Tabular Foundation Models. La nueva revolución de la IA empresarial

En estos últimos años ha habido un gran avance en las soluciones de inteligencia artificial que manejan el lenguaje, las imágenes o la voz. Sin embargo, la mayor parte de la información en la que reside el valor económico real de la empresa no está en los textos ni en las fotos, sino en algo mucho más prosaico: las tablas de datos. Hablamos de hojas de cálculo, bases de datos, registros de clientes, históricos de ventas, operaciones o riesgos de crédito. Toda esta información suele estar en tablas de datos, organizados en filas y columnas, que sostienen las decisiones diarias de cualquier organización. Entender adecuadamente el comportamiento de estos datos supondría una gran ventaja para una empresa, eso es lo que persiguen los modelos de IA conocidos como TFM, Tabular Foundation Models. Se trata de la nueva revolución de la IA empresarial.

Los TFM, Tabular Foundation Models o modelos basados en tablas son un nuevo modelo de inteligencia artificial orientado, no a manejar bien el lenguaje, sino a manejar bien los datos estructurados organizados en tablas. Si necesita una traducción más rigurosa, Tabular Foundation Models se suele traducir como modelos fundacionales para datos tabulares o modelos fundacionales tabulares. Si me permiten, aunque en los papers y literatura científica se utiliza ‘datos tabulares’ como traducción directa de ‘tabular datas’, yo habría preferido traducirlo como datos tabulados (según la RAE, tabular no es un adjetivo, mientras que tabulado sí) o datos en tablas.

Los modelos de lenguaje como ChatGPT o Gemini son conocidos como LLM o grandes modelos de lenguaje. Tienen este nombre porque se entrenan con cantidades masivas de textos en lenguaje natural. Por contra, los modelos TFM no se entrenan con textos, sino con datos estructurados en tablas. Se trata de enormes colecciones de tablas heterogéneas con las que el modelo aprende patrones generales que luego pueden utilizarse para predecir datos en problemas empresariales muy diversos.

Hasta ahora, cuando una empresa necesitaba, por ejemplo, predecir impagos utilizaba una tecnología de IA conocida como machine learning (aprendizaje automático). Se trata de una herramienta relativamente simple cuyo mayor valor lo aporta al ser entrenada específicamente para abordar este problema concreto. Si la empresa necesita además estimar demanda, detectar fraude o calcular el riesgo de proveedores, es necesario entrenar y construir cada una de estas soluciones. Esto supone repetir una y otra vez todo un proceso de de trabajo: preparación de datos, selección de algoritmo (XGBoost, LightGBM, random forests…), ingeniería de variables, ajuste de hiperparámetros, validación y despliegue. Se trata de un trabajo muy costoso en tiempo y talento.

Los modelos TFM son mucho más complejos. Al igual que los modelos LLM, son sometidos a una fase general de entrenamiento muy compleja, pero tienen la gran ventaja de ser un motor de predicción generalista que les permite ser utilizados para múltiples tareas. Modelos como TabPFN o TabFM han demostrado que esta idea no es solo elegante en teoría, sino eficaz en la práctica. En muchos escenarios con datos pequeños o medianos, estos modelos igualan o superan a los métodos clásicos de machine learning, pero sin necesidad de entrenar nada específico para cada tabla. Basta con proporcionar al modelo las filas de datos a predecir en un único contexto para obtener las predicciones en una sola pasada.

A continuación exploraremos los fundamentos de los modelos TFM: qué son, en qué se diferencian de los LLM, para qué sirven en la práctica, cómo se aplican sobre datos empresariales reales y qué alternativas concretas existen hoy en el mercado y en el ecosistema de código abierto (open‑source). El objetivo es ofrecer una visión clara y accionable para directivos, responsables de datos y profesionales que quieran entender por qué los TFM pueden convertirse en la pieza que faltaba en la IA aplicada a empresas.

