SAP investiert Milliarden in spezialisierte KI für Unternehmensdaten

Ein Milliarden-Signal für spezialisierte Unternehmens-KI

Die öffentliche Aufmerksamkeit für künstliche Intelligenz wird weiterhin von generativen Sprachmodellen geprägt. Systeme wie ChatGPT, Claude oder Gemini erzeugen Texte, schreiben Code, analysieren Dokumente und verarbeiten zunehmend auch Bilder oder andere Medien. SAP setzt mit der Übernahme von Prior Labs jedoch einen anderen Akzent. Der Walldorfer Softwarekonzern investiert nicht allein in ein weiteres Sprachmodell, sondern in eine Modellklasse, die auf strukturierte Geschäftsdaten spezialisiert ist.

Prior Labs aus Freiburg entwickelt sogenannte Tabular Foundation Models, kurz TFMs. Das Unternehmen steht insbesondere hinter TabPFN, einem Modell für die Analyse tabellarischer Daten. SAP kündigte die Übernahme im Mai 2026 an. Nach Angaben des Konzerns soll Prior Labs als eigenständige Einheit weiterarbeiten. Gleichzeitig plant SAP, innerhalb von vier Jahren mehr als eine Milliarde Euro in den Ausbau des Unternehmens zu investieren. Berichten zufolge wurde die Transaktion im Juli 2026 abgeschlossen; die finanziellen Details der Übernahme wurden nicht veröffentlicht.

Damit verfolgt SAP eine Strategie, die über die Integration eines einzelnen KI-Produkts hinausgeht. Der Konzern möchte ein Forschungs- und Entwicklungszentrum für KI aufbauen, das sich auf jene Daten konzentriert, die in Unternehmen besonders häufig vorkommen: Umsätze, Bestellungen, Lieferzeiten, Zahlungseingänge, Lagerbestände, Kundensegmente, Produktionskennzahlen und Risikowerte.

Die zentrale Frage lautet deshalb nicht, ob Tabular Foundation Models die großen Sprachmodelle verdrängen. Dafür gibt es keine belastbare Grundlage. Entscheidend ist vielmehr, ob spezialisierte Modelle eine wichtige Ergänzung für betriebliche Anwendungen bilden können – insbesondere dort, wo zuverlässige Prognosen und nachvollziehbare Entscheidungen wichtiger sind als die sprachlich überzeugende Ausgabe eines Systems.

Was Tabular Foundation Models von Sprachmodellen unterscheidet

Tabellen wirken auf den ersten Blick einfach. Sie bestehen aus Zeilen und Spalten, enthalten Zahlen, Kategorien, Datumsangaben oder Textfelder und sind in vielen Unternehmen seit Jahrzehnten etabliert. In der Praxis sind tabellarische Daten jedoch häufig heterogen, unvollständig und kontextabhängig. Eine Spalte kann je nach Geschäftsprozess unterschiedliche Bedeutungen haben. Fehlende Werte können ein technischer Fehler sein oder selbst eine relevante Information darstellen. Ein Umsatzwert kann nominal, inflationsbereinigt, geplant oder tatsächlich verbucht sein.

Large Language Models sind darauf trainiert, Muster in Sprache und anderen sequenziellen Daten zu erkennen. Sie können Tabellen zwar einlesen und beschreiben, sind aber nicht speziell für die statistischen Eigenschaften betrieblicher Datensätze entwickelt worden. Bei komplexen Tabellenanalysen besteht unter anderem das Risiko, dass ein Modell Zusammenhänge sprachlich plausibel darstellt, ohne die zugrunde liegenden Zahlen korrekt zu verarbeiten.

Ein Tabular Foundation Model verfolgt einen anderen Ansatz. Es wird darauf ausgerichtet, Beziehungen zwischen Merkmalen in strukturierten Datensätzen zu erkennen und Aufgaben wie Klassifikation oder Regression zu unterstützen. Vereinfacht gesagt kann ein solches Modell beispielsweise einschätzen, welche Rechnungen mit höherer Wahrscheinlichkeit verspätet bezahlt werden, welche Lieferungen verspätet eintreffen könnten oder welche Kunden ein erhöhtes Abwanderungsrisiko aufweisen.

