Excel bleibt in Unternehmen unverzichtbar, doch Sprachmodelle stoßen bei Tabellen an Grenzen. Eine neue KI-Klasse, sogenannte Large Tabular Models (LTMs), soll strukturierte Datensätze verlässlicher verarbeiten. Erste Umsetzungen aus Forschung und Industrie zeigen, wohin die Entwicklung geht – und wo sie noch hakt.
Was sind Large Tabular Models?
Der Begriff Large Tabular Model tauchte 2024 in einem Paper von Mihaela van der Schaar und Boris van Breugel auf. Ihr Team an der Universität Cambridge überführte die Position später in ein praktisches Konzept namens LaTable. Statt auf Token-Prognosen wie bei großen Sprachmodellen setzt LaTable auf ein Diffusionsmodell: Daten werden künstlich „verrauscht“, das Modell lernt den Weg zurück zum Original. Diese Architektur soll besser mit unterschiedlichen Spaltentypen und Metadaten umgehen und berücksichtigt, dass in Tabellen die Reihenfolge von Spalten und Zeilen oft austauschbar ist, ohne die Bedeutung zu verlieren.
Hintergrund ist, dass numerische Werte bei Sprachmodellen ungünstig in Tokens zerlegt werden und Tabelleninhalte aus verschiedenen Blickwinkeln mehrere Bedeutungen haben können. Beides erschwert eine robuste Verarbeitung gegenüber Texten oder Bildern mit klarer Sequenz oder Struktur.
Status quo: Grenzen von LLMs und LaTable-Ergebnisse
Im Zero-Shot-Modus, also ohne Beispieldaten, schneidet LaTable laut den Forschenden bislang schlecht ab. Mit dem aktuellen Ansatz ist es demnach nicht möglich, Datensätze verlässlich zu erzeugen, ohne dem Modell zuvor das gewünschte Format zu zeigen. Das bestätigt die praktische Hürde: Ohne Standardisierung und Beispiele geraten generische Sprachmodelle – auch von Anbietern wie OpenAI, Anthropic oder Microsoft – bei Tabellenblättern und Datenreihen schnell an Grenzen.
Werktäglich um 7:30 Uhr · jederzeit abbestellbar · Double-Opt-in · Datenschutz
Marktbewegung und Akteure 2026
Rund um LTMs entsteht ein dynamisches Ökosystem. Das Startup Fundamental sammelt trotz des nüchternen Themas Finanzierungen in dreistelliger Millionenhöhe ein. Google veröffentlichte am 30. Juni TabFM, eine eigene Spielart, die ältere Projekte wie TabICL oder TabPFN bei der Klassifizierung übertreffen soll. Mastercard trainiert ein LTM auf Basis eigener Daten für die Betrugsprävention. Auch aus Deutschland kommen Impulse: SAP plant die Übernahme von Prior Labs aus Freiburg und will in den nächsten vier Jahren rund eine Milliarde Euro investieren.
Warum das Thema Unternehmen betrifft
Die Datenbasis ist der Engpass: In einer Befragung von Precisely aus 2025 nannten 43 Prozent von rund 500 Verantwortlichen „Data Readiness“ als größtes Problem. Excel-Setups in Finanzplanung oder Inventarmanagement sind häufig individuell und kreativ – und dadurch schwer zu vereinheitlichen. Gleichzeitig ist kein Rückgang der Tabellenkalkulation absehbar: In einer Erhebung von Diamant Software aus dem Herbst 2023 nutzten zwei Drittel der Befragten bereits entsprechende Software, etwa zehn Prozent wollten sie ausbauen. Ist die Datenbasis in Excel nicht korrekt aufbereitet, zieht das Folgeprobleme nach sich.
Fazit
Large Tabular Models adressieren ein zentrales Praxisproblem: Sprachmodelle tun sich mit Zahlen, Metadaten und variabler Tabellenstruktur schwer. Die Forschung um LaTable zeigt, dass alternative Architekturen wie Diffusionsmodelle hier potenziell besser ansetzen können. Zugleich mahnen die Zero-Shot-Ergebnisse zur Nüchternheit: Ohne Beispiele und Standards liefern LTMs derzeit keine verlässlichen Datensätze. Für den Mittelstand heißt das zweierlei. Erstens: Tabellendaten bleiben ein kritischer Vermögenswert – ihre Qualität, Standardisierung und Dokumentation entscheiden über den Nutzen von KI. Zweitens: Der Markt bewegt sich schnell. Mit Initiativen von Google, Mastercard und SAP formiert sich ein Ökosystem, das spezifische Anwendungsfälle wie Klassifikation oder Betrugsprävention adressiert. Kurzfristig ist weniger die Modellwahl als die Datenvorbereitung der Hebel. Wer Spaltentypen, Formate und Metadaten sauber definiert, schafft die Voraussetzung, neue Tabular-Modelle gezielt zu testen. Das fügt sich in übergreifende Trends wie Digitalisierung und KI-gestützte Prozessautomatisierung ein – immer mit Blick auf Datenschutz, denn proprietäre Unternehmensdaten bilden das Trainings- und Testmaterial. Unternehmen, die heute in Daten-Readiness investieren, können künftige LTMs schneller, günstiger und sicherer produktiv einsetzen.
Handlungsempfehlung
- Schema festlegen: Definieren Sie für zentrale Tabellen feste Spaltentypen, Einheiten und zulässige Werte. Dokumentieren Sie Metadaten in einem leicht auffindbaren Datenkatalog.
- Standard-Exporte einführen: Richten Sie konsistente CSV-/Parquet-Exporte mit eindeutigen Feldnamen und Datums-/Zahlformaten ein, automatisiert aus Ihren Kern-Tabellen.
- Pilot sauber zuschneiden: Wählen Sie einen eng umrissenen Anwendungsfall (z. B. Klassifikation einer Tabelle) und liefern Sie dem Modell repräsentative Beispiel-Datensätze.
- Qualität messen: Etablieren Sie einfache Metriken (Vollständigkeit, Konsistenz, Fehlerquote) und prüfen Sie diese vor jedem Modelllauf.
- Teams befähigen: Schulen Sie Fachbereiche in Daten-Readiness (Typen, Formate, Metadaten) und verankern Sie Verantwortlichkeiten für Tabellenstandards.
Beitragsbild: Goran Ivos / Unsplash