Análisis de los datos estructurados de una empresa

Cómo se analizan hoy los datos estructurados de la empresa

La mayoría de los datos de interés para la toma de decisiones en la empresa se encuentran estructurado en tablas, bases de datos organizadas en filas y columnas. Durante las dos últimas décadas, el enfoque dominante para analizar estos datos ha sido las herramientas clásicas de machine learning.

El machine learning o aprendizaje automático, es un modelo de inteligencia artificial que permite resolver muy eficazmente un problema concreto gracias a su entrenamiento. Resulta muy eficaz en la toma de decisiones basadas en datos. Dicho de otra forma, es una herramienta fundamental para las empresas.

Existe una gran variedad de software de machine learning empresarial, como LightGBM, CatBoost o XGBoost. Se trata de software genérico, basados en modelos estadísticos, que tiene que ser entrenado para resolver cada problema particular. Además, este entrenamiento es supervisado, lo que requiere la intervención humana de personal experto en parte del proceso.

El entrenamiento se realiza aportándole multitud de ejemplos y resultados. Cuantos más datos se aporten durante el entrenamiento, más precisos y sofisticados son los resultados. En términos generales se puede decir que el aprendizaje automático es aprender con ejemplos. Una vez entrenado, el software utiliza estos patrones aprendidos para hacer predicciones o tomar decisiones.

El inconveniente de estas herramientas es que necesitan ser entrenadas para cada problema concreto: predecir impagos, estimar demanda, detectar fraude o calcular riesgo de abandono. El proceso de entrenamiento suele consistir en: extraer los datos desde los sistemas internos (ERP, CRM, bases de datos), depurarlos, seleccionar variables, elegir el algoritmo apropiado para el tipo de dato y problema a resolver, entrenar el sistema, validarlo y ponerlo en ejecución. Esto no solo requiere tiempo, sino personas con experiencia.

Las soluciones de machine learning se basan en modelos estadísticos. No todos los algoritmos estadísticos funcionan igual para cada tipo de problema. El resultado es que existen soluciones de machine learning de distinta naturaleza, diseñados para resolver distintos tipos de predicciones.

En el contexto empresarial, estos algunos de los algoritmos estrella que hoy son estándar de facto en muchas organizaciones:

LightGBM: se trata de un modelo gradient boosting sobre árboles de decisión, optimizado para ser rápido y eficiente con grandes volúmenes de datos. Boosting significa que es entrenado una y otra vez para corregir los errores del entrenamiento anterior. Gradient boosting es una variante que utiliza el gradiente del error para entrenar cada modelo sucesivo, haciendo el proceso más eficiente y preciso. LightGBM especialmente popular en entornos donde se requiere alta precisión y tiempos de entrenamiento razonables, como evaluación del crédito, predicción de demanda o modelos de riesgo.
CatBoost: Se trata de otro algoritmo de boosting, diseñado para manejar variables categóricas (las que no son numéricas) de forma muy eficaz sin necesidad de codificaciones complejas. Se utiliza mucho en sectores donde las tablas contienen muchas columnas no numéricas (por ejemplo, categorías de clientes, productos o contratos) y donde la calidad de la predicción es crítica.
XGBoost: uno de los pioneros del boosting moderno, ampliamente adoptado en ciencia de datos y en proyectos empresariales. Aunque algunos modelos más recientes lo han superado en eficiencia, sigue siendo una referencia en muchos equipos de analítica avanzada.

Junto a estos algoritmos, las empresas utilizan también modelos más sencillos (por ejemplo, regresiones logísticas, random forests, redes neuronales básicas) y, en paralelo, herramientas de Business Intelligence (BI) como Power BI, Tableau o Qlik. Estas soluciones no son modelos de IA en sí mismas, pero permiten visualizar, explorar y segmentar datos estructurados, ofreciendo una capa de análisis descriptivo sobre la que se apoyan las decisiones.

