Prior Labs ha sviluppato TabPFN, un transformer pre-addestrato su migliaia di dataset tabulari sintetici. La sua particolarità è radicale: non richiede il feature engineering manuale che da sempre rende lenti e costosi i progetti di forecasting. Dove un modello tradizionale ha bisogno di settimane di tuning da parte di un data scientist, TabPFN produce previsioni accurate quasi out-of-the-box.
Il principio è lo stesso che ha reso potenti i grandi modelli linguistici come Claude o GPT, applicato però ai dati strutturati. Invece di addestrare un modello da zero su un singolo dataset aziendale — con tutti i rischi di overfitting su una storia limitata — TabPFN sfrutta un'enorme esperienza pregressa accumulata in fase di pre-training e la generalizza al problema specifico. È un cambio di paradigma per chi fa demand planning.
L'integrazione con SAP
La notizia che cambia le carte in tavola per il mondo enterprise è l'ingresso di Prior Labs nell'ecosistema SAP. TabPFN diventa utilizzabile dentro SAP IBP attraverso SAP AI Core, il che significa che la previsione non vive più in un ambiente separato da integrare con fatica, ma all'interno del processo di planning già in uso. Per le aziende SAP questo abbatte la barriera più alta all'adozione dell'AI nel forecasting: la complessità di integrazione.
I benchmark pubblicati da Prior Labs su dataset tabulari evidenziano riduzioni del MAPE nell'ordine del 20–25% rispetto ai modelli statistici standard. Una riduzione di questa entità sul forecast error si traduce direttamente in meno stock di sicurezza, meno invenduto e meno rotture di stock sui prodotti che vendono.
Prior Labs porta nel forecasting SAP la stessa logica di Claude o GPT: un modello pre-addestrato che generalizza meglio dei modelli custom costruiti su una sola storia aziendale.
Perché conta nel Fashion
Il Fashion è il banco di prova più difficile per qualsiasi modello di previsione. I cicli di vita dei prodotti sono brevissimi, la stagionalità è forte, molti articoli non hanno storia (sono nuovi a ogni collezione) e la domanda è influenzata da fattori esterni difficili da modellare. È esattamente il contesto in cui i modelli custom faticano di più, perché non hanno dati sufficienti per imparare. Un modello pre-addestrato che generalizza da migliaia di pattern diversi parte invece con un vantaggio strutturale proprio sugli articoli nuovi e a bassa storicità.
Cosa significa per i team di planning
L'effetto pratico più sottovalutato è sul lavoro delle persone. Liberare il demand planner dal tuning infinito dei modelli gli restituisce tempo per ciò che conta: interpretare i risultati, integrare la conoscenza di mercato che nessun algoritmo possiede e gestire le eccezioni. Il forecasting smette di essere un collo di bottiglia tecnico e torna a essere una funzione di business.
La raccomandazione operativa è di non vedere TabPFN come un sostituto di tutto l'apparato esistente, ma come un acceleratore da affiancare e validare su un perimetro pilota. Si parte da una famiglia di prodotti, si misura l'errore contro il baseline attuale, e si estende solo dove il guadagno è dimostrato. È così che l'innovazione entra in produzione senza rischi: con numeri alla mano, non con atti di fede.
Validare prima di scalare
Il principio operativo da seguire per TabPFN vale per ogni innovazione GenAI in ambito enterprise: si parte da un perimetro pilota, si misura l'errore contro il baseline esistente e si estende solo dove il guadagno è dimostrato con numeri. Questo metodo protegge l'azienda da due rischi opposti: l'entusiasmo che porta a sostituire tutto senza prove, e la diffidenza che blocca anche le innovazioni valide. Con un pilota ben disegnato, la decisione di scalare non è più un atto di fede ma una conseguenza dei dati. È così che il forecasting basato su modelli pre-addestrati entra in produzione in modo solido, generando valore reale invece di restare l'ennesimo esperimento da convegno.