Der Begriff „Foundation Model“ verweist darauf, dass ein vortrainiertes Grundmodell für unterschiedliche Aufgaben angepasst werden kann. Unternehmen müssen nicht für jede einzelne Prognose ein vollständig neues Modell entwickeln. Stattdessen kann ein vorhandenes Modell mit domänenspezifischen Daten eingesetzt oder weiter angepasst werden. Wie gut dies in der Praxis funktioniert, hängt jedoch stark von Datenqualität, Aufgabenstellung und Einsatzumgebung ab.

Warum Tabellen für KI schwieriger sind als sie erscheinen

Eine Tabelle enthält nicht automatisch eine eindeutige Bedeutung. Während ein Bild oder ein kurzer Text oft unmittelbar als zusammenhängendes Objekt wahrgenommen wird, können die Beziehungen zwischen Tabellenfeldern aus verschiedenen Perspektiven interpretiert werden. Die Reihenfolge der Spalten ist nicht zwingend relevant, Kategorien können unterschiedlich codiert sein, und Zahlenwerte benötigen meist einen fachlichen Kontext.

Hinzu kommt, dass Unternehmensdaten häufig über mehrere Systeme verteilt sind. Ein ERP-System, ein CRM, ein Data Warehouse und lokale Excel-Dateien können unterschiedliche Bezeichnungen, Aktualisierungsrhythmen und Qualitätsstandards verwenden. Ein Modell kann nur so verlässlich sein wie die Datenbasis, auf der es arbeitet. Ein leistungsfähiger Algorithmus beseitigt keine unklaren Definitionen, widersprüchlichen Stammdaten oder systematischen Verzerrungen.

Gerade hier liegt ein wesentlicher Unterschied zwischen einer technischen Demonstration und einem produktiven Unternehmenseinsatz. Eine Prognose kann mathematisch korrekt berechnet sein und dennoch operativ unbrauchbar bleiben, wenn die verwendeten Daten veraltet sind oder die verantwortlichen Fachabteilungen das Ergebnis nicht nachvollziehen können.

SAPs strategische Ausgangslage

SAP verfügt über eine besondere Position im Markt für Unternehmenssoftware. Die Anwendungen des Konzerns verarbeiten große Mengen strukturierter Daten aus Finanzwesen, Einkauf, Personal, Produktion, Logistik und Vertrieb. Diese Daten bilden die Grundlage für operative Entscheidungen und werden zunehmend in Cloud-Umgebungen zusammengeführt.

Für SAP liegt es deshalb nahe, KI nicht nur als allgemeine Assistenz für Text und Kommunikation zu betrachten. Ein wesentlicher wirtschaftlicher Hebel liegt in der Frage, wie aus vorhandenen Geschäftsdaten konkrete Handlungsempfehlungen und Prognosen entstehen können. Ein System, das Zahlungsausfälle frühzeitig erkennt, Lagerbestände besser prognostiziert oder Lieferkettenrisiken bewertet, kann unmittelbar in bestehende Geschäftsprozesse eingebunden werden.

Die Investition in Prior Labs ergänzt dabei SAPs eigene Forschungsaktivitäten im Bereich tabellarischer Modelle. SAP verweist in seiner Ankündigung auf frühere Arbeiten und ein eigenes Modell mit der Bezeichnung SAP-RPT-1. Durch die Übernahme soll das Unternehmen den Vorsprung im Bereich der TFMs ausbauen und ein international führendes Forschungsteam für strukturierte Daten etablieren.

Die geplante Eigenständigkeit von Prior Labs kann dabei mehrere Funktionen erfüllen. Sie kann dem Forschungsteam eine größere wissenschaftliche und organisatorische Beweglichkeit ermöglichen, während SAP zugleich Zugang zu Kunden, Unternehmensdaten, Infrastruktur und Vertriebskanälen erhält. Ob diese Verbindung langfristig funktioniert, wird davon abhängen, wie klar die Zuständigkeiten zwischen Grundlagenforschung, Produktentwicklung und kommerzieller Integration geregelt werden.