Machine Learning (aprendizaje automático) en la toma de decisiones — *Machine learning* (aprendizaje automático) en la toma de decisiones

En los últimos años, además, ha ganado terreno el enfoque de AutoML, con plataformas que automatizan parte del proceso: prueban múltiples algoritmos, ajustan hiperparámetros y seleccionan el modelo que mejor rendimiento ofrece para un conjunto de datos concreto (dataset). Esto ha facilitado que personas menos especializadas puedan construir modelos predictivos sin entrar en el detalle técnico de cada algoritmo.

El inconveniente es que todos estos enfoques comparten una característica: cada problema exige su propio modelo. Para cada nueva pregunta de negocio (quién va a dejar de pagar, qué cliente va a abandonar, qué proveedor va a fallar, cuánto venderemos el próximo mes) hay que repetir el ciclo: preparar datos, seleccionar algoritmo, entrenar, validar y desplegar. Es un proceso potente, pero también costoso en tiempo, talento y mantenimiento. Los modelos envejecen, las distribuciones cambian, las relaciones se rompen, y cada caso de uso añade una nueva pieza al puzzle.

Es precisamente sobre este terreno donde aparecen los Tabular Foundation Models: no para sustituir de golpe a LightGBM, CatBoost o XGBoost, sino para ofrecer una alternativa cuando la empresa necesita rapidez, simplicidad y escalabilidad sin multiplicar el número de modelos.

Si necesita comprender mejor los términos machine learning (aprendizaje automático), deep learning (aprendizaje profundo) o red neuronal, puede consultar: Redes neuronales. Qué son y cómo funcionan

Qué es un modelo TFM

Las soluciones de machine learning requieren la intervención humana durante su entrenamiento. Sin embargo, la aparición de las redes neuronales ha permitido desarrollar otra forma de entrenamiento conocida como deep learning o aprendizaje profundo. Su mayor ventaja es que su entrenamiento se realiza de forma completamente automatizada. Por otro lado, mientras que las redes de machine learning o aprendizaje automático reciben los datos de entrada de forma estructurada, las de deep learning o aprendizaje profundo reciben los datos sin procesar.

Las redes de aprendizaje profundo son mucho más complejas y requieren disponer de procesadores bastante más potentes. Los modelos de lenguaje LLM (como ChatGPT o Gemini) son del tipo deep learning sobre redes neuronales. También existen modelos de audio, imagen o vídeo basados en estos modelos.

Por cierto, cuando se habla de datos tabulares se hace referencia a los datos organizados en forma de tablas, eso es, estructurados en filas y columnas. Es el formato clásico de las hojas de cálculo (como Excel), las bases de datos (como SQL), los programas de contabilidad o ventas o los utilizados por los software de gestión empresarial como ERP, CRM o BI. Los datos tabulares no solo se refieren a los datos numéricos (precio, ingresos, número de visitas, etc.), sino que también incluyen datos categóricos (representan categorías como país, color, tipo, segmento, etc.), datos ordinales (tamaño S, M, L, satisfacción baja, media, alta, etc.), datos temporales (fecha de compra, hora del evento, etc.) y datos booleanos (sí/no, verdadero/falso). Los principales datos que genera una empresa y en los que se basa su gestión son de este tipo.

La idea es, si los modelos de deep learning entrenados con texto (modelos de lenguaje LLM) consiguen aprender a escribir, resumir o razonar porque ha visto enormes cantidades de texto, por qué no hacer un modelo similar que se entrene con datos estructurados en tablas. Este modelo de IA de red neuronal entrenado con datos tabulares es lo que se conoce como TFM.

Un TFM aprende a clasificar, predecir, estimar riesgos o detectar anomalías porque se entrena exponiéndolo a un gran volumen y diversidad de estructuras de datos tabulares. Lo que se consigue es un único modelo que puede gestionar distintos tipos de datos. Se trata, por tanto, de un modelo de propósito general para datos tabulares, capaz de resolver múltiples tareas sin necesidad de ser entrenado para cada problema. Cuando el modelo recibe un conjunto de datos de la empresa que nunca ha visto, es capaz de identificar patrones, relaciones y distribuciones que se parecen a las que ya ha encontrado durante su entrenamiento y encontrar rápidamente la respuesta buscada.

