SAP steekt meer dan €1 miljard in Freiburgse AI-startup Prior Labs

Op 17 juli 2026 rondde SAP de overname af van Prior Labs, een startup uit het Duitse Freiburg die pas 18 maanden eerder was opgericht. SAP heeft zich verbonden om over vier jaar meer dan €1 miljard te investeren om Prior Labs te laten uitgroeien tot een onafhankelijk grensverleggend AI-lab gespecialiseerd in gestructureerde data .

Wat is tabulaire AI en waarom is het belangrijk?

Prior Labs ontwikkelde Tabular Foundation Models (TFM's) – een type AI dat specifiek is gebouwd voor de rijen-en-kolommen-data die bedrijven dagelijks gebruiken, zoals verkoopcijfers, voorraadlijsten en financiële prognoses. Dit in tegenstelling tot grote taalmodellen (LLM's) die vooral bedoeld zijn voor ongestructureerde tekst .

Het kernmodel, TabPFN, is een getrainde 'transformer' die in enkele seconden nauwkeurige voorspellingen doet zonder dat het per dataset opnieuw getraind hoeft te worden .

De techniek is al in gebruik in veeleisende sectoren:

• Spooronderhoud: Prior Labs werkte samen met Hitachi aan voorspellend onderhoud voor treinen .
• Financiële prognoses: Samen met TD Bank testte Prior Labs TabPFN voor grootschalige financiële voorspellingen .
• Gezondheidszorg: Onderzoek naar alvleesklierkanker, neurologie en cardiologie; een samenwerking met BostonGene gebruikte TabPFN om immuunsysteemprofielen te identificeren .
• Milieu en energie: Het model wordt toegepast voor het voorspellen van natuurbranden en het inschatten van hernieuwbare-energieproductie .
• Materiaalwetenschap: TabPFN-2.5 heeft toepassingen in batterijonderzoek en ecologische voorspellingen zoals algenbloei .

De nieuwste versie: TabPFN-3 met 'denkmodus'

TabPFN-3 verscheen op 12 mei 2026 . Het verwerkt datasets met tot wel 1 miljoen rijen en 200 kenmerken en ondersteunt ook tekstvelden via de API .

De geavanceerde API-versie TabPFN-3-Plus (Thinking) introduceert zogenoemde 'test-time compute scaling' – het model gebruikt tijdens de verwerking extra rekentijd voor een veel hogere nauwkeurigheid . Op de TabArena-benchmark verslaat TabPFN-3-Plus (Thinking) alle niet-TabPFN-modellen met meer dan 200 Elo-punten en presteert het beter dan AutoGluon 1.5 extreme, terwijl het 10 keer sneller is . Het basismodel TabPFN-3 blijft open-source beschikbaar .

Structuur van de deal en onafhankelijkheid

• Aankoopprijs – Niet bekendgemaakt; SAP heeft toegezegd meer dan €1 miljard over vier jaar te investeren om Prior Labs te laten groeien .
• Onafhankelijkheid – Prior Labs blijft een zelfstandige entiteit met behoud van eigen merk, leiderschap, onderzoeksagenda en klantrelaties .
• Open-source beleid – SAP steunt de open-sourcestrategie van Prior Labs; TabPFN-3 wordt open-source uitgebracht en is al meer dan 3 miljoen keer gedownload .
• Leiderschap – Oprichters Frank Hutter, Noah Hollmann en Sauraj Gambhir blijven aan het roer . Yann LeCun en Bernhard Schoelkopf maken deel uit van de wetenschappelijke adviesraad .

Strategische visie van de top

Philipp Herzig, CTO van SAP, zei dat SAP al vroeg besefte dat de grootste onbenutte kans in enterprise AI niet bij LLM's ligt, maar bij AI op maat voor gestructureerde bedrijfsdata. Zijn uitspraak: „Door hun grensverleggende modelwerk te combineren met enterprise data en klantbereik, kunnen we deze categorie wereldwijd gaan leiden.”

Frank Hutter, CEO van Prior Labs, voegde toe: „De overstap naar SAP geeft ons de middelen, de dataomgeving en het klantbereik om deze categorie volledig te laten renderen.” In een LinkedIn-bericht na de afronding zei hij: „Hetzelfde team, dezelfde kantoren, dezelfde missie, open modellen, gesteund met €1 miljard+. Wat verandert er? De schaal en de planningshorizon. SAP is de perfecte partner, met een enorme schaal aan tabulaire data en distributie.”

De combinatie wil zich richten op enterprise AI, wetenschappelijke ontdekkingen, causaliteit, relationele data en agentische systemen – van correlatie naar causaliteit, en agentische AI die tabellen, taal én beelden begrijpt om dynamisch te redeneren en zich aan te passen . SAP noemt ook ambitieuze vergezichten op het gebied van medische data en materiaalwetenschap, met toepassingen die al zijn gedemonstreerd in oncologie, klinische besluitvorming en batterijonderzoek .