem, o treinamento permite aprender padrões de palavras e contextos. Nos modelos tabulares, o objetivo é aprender formas gerais de inferência sobre linhas, colunas, variáveis e resultados.

O trabalho publicado na Nature descreve o TabPFN como uma rede treinada previamente em muitos conjuntos de dados sintéticos. Ao receber uma nova tabela com exemplos conhecidos, o modelo procura inferir a relação entre as variáveis e produzir previsões para registros ainda não classificados.

Na prática, tarefas tabulares costumam assumir duas formas. Na classificação, o sistema prevê uma categoria, como risco alto ou baixo, possibilidade de cancelamento ou presença de anomalia. Na regressão, prevê um valor contínuo, como demanda, prazo ou custo.

O interesse por essa abordagem está na possibilidade de reutilizar um modelo previamente treinado em diferentes problemas, reduzindo parte do trabalho necessário para construir um modelo específico do zero. Essa promessa precisa ser avaliada caso a caso. Métodos tradicionais de aprendizado de máquina continuam relevantes, e nenhum modelo deve ser escolhido apenas porque pertence a uma categoria mais recente.

A pergunta correta não é se o modelo tabular é melhor em termos gerais. É se ele apresenta qualidade adequada para uma tarefa definida, com os dados disponíveis, dentro das restrições de custo, explicabilidade, segurança e operação daquela empresa.

O ativo invisível que já existe nas empresas

Muitas organizações afirmam não ter dados suficientes para trabalhar com inteligência artificial. Em parte dos casos, o problema não é a inexistência de dados, mas a dificuldade de reconhecer, localizar e organizar aquilo que já existe.

Planilhas mantidas por equipes, relatórios extraídos de sistemas, cadastros de fornecedores e históricos de atendimento formam um patrimônio informacional fragmentado. Cada área conhece uma parte, mas poucas pessoas compreendem o fluxo completo.

A chegada de modelos voltados a tabelas pode aumentar o valor potencial desse patrimônio. Também pode tornar seus defeitos mais visíveis. Campos preenchidos de formas diferentes, códigos sem documentação, duplicidades e alterações de regra ao longo do tempo afetam qualquer análise.

Uma tabela extensa não é necessariamente uma base confiável. Quantidade de registros não corrige falta de significado. Antes de procurar um modelo, a empresa precisa saber o que cada coluna representa, quem é responsável por ela, de onde vem o dado e em qual momento foi registrado.

Esse trabalho parece menos sofisticado do que uma demonstração de IA, mas determina a qualidade do resultado. Um sistema pode encontrar um padrão matemático real e, ainda assim, apoiar uma interpretação errada porque a organização não compreendeu como o dado foi produzido.

Prever não é o mesmo que decidir

Uma previsão é uma estimativa sobre algo que pode acontecer. Uma decisão envolve objetivo, responsabilidade, consequência e possibilidade de contestação. Confundir essas duas etapas é um dos maiores riscos da automação.

Imagine um modelo que estime a chance de atraso em um pagamento. A previsão pode ajudar a ordenar casos para análise. Ela não define, sozinha, se um cliente deve ter um pedido bloqueado, receber uma condição diferente ou ser encaminhado a uma pessoa.

Entre a previsão e a ação existem regras comerciais, direitos, exceções, custos e relações de longo prazo. A empresa precisa definir quem pode usar o resultado, qual evidência deve acompanhá-lo e em que situações a recomendação não pode ser aplicada automaticamente.

O mesmo vale para manutenção, estoque e pessoas. Prever uma possível falha não informa automaticamente quando parar uma máquina. Estimar demanda não determina quanto comprar sem considerar caixa, prazo e capacidade de armazenamento. Identificar correlações em dados de profissionais não autoriza decisões trabalhistas sem análise jurídica, ética e humana.

Quanto mais fácil se torna produzir uma previsão, mais importante se torna desenhar a decisão que virá depois dela.

Correlação não deve ser apresentada como causa

Na comunicação sobre a aquisição, a SAP afirma que pretende avançar de correlações para uma compreensão de causalidade. Essa é uma ambição relevante e deve ser lida com cuidado.

Correlação indica que duas variáveis se movimentam de forma relacionada. Causalidade significa que uma mudança em um fator produz efeito em outro, consideradas as demais condições. Dados observacionais podem sugerir hipóteses, mas demonstrar causa exige desenho de pesquisa, conhecimento de domínio e controle de explicações alternativas.

Uma empresa pode perceber que clientes que usam determinado canal compram mais. Isso não prova que o canal causou o aumento. Talvez os clientes mais engajados já preferissem aquele canal. Uma análise pode mostrar que equipes com determinada prática apresentam melhor resultado. Isso não significa que copiar a prática produzirá o mesmo efeito em qualquer contexto.

Modelos mais avançados podem ajudar a formular perguntas e explorar estruturas causais, mas não eliminam a necessidade de prudência. Quando uma ferramenta apresenta uma hipótese com linguagem convincente, o risco é transformar associação em certeza gerencial.