En términos operativos y estratégicos, este detalle es lo que lo convierte en una propuesta tan relevante para la próxima generación de análisis de datos estructurados.

Diferencias entre TFM y LLM

Tanto el modelo LLM (Large Language Models) como el TFM (Tabular Foundation Models) son modelos de IA entrenados a gran escala (con enormes cantidades de datos), generalistas (capaz de realizar muchas tareas distintas) y que actúan como una infraestructura de conocimiento capaz de resolver problemas específicos. Esto es lo que se conoce como foundation models o modelos que sirven como base para el desarrollo de soluciones de IA sin tener que entrenar el modelo desde cero.

No obstante, TFM y LLM representan dos formas distintas de entender la inteligencia artificial. Los LLM (como ChatGPT, Claude o Gemini) se entrenan sobre cantidades masivas de texto. Su objetivo es aprender los patrones del lenguaje: cómo se construyen las frases, cómo se relacionan las ideas, cómo se resume o se argumenta. Son modelos diseñados para generar lenguaje, para producir texto coherente, para razonar de forma aproximada y para interactuar con humanos. Su fortaleza está en la expresión, la interpretación y la comunicación.

Por otro lado, los TFM se entrenan sobre tablas de datos. No buscan generar lenguaje, sino predecir valores, clasificar registros, estimar riesgos o detectar anomalías. Su universo no es el de las palabras, sino el de las columnas, las distribuciones, las correlaciones y las relaciones numéricas. Mientras un LLM aprende a completar una frase, un TFM aprende a completar una fila o a inferir qué valor debería tener una variable dada la información disponible en las demás.

Un LLM puede explicar un concepto, redactar un informe o responder preguntas complejas, pero si se le entrega una tabla y se le pide que prediga un valor, su rendimiento es limitado. El lenguaje no es el medio natural para razonar sobre datos estructurados. Un TFM, por el contrario, está optimizado para ese tipo de tareas. No necesita que la tabla se convierta en texto ni que se describa con palabras. La entiende tal cual es, en su forma nativa.

Como se puede ver, los LLM y TFM no compiten, se complementan. Uno entiende el mundo a través del lenguaje y el otro a través de los datos estructurados. De hecho, últimamente se están construyendo modelos que son una combinación de LLM y TFM. La parte LLM actúa como interfaz inteligente y la TFM como motor de cálculo. Juntos permiten construir sistemas de IA que no solo hablan, sino que también predicen, evalúan y deciden.

Fundamentos técnicos de los TFM

Los TFM no son modelos estadísticos como LightGBM o CatBoost, sino redes neuronales con arquitectura Transformer capaces de aprender representaciones complejas y escalar con grandes volúmenes de datos. En esencia, se trata de un modelo sometido a un largo proceso de entrenamiento profundo con millones de tablas reales y sintéticas que responden múltiples tareas distintas.

Cada una de esas tareas puede ser una clasificación, una regresión, una imputación de valores o una detección de anomalías. El modelo observa cómo cambian las distribuciones, cómo se relacionan las variables y cómo se comportan los datos en contextos muy diversos. Con el tiempo, desarrolla una especie de intuición estadística generalista que le permite adaptarse a nuevas tablas sin necesidad de entrenamiento adicional.

La tecnología transformer (presentada por investigadores de Google en 2017 en el documento “Attention Is All You Need”, Vaswani et al.) supuso un punto de inflexión en el desarrollo de los modelos LLM y, más recientemente, de los TFM. Básicamente significa que, durante el entrenamiento, el modelo no procesa los datos tal cual están, sino que los somete a un proceso previo para identificar qué cifras son más relevantes y merecen una mayor atención (selft-atention) dependiendo del problema a resolver. Por ejemplo, para predecir la demanda, aprende que debe prestar más atención a las ventas históricas, promociones, clima, día de la semana, etc.

