L'essentiel en 30 secondes

Pendant deux ans, la course à l'IA d'entreprise s'est résumée à une question : quel modèle de langage est le plus gros ? Le 17 juillet 2026, SAP a répondu à côté de la question, et c'est tout l'intérêt. L'éditeur allemand a bouclé le rachat de Prior Labs, une équipe qui ne fait pas de conversationnel du tout, et promet d'y verser plus d'un milliard d'euros. Le message est net : la prochaine bataille de l'IA d'entreprise ne se jouera pas sur le texte, mais sur les tableaux.

Ce que SAP a bouclé le 17 juillet

Le 17 juillet 2026, SAP a annoncé la clôture de l'acquisition de Prior Labs, une société fondée à Fribourg il y a environ 18 mois (SAP News). Les termes financiers n'ont pas été divulgués, mais l'éditeur s'engage à investir "plus d'un milliard d'euros sur les quatre prochaines années" pour transformer Prior Labs en laboratoire d'IA de premier plan dédié aux données structurées. TechCrunch chiffre le pari à près de 1,16 milliard de dollars et souligne l'audace de miser une telle somme sur une structure de dix-huit mois (TechCrunch).

Prior Labs restera une entité indépendante, basée à Fribourg, équipe et trajectoire open source intactes. Ses fondateurs, Frank Hutter, Noah Hollmann et Sauraj Gambhir, sont à l'origine de TabPFN, une série de modèles publiée dans la revue Nature et téléchargée plus de 3 millions de fois. La dernière version, TabPFN-2.6, domine le classement de référence TabArena et, selon SAP, "égale la précision d'un pipeline de machine learning automatisé de quatre heures, instantanément, dans un seul modèle" (SAP News). L'éditeur prévoit d'intégrer cette technologie dans SAP AI Core, SAP Business Data Cloud et sa couche agentique Joule.

Pourquoi parier sur un modèle "tabulaire" plutôt qu'un LLM de plus ?

SAP parie sur le tabulaire parce qu'un modèle de langage lit mal ce qui fait tourner une entreprise. Comme le formule l'éditeur, "les grands modèles de langage peinent à faire des prédictions exactes sur des données métier structurées, parce qu'ils n'ont qu'une compréhension rudimentaire des tables, des nombres et des statistiques". Or l'ERP, le CRM, la comptabilité, les stocks : tout cela vit dans des lignes et des colonnes, pas dans des paragraphes.

Un modèle de fondation tabulaire, ou TFM (Tabular Foundation Model), est conçu pour ce format. Là où un LLM génère du texte plausible, un TFM prédit une valeur : un retard de paiement probable, un risque fournisseur, une opportunité d'upsell, un client sur le point de partir. TabPFN apprend à généraliser sur des tableaux qu'il n'a jamais vus, sans le long cycle d'entraînement d'un modèle de machine learning classique. Le gain n'est pas cosmétique : il compresse en un seul modèle ce qui exigeait auparavant une chaîne d'outils, un data scientist et plusieurs heures de calcul. C'est la différence entre louer un cerveau généraliste bavard et disposer d'un spécialiste des chiffres qui répond du premier coup.

Le vrai signal : la valeur se déplace vers la donnée structurée

Le rachat dit quelque chose de plus large sur l'IA d'entreprise en 2026 : la valeur ne se déplace plus vers des modèles toujours plus gros, mais vers les données propriétaires sur lesquelles ces modèles agissent. "Très tôt, SAP a reconnu que la plus grande opportunité inexploitée de l'IA d'entreprise n'était pas les grands modèles de langage ; c'était l'IA construite pour la donnée structurée qui fait tourner les entreprises du monde", résume Philipp Herzig, directeur technique de SAP. Traduction : celui qui détient les tables détient l'avantage, et SAP en héberge parmi les plus grandes réserves de la planète, dans les ERP de dizaines de milliers d'entreprises.