Welche Anwendungsfälle im Vordergrund stehen

Tabular Foundation Models eignen sich grundsätzlich für Aufgaben, bei denen aus vorhandenen Merkmalen ein zukünftiges Ereignis oder eine Kategorie abgeleitet werden soll. In SAP-nahen Umgebungen kommen insbesondere folgende Bereiche infrage:

• Finanzwesen: Vorhersagen zu Zahlungseingängen, Liquiditätsentwicklung, Forderungsausfällen oder Abweichungen von Planwerten.
• Beschaffung: Bewertung von Lieferantenrisiken, Erkennung auffälliger Bestellmuster und Prognosen zur Vertragserfüllung.
• Lieferketten: Einschätzung von Lieferverzögerungen, Nachfrageentwicklungen und möglichen Engpässen.
• Produktion: Prognosen zu Wartungsbedarf, Ausschussquoten, Produktionsauslastung oder Qualitätsabweichungen.
• Vertrieb: Erkennung von Verkaufschancen, Prognosen zur Auftragswahrscheinlichkeit und Analyse von Kundenentwicklungen.
• Personal und Organisation: Auswertung von Kapazitätsdaten, Qualifikationsprofilen und Planungsvarianten unter Beachtung arbeitsrechtlicher Vorgaben.

Diese Anwendungsfälle haben gemeinsam, dass sie nicht zwingend eine frei formulierte Antwort benötigen. Für die operative Nutzung ist häufig eine Wahrscheinlichkeit, eine Priorisierung oder eine konkrete Prognose ausreichend. Ein System könnte etwa anzeigen, welche Bestellungen besondere Aufmerksamkeit erfordern, welche Rechnungen voraussichtlich verspätet bezahlt werden oder welche Lieferantenrisiken sich verändert haben.

Die eigentliche Wertschöpfung entsteht jedoch erst durch die Einbindung in einen Prozess. Eine Prognose allein verändert keine Geschäftsentscheidung. Sie muss in Zuständigkeiten, Freigaben, Eskalationsregeln und Kontrollmechanismen eingebettet werden. Ein Hinweis auf ein erhöhtes Risiko kann beispielsweise eine zusätzliche Prüfung auslösen, darf aber nicht automatisch zu einer Sanktion führen, wenn die Kriterien nicht ausreichend transparent sind.

Die Rolle von Excel im Unternehmensalltag

Die Debatte über Tabular Foundation Models wird häufig mit Excel verbunden. Das ist nachvollziehbar, weil Tabellenkalkulationen in Unternehmen weiterhin eine zentrale Rolle spielen. Sie werden für Controlling, Budgetplanung, Szenarioanalysen, Projektsteuerung und Berichte verwendet. In vielen Organisationen dienen Excel-Dateien darüber hinaus als flexible Zwischenschicht zwischen verschiedenen Anwendungen.

Diese Flexibilität ist zugleich eine Herausforderung. Dateien können manuell verändert, kopiert, per E-Mail verteilt oder mit individuellen Formeln ergänzt werden. Unterschiedliche Versionen derselben Tabelle erschweren die Nachvollziehbarkeit. Verborgene Zellbezüge, uneinheitliche Benennungen und fehlende Dokumentation können zu fehlerhaften Ergebnissen führen.

Ein spezialisiertes Tabellenmodell kann solche Daten analysieren, aber es ersetzt nicht automatisch Datenmanagement und Governance. Es muss zunächst geklärt werden, welche Datei als maßgebliche Quelle gilt, wie Datenfelder definiert sind und ob die enthaltenen Informationen vollständig und aktuell sind. Für Unternehmen bedeutet der Einsatz von KI auf Tabellendaten daher nicht das Ende klassischer Datenarbeit, sondern in vielen Fällen eine höhere Anforderung an deren Qualität.

