AIは、文章より先に「表」を狙っていた。
「うちのAI、議事録の要約はうまいのに、売上の予測を頼むとまるでダメで」。先週、ある担当者からこぼれた一言です。じつはこれ、担当者の使い方が悪いのでも、AIが不出来なのでもありません。その仕事が、いまの生成AIの一番の苦手分野だった——ただそれだけの話なのです。
実践担当のツカウです。今日は、その「苦手」を正面から埋めにいく動きが、世界の大企業から出てきた、という話をします。ドイツのSAPが2026年7月17日、「表形式基盤モデル（Tabular Foundation Model）」を手がけるスタートアップPrior Labsの買収を完了したと発表しました。今後4年で10億ユーロを超える投資を投じると言います。チャットボットでも、画像生成でもありません。SAPが大金を張ったのは、表（テーブル）を読むAIでした。
耳慣れない言葉だと思います。でも、これは一部の研究者の話ではなく、明日のあなたの業務の話です。まず、私たちが無意識に抱えている一つの思い込みから、ほどいていきましょう。
「AI＝文章を書くもの」は、視野の半分だ
この一、二年で、私たちはすっかり「AIとは文章を書き、質問に答えるもの」だと思うようになりました。無理もありません。日々触れているのは、チャット欄に言葉を打ち込む道具ばかりだからです。けれど、ここで一度立ち止まってほしいのです。あなたの会社を実際に動かしているデータは、文章ですか。それとも表ですか。
売上台帳、在庫の一覧、顧客リスト、センサーのログ、勘定科目のならぶ帳簿——業務の芯にあるのは、たいてい行と列でできた構造化データです。ところが大規模言語モデル（LLM）は、もともと文章の海を泳いで育った頭脳です。文章の要約や下書きは驚くほど得意な一方で、何万行もある表をそのまま渡して「来月の数字を当てて」と頼むのは、実は大の苦手。冒頭の担当者がぶつかった壁は、まさにここでした。「AIはなんでもできる」の裏で、企業データの大半を占める表は、静かに取り残されていたのです。
表形式基盤モデルとは、何者か
そこに現れたのが、表のために生まれたAIです。Prior Labsが開発した「TabPFN」シリーズは、文章ではなく、人工的に生成した膨大な数の「表」で事前学習されたモデル。学術誌『Nature』に掲載され、世界の研究者に検証されてきました。仕組みをかみ砕くと、こうです。
ふつうの機械学習は、新しいデータが来るたびに「その表専用」にモデルを一から鍛え直す必要がありました。準備にも計算にも時間がかかる。ところが表形式基盤モデルは、あらかじめ「表の予測のしかたそのもの」を学んでしまっている。だから使うときは、手元の表を見せるだけで、追加の訓練なしに、数秒で予測を返します。欠損値（穴あきのセル）や、数値と文字が混ざった列も、そのまま飲み込む。前処理でくたびれ果てる、あの工程が要らないのです。
提唱元の論文は、最大で1万件ほどの規模のデータセットにおいて、従来の代表的な手法を上回ったと報告しています。分類の実験では、4時間かけて調整した強力な手法の寄せ集めを、わずか数秒の予測が上回ったとも。もっとも、ここは冷静に。これは中小規模の表で強い、という研究上の成果であり、あらゆる巨大データで万能という意味ではありません。数字は魅力的ですが、限界とセットで受け取るのが、この紙面の流儀です。
なぜ、いま1000億円級の勝負なのか
面白いのは、SAPがこの賭けに出た理由です。世界中がより賢いチャットボットを競う中で、SAPはあえてその列から一歩外れ、「企業にとっての本当の宝は、文章ではなく構造化データのほうだ」という読みに張りました。買収後もPrior Labsはフライブルクを拠点に独立運営を続け、科学諮問には著名な研究者も名を連ねます。設立からわずか一年半ほどのスタートアップに、これだけの資金と体制が集まった事実は、「表のAI」という分野が、いよいよ実験室を出て産業の主戦場になりつつあることを示しています。