O papel da liderança é exigir que o sistema e a equipe indiquem o que foi observado, o que foi previsto e o que pode ser sustentado como relação causal. Essas categorias não devem ser misturadas em um painel ou em uma apresentação.

A qualidade do problema vem antes da qualidade do modelo

O ponto de partida para usar IA em dados tabulares não deve ser abrir todas as planilhas e pedir descobertas. Deve ser formular uma decisão concreta.

Qual problema precisa ser compreendido? Que resultado seria útil? Em qual momento a informação precisa estar disponível? Quem utilizará a previsão? Que ação poderá ser tomada? Qual erro seria mais prejudicial?

Essas perguntas mudam o projeto. Em uma previsão de cancelamento, por exemplo, errar ao identificar um cliente que sairia tem consequência diferente de abordar como risco alguém que não pretendia sair. O equilíbrio depende do custo, do relacionamento e da capacidade de intervenção.

Também é necessário escolher o período correto para testar. Um modelo treinado com informações que só ficam disponíveis depois do evento pode parecer excelente e falhar na operação. Esse problema, conhecido como vazamento de informação, ocorre quando o teste oferece ao sistema pistas que ele não teria no momento real da decisão.

O teste precisa reproduzir o uso. Dados do passado devem apoiar previsões sobre um período posterior, sem acesso indevido ao futuro. Mudanças de preço, processo, mercado e comportamento também precisam ser consideradas, porque padrões históricos podem perder validade.

O que muda para pequenas e médias empresas

O desenvolvimento de modelos fundacionais tabulares não significa que toda empresa precise contratar uma plataforma complexa. A principal mudança é conceitual: bases estruturadas menores podem ganhar novas formas de análise, desde que possuam qualidade e finalidade.

Uma empresa de serviços pode avaliar padrões de atraso. Um varejista pode estudar demanda e ruptura de estoque. Uma escola pode analisar procura por cursos e ocupação de turmas. Uma consultoria pode identificar características dos projetos que exigem mais horas de trabalho.

Em todos esses casos, o primeiro investimento deve ser na compreensão da base. Padronizar campos, documentar significados, corrigir duplicidades e definir permissões cria valor mesmo que o projeto de IA não avance.

Depois disso, faz sentido comparar alternativas. Uma regra simples, um painel ou um método estatístico tradicional pode resolver o problema com mais transparência. Em outros casos, um modelo de aprendizado de máquina pode capturar relações que as regras não alcançam. A decisão tecnológica deve vir depois da comparação.

Pequenas empresas não precisam imitar a arquitetura de grandes corporações. Precisam construir uma disciplina proporcional ao risco: problema claro, dados compreendidos, teste honesto, revisão humana e acompanhamento depois da implantação.

Perguntas que a liderança deve fazer

Antes de adotar uma solução tabular, a liderança deveria pedir respostas claras sobre o dado e sobre a decisão.

O que cada registro representa? Qual variável será prevista? Em que momento a previsão será produzida? Quais dados estarão realmente disponíveis nesse momento? Quem poderá consultar o resultado? Que ação será tomada? Como uma pessoa afetada poderá contestar um erro? O desempenho será acompanhado por grupo, unidade e período? Quem interromperá o uso se o contexto mudar?

Também é importante perguntar com o que o modelo foi comparado. Uma tecnologia nova pode parecer impressionante isoladamente e oferecer pouco ganho diante de uma regra bem construída. A comparação precisa considerar não apenas qualidade preditiva, mas facilidade de auditoria, manutenção e integração ao processo.

Por fim, a organização deve registrar limites. Um modelo validado para uma filial, produto ou período não deve ser reutilizado em outro contexto sem nova avaliação. A semelhança visual entre duas tabelas não garante que representem o mesmo problema.

Conclusão

A conclusão da aquisição da Prior Labs pela SAP mostra que a disputa pela inteligência artificial empresarial está avançando para além dos assistentes de texto. Os dados estruturados que sustentam operações, controles e previsões começam a receber modelos concebidos para sua própria linguagem.

Na minha visão, essa mudança é positiva porque aproxima a IA do lugar em que muitas decisões realmente nascem. Ao mesmo tempo, ela exige mais maturidade. Uma resposta redigida de forma inadequada pode ser revisada. Uma previsão inserida silenciosamente em um processo pode influenciar milhares de decisões sem que as pessoas percebam sua origem.

Empresas não deveriam olhar para suas tabelas como matéria-prima pronta para um modelo. Deveriam tratá-las como registros de processos, escolhas e limitações. Compreender como o dado foi produzido é parte da inteligência necessária para utilizá-lo.

A próxima fronteira não será vencida por quem conectar mais planilhas à IA. Será vencida por quem souber transformar dados estruturados em decisões responsáveis, mantendo clara a diferença entre padrão, previsão, explicação e escolha humana.