Auch die Bezeichnung „Excel-KI“ greift zu kurz. Die mögliche Zielumgebung reicht von lokalen Tabellen über relationale Datenbanken bis zu ERP- und Cloud-Systemen. Der strategische Wert für SAP liegt insbesondere darin, dass strukturierte Daten direkt im betrieblichen Anwendungskontext verarbeitet werden können. Eine solche Integration wäre umfassender als ein Chatbot, der lediglich eine hochgeladene Datei zusammenfasst.

Warum SAP nicht ausschließlich auf große Sprachmodelle setzt

Sprachmodelle bleiben für SAP von hoher Bedeutung. Sie können Benutzeroberflächen vereinfachen, Fragen in natürlicher Sprache beantworten, Dokumente zusammenfassen und Mitarbeitende bei der Suche nach Informationen unterstützen. Für diese Aufgaben sind sie gut geeignet. Bei numerischen Prognosen und strukturierten Datensätzen gelten jedoch andere Anforderungen.

In einem ERP-System muss ein KI-Ergebnis häufig nicht nur verständlich, sondern auch reproduzierbar, prüfbar und in einen Geschäftsprozess integrierbar sein. Die Antwort muss sich auf definierte Datenstände beziehen. Änderungen an Eingabedaten müssen nachvollziehbar bleiben. Zudem müssen Unternehmen klären, wer für eine Entscheidung verantwortlich ist, wenn eine KI-Prognose in einen Prozess einfließt.

Ein spezialisiertes Modell kann diese Anforderungen nicht automatisch erfüllen. Es kann jedoch eine passendere technische Grundlage für bestimmte Aufgaben bieten. SAP positioniert die Übernahme damit als Ergänzung zu generativer KI und nicht zwingend als vollständige Abkehr von Sprachmodellen. In einer zukünftigen Unternehmensarchitektur könnten verschiedene Modelltypen parallel arbeiten: ein Sprachmodell für die Interaktion, ein Tabellenmodell für Prognosen und weitere Modelle für Dokumente, Bilder oder Prozessautomatisierung.

Die wirtschaftliche Dimension der Investition

Mehr als eine Milliarde Euro über vier Jahre ist eine erhebliche Summe. Sie soll nach SAP-Angaben nicht ausschließlich den Kaufpreis darstellen, sondern in den Ausbau von Prior Labs zu einem führenden Frontier-KI-Labor fließen. Dazu können Forschung, Personal, Recheninfrastruktur, Datenaufbereitung, Produktentwicklung und internationale Skalierung gehören.

Der Betrag ist vor diesem Hintergrund nicht unmittelbar mit einer klassischen Übernahmebewertung gleichzusetzen. Die konkreten Konditionen der Transaktion wurden nicht veröffentlicht. Für eine wirtschaftliche Bewertung fehlen daher wesentliche Informationen, etwa Umsatz, Kundenbasis, erwartete Erlöse, Kostenstruktur und vertragliche Meilensteine.

Die Investition lässt sich dennoch strategisch einordnen. SAP versucht, wissenschaftliche Kompetenz in einem Bereich zu sichern, der für seine Kernkundschaft relevant sein kann. Gleichzeitig steht der Konzern im Wettbewerb um Forschungstalente, Rechenkapazitäten und technologische Differenzierung. Ein eigenes oder eng kontrolliertes Forschungszentrum kann SAP mehr Einfluss auf Modellarchitektur, Datenverarbeitung und Produkt-Roadmaps geben als die ausschließliche Nutzung externer KI-Anbieter.

Ob sich die Investition amortisiert, hängt von mehreren Faktoren ab. Entscheidend sind unter anderem die Leistungsfähigkeit der Modelle im Vergleich zu etablierten Verfahren, die Verfügbarkeit hochwertiger Trainings- und Kundendaten, die Kosten des Betriebs sowie die Bereitschaft von Unternehmen, KI in geschäftskritische Abläufe zu integrieren. Auch die Geschwindigkeit, mit der SAP Funktionen in seine Cloud- und ERP-Produkte überführt, wird eine Rolle spielen.

