Tabellarisches Fundamentmodell

Sehr viele Daten in Unternehmen liegen als Tabelle vor: Zeilen für einzelne Fälle, Spalten für einzelne Merkmale. Eine Bank hat pro Zeile einen Kunden und pro Spalte Alter, Einkommen oder Kreditsumme. Wer daraus Vorhersagen ableiten will, musste bisher für jede Tabelle ein eigenes Rechenverfahren von Grund auf anlernen. Ein tabellarisches Fundamentmodell ist ein bereits fertig vorbereitetes KI-Modell, das man einfach mit einer neuen Tabelle füttert. Es hat vorher an Millionen künstlich erzeugter Tabellen geübt, wie Zusammenhänge zwischen Spalten typischerweise aussehen. Deshalb kann es sofort eine Spalte vorhersagen, die man ihm nicht gezeigt hat, zum Beispiel: Wird dieser Kunde den Kredit zurückzahlen?

Die letzte Bastion klassischer Verfahren

Bei Texten und Bildern haben große vortrainierte Modelle die ältere Technik längst verdrängt. Bei Tabellen war das lange anders. Dort gewannen sogenannte Entscheidungsbaum-Verfahren, die eine Tabelle durch viele Ja-Nein-Fragen zerlegen. Diese Verfahren sind schnell, robust und brauchen wenig Daten. Genau deshalb galten Tabellen als der Bereich, in dem moderne KI-Modelle keinen Vorteil bringen.

Seit etwa 2023 hat sich das gedreht. Modelle wie TabPFN zeigen, dass ein einziges vortrainiertes Modell auf kleinen Tabellen genauso gut oder besser abschneidet. Der praktische Gewinn ist vor allem Zeit. Statt tagelang Einstellungen zu optimieren, bekommt man in Sekunden ein brauchbares Ergebnis.

Wirtschaftlich ist das relevant, weil Tabellendaten den Alltag prägen. Buchhaltung, Lagerbestände, Patientenakten, Sensorwerte aus Maschinen: alles Tabellen. Wenn Vorhersagen darauf plötzlich ohne Spezialistenteam möglich sind, sinkt die Einstiegshürde für kleinere Firmen deutlich.

Trainiert an erfundenen Tabellen

Der entscheidende Trick liegt im Vortraining. Man kann ein Modell nicht wie bei Texten mit dem halben Internet füttern, denn Tabellen sind meist vertraulich und untereinander völlig verschieden. Stattdessen erzeugt man Millionen künstlicher Tabellen am Computer. Dabei wird jeweils eine Regel ausgewürfelt, nach der die Spalten zusammenhängen, und daraus werden Zeilen erzeugt. Das Modell lernt also nicht Fakten über Kunden, sondern die Grammatik von Zusammenhängen.

Bei der Anwendung passiert etwas Ungewöhnliches. Man übergibt dem Modell die vorhandene Tabelle samt bekannter Antworten und die neue Zeile in einem Rutsch. Das Modell rechnet einmal durch und liefert die Vorhersage. Es verändert seine eigenen internen Werte dabei nicht. Fachleute nennen das In-Context-Learning: Lernen allein aus dem, was gerade in der Eingabe steht.

Diese Bauweise hat klare Grenzen. Weil die ganze Tabelle in die Eingabe passen muss, funktionieren die Modelle vor allem bei kleinen Datensätzen, oft bis einige zehntausend Zeilen. Bei Millionen Zeilen sind Entscheidungsbaum-Verfahren weiter im Vorteil. Ein verbreiteter Irrtum ist außerdem, dass hier ein Sprachmodell Tabellen liest. Tabellarische Fundamentmodelle sind eigene Systeme und arbeiten mit Zahlenspalten, nicht mit Sätzen.

Von der Kreditprüfung bis zum Labor

In der Praxis tauchen diese Modelle überall dort auf, wo wenige Daten viel wert sind. In der Medizin gibt es oft nur ein paar hundert Patienten pro Studie, und genau dort spielen sie ihre Stärke aus. Ähnliches gilt für Materialforschung, Chemie oder Qualitätskontrolle in der Produktion. Auch Banken und Versicherungen testen sie für Risikoeinschätzungen.

In den Nachrichten begegnet dir der Begriff meist unter dem englischen Namen Tabular Foundation Model. Bekanntestes Beispiel ist TabPFN aus Freiburg, dessen zweite Version 2025 im Fachmagazin Nature vorgestellt wurde. Auch große Anbieter wie Google arbeiten an eigenen Varianten. Wenn Analysten schreiben, KI erobere nun auch die Tabellenkalkulation, ist im Kern diese Technik gemeint.

Für dich selbst sichtbar ist davon wenig, denn die Modelle stecken in Analysewerkzeugen und nicht in Chatfenstern. Merken solltest du dir die Abgrenzung: Ein Sprachmodell schreibt Texte, ein tabellarisches Fundamentmodell füllt fehlende Spalten in Datentabellen. Beide sind vortrainiert, aber sie lösen völlig verschiedene Aufgaben.