درون قمار ۱.۱۶ میلیارد دلاری SAP برای تسلط بر داده‌های جدولی

تصور کنید تمام داده‌های حیاتی شرکت شما در جدول‌هایی باشد که هوش مصنوعی نمی‌فهمد؛ SAP دقیقاً برای حل همین بحران ۱.۱۶ میلیارد دلار هزینه کرده است.

طبق اعلام رسمی این شرکت در ۵ می ۲۰۲۶، SAP استارتاپ آلمانی Prior Labs را تصاحب کرد. این غول نرم‌افزاری قصد دارد طی چهار سال آینده، ۱ میلیارد یورو (تقریباً ۱.۱۶ میلیارد دلار) سرمایه‌گذاری کند تا این استارتاپ را به یک آزمایشگاه پیشرو در زمینه مدل‌های بنیادی جدولی (Tabular Foundation Models یا TFMs) تبدیل کند.

برخلاف مدل‌های زبانی بزرگ، مدل‌های بنیادی جدولی به‌طور خاص برای پیش‌بینی مستقیم از روی جداول و پایگاه‌های داده‌ای طراحی شده‌اند که اطلاعات سازمانی در آن‌ها ذخیره می‌شود. این یک چرخش راهبردی برای SAP است، چرا که هسته‌ی محصولات این شرکت در بخش‌های منابع انسانی و حسابداری، کاملاً بر این فرمت‌های ساختاریافته استوار است.

بر اساس مستندات منتشر شده، جزئیات فنی و مالی این сдеال به شرح زیر است:

• این خرید تقریباً به‌صورت نقدی انجام شده و خروجی مالی قابل‌توجهی برای بنیان‌گذاران Prior Labs فراهم کرده است.
• سری مدل‌های TabPFN متعلق به این استارتاپ، پیش از این با بیش از ۳ میلیون دانلود، مورد استقبال گسترده توسعه‌دهندگان قرار گرفته بود.
• SAP برای حفظ سرعت پیشرفت پژوهشی، نسخه‌های متن‌باز این مدل‌ها را حفظ خواهد کرد.

همان‌طور که در تحلیل‌های پیشین ما درباره‌ی مدل‌های بنیادی (Foundation Models) اشاره کردیم، تمرکز بر داده‌های تخصصی جایگزین رویکرد «یک مدل برای همه» شده است. به همین دلیل، SAP برای تکمیل این پلتفرم، ارائه‌دهنده‌ی Lakehouse باز یعنی Dremio و متخصص مدیریت داده Reltio را نیز تصاحب کرده است. به نقل از فیلیپ هرزیگ، مدیر ارشد فناوری SAP، این اقدامات به مشتریان اجازه می‌دهد تا از داده‌های پراکنده به سمت هوشمندی حرکت کنند و از فرمت باز Apache Iceberg بهره ببرند.

با این حال، SAP در لایه‌ی عامل‌محور (Agentic) رویکردی تدافعی دارد. طبق گزارش The Information، این شرکت دسترسی OpenClaw و سایر فناوری‌های عامل غیرمجاز را مسدود کرده است. در حال حاضر تنها معماری‌های تأیید شده توسط SAP، مانند Joule Agents و NemoClaw شرکت انویدیا، اجازه دسترسی به APIهای این شرکت را دارند.

این رویکرد محدودکننده در تضاد کامل با استراتژی Salesforce است که به مشتریان اجازه می‌دهد از طریق معماری Headless 360، عامل‌های مورد علاقه خود را انتخاب کنند.

اما این جنگ بر سر داده‌ها، تنها نیمی از ماجراست؛ نبرد واقعی در لایه‌ی عامل‌های هوشمند جریان دارد و تعیین می‌کند که آیا «باغ‌های محصور» در برابر موج عامل‌های متن‌باز دوام می‌آورند یا خیر.

گام بعدی شما

• اگر مدیر داده هستید، بررسی کنید که آیا زیرساخت‌های شما با فرمت Apache Iceberg سازگار است یا خیر.
• عملکرد مدل‌های TabPFN را در تحلیل داده‌های جدولی شرکت خود تست کنید.
• استراتژی‌های جایگزین برای پیاده‌سازی عامل‌های هوشمند را در محیط‌های بسته بررسی کنید.