L'autre signal est financier. Prior Labs avait levé moins de dix millions de dollars en pré-amorçage début 2025 ; dix-huit mois plus tard, elle sort sur un engagement de plus d'un milliard d'euros. "Rejoindre la famille SAP nous donne les ressources, l'environnement de données et la portée client pour amener cette catégorie à son plein potentiel", explique Frank Hutter, PDG de Prior Labs. Le message aux investisseurs est limpide : une équipe de recherche pointue sur une niche technique bien réelle, la prédiction sur données tabulaires, vaut aujourd'hui plus cher qu'un énième assistant conversationnel posé sur une API de LLM. Après deux ans de démesure sur la taille des modèles, le marché recommence à payer pour l'utilité mesurable.

Ce que ça change pour une PME, et pour mon quotidien

Pour une PME, la leçon est concrète : les questions qui rapportent (quel client va partir, quelle facture va glisser, quel lead vaut un appel) sont des problèmes de prédiction sur données tabulaires, pas des problèmes de génération de texte. On n'a pas besoin du plus gros modèle de langage pour y répondre ; on a besoin de données propres et d'un modèle taillé pour les tableaux. C'est une bonne nouvelle budgétaire : la brique de prédiction devient accessible, à condition d'avoir d'abord mis ses données en ordre.

C'est le terrain où je passe le plus clair de mon temps en mission. Le scorer d'offres d'emploi que j'ai construit, avec sa génération de CV compatible ATS, est au fond un problème de ranking sur données structurées : des critères en colonnes, un score en sortie. Sur la mission Pipedrive Horus (Condition Report bilingue), la valeur ne vient pas d'un chatbot mais de la structuration du pipeline pour que le scoring et les relances tiennent la route. Et sur le tableau de bord Bloomberg monté avec Claude Haiku 4.5 pour suivre un portefeuille, l'essentiel du travail portait sur la mise en forme des données de marché, pas sur le modèle. Un TFM comme TabPFN est précisément l'outil qui manquait entre le tableur et le gros modèle de langage : capable de prédire sur des colonnes sans monter une usine de machine learning. La brique se démocratise ; l'avantage restera à ceux dont les données sont propres.

La vraie question de 2026 n'est plus "quel est le plus gros modèle", mais "qui détient les tables et sait prédire dessus". SAP vient de payer un milliard d'euros pour se placer. Pour une PME, la version abordable de la même réponse commence par une seule chose : des données structurées propres.

Questions fréquentes

Qu'est-ce qu'un modèle de fondation tabulaire ?

Un modèle de fondation tabulaire (TFM) est un modèle d'IA conçu pour prédire sur des données structurées en lignes et en colonnes, comme celles d'un ERP, d'un CRM ou d'un tableur. Contrairement à un modèle de langage, taillé pour le texte, il estime des valeurs métier (churn, retard de paiement, score d'un lead) et généralise sur des tableaux qu'il n'a jamais vus. TabPFN, développé par Prior Labs, est l'exemple le plus téléchargé de cette catégorie.

Combien SAP a-t-il payé pour Prior Labs ?

SAP n'a pas divulgué le prix d'acquisition, mais s'engage à investir plus d'un milliard d'euros (près de 1,16 milliard de dollars) sur quatre ans pour développer Prior Labs en laboratoire d'IA dédié aux données structurées. L'opération a été finalisée le 17 juillet 2026, environ 18 mois après la fondation de la société à Fribourg.

Pourquoi ne pas simplement utiliser un LLM pour ces prédictions ?

Parce qu'un modèle de langage n'a, selon SAP, qu'une compréhension rudimentaire des tables, des nombres et des statistiques, ce qui le rend peu fiable pour prédire sur des données métier structurées. Un modèle tabulaire est entraîné spécifiquement pour ce format et atteint une précision qu'un LLM généraliste n'égale pas sur ces tâches, souvent avec beaucoup moins de calcul.