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。