Chancen für Unternehmen

Für Unternehmen kann die Entwicklung spezialisierter Tabellenmodelle mehrere Vorteile bieten. Prognosen könnten schneller erstellt und stärker automatisiert werden. Fachabteilungen müssten für bestimmte Aufgaben möglicherweise weniger individuelle Modelle entwickeln. Zudem könnte der Zugang zu fortgeschrittenen Analysefunktionen über bestehende Unternehmenssoftware erleichtert werden.

Ein weiterer möglicher Vorteil liegt in der Kombination aus Modell und Geschäftskontext. Ein Prognosesystem, das nicht nur isolierte Tabellen betrachtet, sondern mit ERP-Prozessen, Rollen und Berechtigungen verbunden ist, könnte relevantere Ergebnisse liefern. Beispielsweise wäre denkbar, dass ein Risikohinweis direkt mit dem betreffenden Auftrag, Lieferanten oder Kundenkonto verknüpft wird.

Für IT- und Datenverantwortliche entsteht dadurch allerdings auch die Aufgabe, die technischen und organisatorischen Voraussetzungen zu schaffen. Dazu gehören klare Datenverantwortlichkeiten, standardisierte Schnittstellen, eine belastbare Identitäts- und Berechtigungsverwaltung sowie Verfahren zur Qualitätskontrolle.

Offene Fragen und Risiken

Der Einsatz von Tabular Foundation Models ist nicht frei von Risiken. Ein wesentliches Problem besteht in der Übertragbarkeit. Ein Modell, das auf bestimmten Datensätzen gut funktioniert, muss nicht automatisch für andere Branchen, Länder oder Geschäftsprozesse geeignet sein. Veränderungen im Markt, in der Gesetzgebung oder im Kundenverhalten können die statistischen Beziehungen zwischen Datenmerkmalen verändern.

Auch die Erklärbarkeit bleibt relevant. Bei Kredit-, Personal-, Lieferanten- oder Compliance-Entscheidungen reicht es häufig nicht aus, eine Wahrscheinlichkeit auszugeben. Verantwortliche müssen nachvollziehen können, welche Faktoren zu einer Prognose beigetragen haben und ob diese Faktoren sachlich und rechtlich zulässig sind.

Weitere offene Punkte betreffen Datenschutz und Datensouveränität. Geschäftsdaten enthalten oftmals personenbezogene Informationen, vertrauliche Vertragsdetails oder strategisch sensible Kennzahlen. Unternehmen müssen daher prüfen, wo Modelle betrieben werden, welche Daten verarbeitet werden, wie lange sie gespeichert bleiben und welche Parteien Zugriff erhalten.

Schließlich besteht die Gefahr, dass der Begriff „Foundation Model“ zu hohe Erwartungen weckt. Auch ein vortrainiertes Modell benötigt eine passende Datenbasis, technische Kontrolle und fachliche Validierung. Es kann die Einführung professioneller Datenprozesse beschleunigen, aber nicht ersetzen.

• Datenqualität: Unvollständige, veraltete oder widersprüchliche Daten können Prognosen erheblich beeinträchtigen.
• Modellrisiko: Ein statistisch plausibles Ergebnis ist nicht automatisch eine korrekte oder angemessene Geschäftsentscheidung.
• Erklärbarkeit: Kritische Prozesse benötigen nachvollziehbare Kriterien und dokumentierte Prüfungen.
• Integration: Der Nutzen hängt davon ab, ob das Modell in bestehende Systeme und Arbeitsabläufe eingebunden werden kann.
• Governance: Rollen, Verantwortlichkeiten, Freigaben und Eskalationswege müssen vor dem produktiven Einsatz festgelegt werden.
• Kosten: Training, Betrieb, Datenaufbereitung und Qualitätssicherung können einen erheblichen Teil der Gesamtaufwendungen ausmachen.

