企业希望AI预测客户付款、商品需求和设备故障，但这些问题并不适合全部交给语言模型。在CIO的采访中，SAP首席技术官Philipp Herzig指出，分类、回归等结构化数据任务，需要更合适的预测工具；SAP正在通过RPT和TabPFN等表格基础模型，降低这类应用的开发门槛。
这一判断对ERP尤其重要。订单、库存、应收账款和设备记录，本来就包含大量结构化信息。预测任务需要从历史样本中识别统计关系，并在未见过的数据上检验结果。语言流畅、解释合理，与预测准确是不同的能力。
例如，AI可以写出一段令人信服的“客户可能逾期付款”分析，但财务部门真正需要的是：哪些客户风险较高，预测提前多久有效，以及据此采取行动能否改善回款。
表格基础模型降低的是建模门槛
传统机器学习通常需要针对任务训练模型、比较算法并调整参数。表格基础模型则通过预训练获得处理不同数据任务的能力，再利用企业提供的样本进行上下文学习。SAP官方文档将RPT描述为面向结构化数据的预测模型，可用于分类和回归。
TabPFN的研究也提供了技术依据。2025年发表于《Nature》的论文显示，该模型在研究覆盖的不超过一万条样本的数据集上，取得了较强预测表现，并显著减少训练时间。这里的结果有明确实验范围，不能直接推广为对所有企业数据都更准确。
“无需重新训练基础模型”，也不意味着无需数据准备。企业仍要定义预测目标、核对标签、选择可用字段，并确认这些字段在实际预测时已经存在。如果把事后信息带入样本，测试成绩可能很好，上线却无法复现。
LLM与预测模型可以形成分工
Herzig提出，Agent可以把相关表格交给RPT或TabPFN计算，再由LLM将结果解释为自然语言。
从应用设计角度看，这种分工很有价值：语言模型理解问题、调用工具和组织解释；预测模型估计概率或数值；业务规则决定哪些建议可以执行。
例如，采购人员询问下月哪些物料可能缺货，系统需要取得库存、需求和交货数据，完成预测，再结合安全库存及采购约束生成建议。最终是否下单，还取决于预算、审批和业务判断。
预测更准，也需要证明经营收益
评估付款风险模型时，不能只看总体准确率。如果逾期客户比例很低，把大多数客户判断为正常，也可能得到漂亮的数字。企业还需要检查高风险客户的识别能力、误报成本，以及催收资源应该优先投向谁。
需求预测同样如此：误差下降之后，是否减少缺货、降低库存或改善周转，需要通过实际运行验证。模型指标与业务收益之间，还隔着补货规则、人员执行和流程约束。
另外，修改价格或供应商字段后得到新的预测，只能作为条件性估计。历史数据中的关联，并不足以证明改变价格或供应商一定会产生相应结果。
对SAP顾问而言，值得补充的能力是把业务问题转化为可验证的预测任务：明确目标、数据时间点、错误代价与决策用途。企业AI的价值，既来自更方便的人机交互，也来自选对计算工具，并把结果可靠地带入业务流程。
参考来源：CIO采访原文、TabPFN研究论文。