言い換えれば、これは「AIに任せてよい仕事」の地図が、文章の外側へ広がったという合図です。予測・異常検知・見込みの算出といった、これまで担当者の勘とExcelの関数が支えてきた領域に、専用のAIが入ってくる。歓迎すべき動きだと私は思います。ただし——ここから先は、道具の話ではなく、私たちの側の準備の話になります。
使い分けの地図——文章のAIと、表のAI
大事なのは「どちらが優れているか」ではありません。仕事の形に合わせて、渡す相手を変えるだけです。手元の業務を、ざっくりこう仕分けてみてください。
| 仕事の形 | 向いている相手 |
|---|---|
| 文章を書く・要約する・下書きする | 文章のAI（LLM）。議事録、メール、企画のたたき台はこちら |
| 表の数字から先を読む（需要予測・離反予測・不良の兆候） | 表のAI（表形式基盤モデル）。行と列のデータが主役の予測 |
| 表を「言葉で」操作する（この列を集計して、と指示） | 文章のAI＋表計算。自然言語での操作は文章側が橋渡し役 |
| 最終判断・責任を伴う承認 | 人。AIの予測は材料であって、結論ではない |
この表の一番下の行を、どうか消さないでください。予測が数秒で出るということは、その数字を鵜呑みにする誘惑もまた、数秒で訪れるということです。速さは、確かさとは別物。ここは道具がどれだけ賢くなっても、こちらが引き受け続ける領分です。
明日から、何をしておくか
「表のAI」を今すぐ導入する必要はありません。大企業の製品版が私たちの手に届くには、まだ時間がかかります。けれど、来たるべき日に向けて、今日できる準備が三つあります。
ひとつ、自分の業務から「表から数字を当てる」仕事を書き出す。 来月の受注見込み、在庫の適正量、解約しそうな顧客の見当——勘とExcelでやりくりしている予測ごとを、一覧にしておく。ここが、表のAIが最初に効く場所です。
ふたつ、その表を「渡せる形」に整えておく。 どんなに賢いAIも、列名がバラバラで、単位も表記も揺れた表はうまく読めません。整った表は、それ自体が資産。日付の書式をそろえる、空欄の意味を決める——地味ですが、この掃除が効いてきます。
みっつ、予測を「材料」として扱う癖をつける。 AIが出した数字に、必ず「なぜこの見立てか」「外れたらどこが痛いか」を一言添える。数字を結論ではなく、会話の入り口にする習慣が、速さに飲まれないための小さな盾になります。
賢いAIが増えるほど、問われるのは「何を任せ、何を握るか」の線引きだ。表を読むAIの登場は、その線を一本、文章の外側へ引き直す。線を引くのは、まだ私たちの仕事である。
おわりに
チャットの華やかさに慣れた目には、「表を読むAI」は地味に映るかもしれません。けれど、企業の毎日を回しているのは、まさにその地味な表のほうです。SAPが1000億円規模を張ったのは、派手さではなく、実務の芯を射抜いたから——私はそう受け取っています。
次にあなたが売上の一覧や在庫の表を開いたとき、少しだけ想像してみてください。この表は、いつか自分の代わりに先を読んでくれる相手に、そのまま渡せる形になっているだろうかと。その問いを持てた人から、次の一手は静かに始まります。
参考にした主な出典
・SAP News「SAP Completes Prior Labs Acquisition」ほか各社報道(2026年7月17日)——SAPが表形式基盤モデルのPrior Labs買収を完了。今後4年で10億ユーロ超を投資し、独立運営のフロンティアAI研究所として育てる方針。創業はFrank Hutter氏ら、拠点はドイツ・フライブルク
・Nature「Accurate predictions on small data with a tabular foundation model」(2024/2025)ほか、Prior Labs公開資料——TabPFNは合成データで事前学習した表形式基盤モデル。追加訓練なしに数秒で予測し、欠損値・カテゴリを自然に扱う。最大1万件規模のデータで従来手法を上回ったと報告（中小規模の表を対象とした研究成果であり、限界を伴う）
※本稿の「使い分けの地図」「明日からの準備」は一般的なデータ活用の考え方であり、特定製品の仕様保証ではありません。数値・機能名・提供範囲は変更されることがあります