Was die Entwicklung für die KI-Landschaft bedeutet

Die SAP-Entscheidung zeigt, dass sich der KI-Wettbewerb zunehmend auf spezialisierte Anwendungen ausweitet. In der ersten Phase der generativen KI standen große, möglichst vielseitige Modelle im Mittelpunkt. Nun rücken Modelle in den Fokus, die für bestimmte Datentypen und Geschäftsaufgaben optimiert sind.

Das bedeutet nicht, dass universelle Modelle an Bedeutung verlieren. Vielmehr könnte sich eine arbeitsteilige Architektur etablieren. Sprachmodelle übernehmen die Kommunikation mit Nutzern, während spezialisierte Modelle Berechnungen, Prognosen oder Klassifikationen durchführen. Eine Orchestrierungsschicht verbindet beide Komponenten mit Unternehmensdaten und Geschäftsprozessen.

Für Anbieter von Unternehmenssoftware ist diese Entwicklung besonders relevant. Wer Daten, Prozesse und Nutzeroberflächen kontrolliert, kann KI-Funktionen vergleichsweise eng in den Arbeitsalltag integrieren. Für unabhängige Modellanbieter steigt dagegen der Druck, ihre Systeme nicht nur als technische Schnittstellen, sondern als belastbare Komponenten für regulierte und geschäftskritische Umgebungen anzubieten.

Einordnung für Entscheider

Unternehmen sollten die Entwicklung aufmerksam verfolgen, aber nicht allein aufgrund der Investitionssumme in eine neue Technologie investieren. Vor einer Einführung sind konkrete Geschäftsprobleme, Datenverfügbarkeit und Erfolgskriterien zu definieren. Ein Pilotprojekt sollte möglichst einen klar abgegrenzten Anwendungsfall mit messbarem Nutzen untersuchen.

Geeignete Kriterien können die Prognosegüte, die Zeitersparnis, die Zahl manueller Prüfungen, die Verringerung von Fehlern oder die Verbesserung von Planungsentscheidungen sein. Ebenso wichtig sind negative Kriterien: Ein System sollte nicht eingesetzt werden, wenn die Datenbasis unzureichend ist, die Verantwortlichkeiten unklar bleiben oder die Folgen einer Fehlentscheidung nicht kontrolliert werden können.

Für die praktische Vorbereitung empfiehlt sich ein schrittweises Vorgehen:

• Anwendungsfall auswählen: Beginnen Sie mit einer Aufgabe, bei der strukturierte Daten bereits vorhanden sind und der geschäftliche Nutzen eindeutig beschrieben werden kann.
• Datenbestand prüfen: Dokumentieren Sie Quellen, Aktualität, Vollständigkeit, Berechtigungen und mögliche Verzerrungen.
• Vergleichsmodelle definieren: Bewerten Sie die Ergebnisse nicht nur gegenüber manuellen Prozessen, sondern auch gegenüber etablierten statistischen Verfahren.
• Fachliche Kontrolle einplanen: Legen Sie fest, wann Mitarbeitende ein Ergebnis prüfen oder übersteuern müssen.
• Governance etablieren: Dokumentieren Sie Modellversionen, Datenstände, Verantwortlichkeiten und Entscheidungsregeln.
• Skalierung erst nach Prüfung: Überführen Sie ein Modell erst dann in größere Prozesse, wenn Qualität, Sicherheit und Wirtschaftlichkeit nachgewiesen sind.

Für Wissens- und Content-Teams kann die Entwicklung ebenfalls relevant werden. Werkzeuge wie Mindverse können dabei helfen, Informationen zu strukturieren, Recherchen zu unterstützen und Inhalte zu technischen Entwicklungen aufzubereiten. Die fachliche Bewertung von Prognosen und die Verantwortung für geschäftliche Entscheidungen bleiben jedoch bei den zuständigen Personen und Organisationen.

Fazit

SAP setzt mit der Übernahme von Prior Labs ein deutliches Zeichen für eine stärker spezialisierte Form der Unternehmens-KI. Der Konzern investiert mehr als eine Milliarde Euro in ein Forschungs- und Entwicklungsvorhaben, das sich auf strukturierte Daten konzentriert und damit eng an den Kernprozessen von Unternehmen ansetzt.

Der strategische Ansatz unterscheidet sich von der gegenwärtigen Konzentration auf Sprachmodelle. Tabular Foundation Models sollen nicht in erster Linie Texte erzeugen, sondern Muster in Geschäftsdaten erkennen und Vorhersagen für operative Aufgaben liefern. Das kann für ERP-, Finanz-, Beschaffungs- und Lieferkettenprozesse relevant sein.

Ob die Milliardeninvestition zu einem nachhaltigen Wettbewerbsvorteil führt, ist derzeit offen. Der Erfolg wird nicht allein von Modellarchitektur oder Rechenleistung abhängen. Ebenso wichtig sind Datenqualität, Integration, Erklärbarkeit, Datenschutz und die Fähigkeit, Forschungsergebnisse in verlässliche Unternehmensprodukte zu überführen.

Für Unternehmen zeichnet sich damit kein einfacher Ersatz von Excel, klassischen Business-Intelligence-Systemen oder Sprachmodellen ab. Wahrscheinlicher ist eine kombinierte Landschaft, in der unterschiedliche KI-Systeme jeweils für jene Aufgaben eingesetzt werden, für die sie technisch und organisatorisch geeignet sind. SAPs Schritt könnte diese Entwicklung beschleunigen – und die Frage verstärken, welche Modellklasse für welchen Geschäftsprozess tatsächlich den größten Nutzen bietet.

Quellen und weiterführende Informationen SAP News Center: „SAP plant, Prior Labs zu übernehmen und Europas führendes Frontier-KI-Lab aufzubauen“, 4. Mai 2026. https://news.sap.com/germany/2026/05/sap-plant-prior-labs-zu-uebernehmen-und-europas-fuehrendes-frontier-ki-lab-aufzubauen/ SAP News Center: „SAP to Acquire Prior Labs to Establish a Globally Leading Frontier AI Lab in Europe“, 4. Mai 2026. https://news.sap.com/2026/05/sap-to-acquire-prior-labs-establish-frontier-ai-lab-europe/ t3n: Florian Zandt, „SAP kauft Prior Labs: Neue KI-Modelle sollen Datenanalyse erleichtern“, 16. September 2026. https://t3n.de/news/ki-made-in-germany-warum-sap-eine-milliarde-in-ein-freiburger-startup-investiert-1762906/ t3n: Florian Zandt, „Von ChatGPT zu Tabular Models: Wie KI endlich Excel-Daten versteht“, 15. August 2026. https://t3n.de/news/chatgpt-excel-tabellen-large-tabular-models-ki-datensaetze-1752212/ E3-Magazin: „SAP Autonomous Enterprise mit TFM“, 30. Juli 2026. https://e3mag.com/de/sap-autonomous-ent/ Dr. Web: Markus Seyfferth, „SAP kauft Freiburger Prior Labs: Milliardenwette gegen ChatGPT“, 11. Mai 2026. https://www.drweb.de/sap-kauft-freiburger-prior-labs-milliardenwette-gegen-chatgpt/ RFE Online: Johannes König, „SAP übernimmt Prior Labs für über eine Milliarde Euro“, 24. Juli 2026. https://rfe-online.de/sap-uebernimmt-prior-labs-tabellen-ki/ IT-Boltwise: „SAP schließt Prior-Labs-Übernahme ab und treibt Tabular-Foundation-Modelle voran“, 17. Juli 2026. https://www.it-boltwise.de/sap-schliesst-prior-labs-uebernahme-ab-und-treibt-tabular-fd-modelle-voran.html Trending Topics: Jakob Steinschaden, „SAP übernimmt KI-Startup Prior Labs, will über eine Milliarde Euro investieren“, 4. Mai 2026. https://www.trendingtopics.eu/sap-prior-labs/ Borncity: „SAP kauft Prior Labs für Milliarde: Spezialisierte Tabellen-KI kommt“, 18. Juli 2026. https://borncity.com/news/sap-kauft-prior-labs-fuer-milliarde-spezialisierte-tabellen-ki-kommt/