El resultado de esta transformación se expresa mediante una codificación especial (conocido como vectores embeddings) que contiene toda la información contextual necesaria que le permite establecer relaciones entre los datos de manera ágil. Esta transformación hace que los datos dejen de ser valores aislados para convertirse en elementos contextualizados relacionables. Esto es, el modelo TFM comprende la estructura interna del conjunto de los datos que se le presenta sin más ayuda.

Como se puede sospechar, el proceso de entrenamiento de los TFM es amplio y transversal. El modelo identifica los patrones universales de las tablas de datos de la misma forma que un LLM aprende patrones universales del lenguaje. Por eso, cuando recibe una tabla nueva, no necesita reentrenarse; simplemente aplica sus conocimientos generales para resolver la tarea.

Otro elemento clave es la simulación de tareas durante el entrenamiento. El modelo se expone a miles de escenarios distintos: tablas con pocas filas, tablas con muchas columnas, distribuciones sesgadas, variables correlacionadas, datos ruidosos, valores faltantes, etc. En cada caso, debe resolver una tarea generada automáticamente. Este proceso le enseña a generalizar, a ser robusto y a adaptarse a la diversidad de los datos empresariales reales, que rara vez son perfectos.

Finalmente, los TFM incorporan mecanismos para manejar conjunto de datos pequeños, uno de los grandes desafíos del machine learning tradicional. Mientras que modelos de machine learning (como XGBoost o LightGBM) pueden sufrir cuando hay pocas filas, los TFM aprovechan su conocimiento previo para compensar la falta de datos. Esto los convierte en herramientas especialmente valiosas en sectores donde los datos son fragmentados, heterogéneos o limitados.

En conjunto, los TFM representan una nueva categoría dentro de la IA que permite crear herramientas que aprenden de los datos. Esta capacidad abre la puerta a una forma más ágil, eficiente y accesible de aplicar inteligencia artificial a las decisiones de la empresa.

Si necesita comprender mejor la tecnología transformer puede consultar: Cómo funciona ChatGPT por dentro

Ejemplos prácticos de los TFM

Si los TFM han despertado tanto interés en el mundo empresarial es porque, más allá de su elegancia técnica, resuelven problemas reales con una eficiencia difícil de igualar. Los TFM no son una herramienta teórica, son motores de predicción listos para trabajar directamente sobre las tablas de datos que ya existen en una organización.

Por ejemplo, uno de los casos más habituales es la predicción de retrasos en los pagos. En sectores como la energía, la logística o los servicios profesionales, anticipar qué clientes podrían incumplir plazos es fundamental para gestionar la liquidez y reducir riesgos. Con un TFM, basta con proporcionarle una tabla con el historial de pagos, las características del cliente, su comportamiento pasado y cualquier otra variable relevante. El modelo, sin necesidad de entrenamiento adicional, analiza las relaciones entre columnas y genera una probabilidad de retraso. Lo puede hacer incluso cuando el conjunto de datos disponible es pequeño o heterogéneo.

Otro ejemplo clásico es la fuga de clientes (churn). Las empresas de telecomunicaciones, banca, seguros o suscripciones digitales dependen de su capacidad para identificar qué usuarios están a punto de marcharse. Tradicionalmente, el utilizar modelos de machine learning requiere semanas de trabajo de entrenamiento supervisado, sien embargo, el proceso se simplifica enormemente al utilizar TFM. El modelo recibe la tabla con el comportamiento del cliente (uso del servicio, incidencias, antigüedad, interacciones) y produce una predicción inmediata. La empresa puede actuar antes de que el cliente se vaya, con campañas de retención más precisas y menos costosas.

Los TFM también son especialmente útiles en la evaluación del riesgo de proveedores. En cadenas de suministro complejas es crucial detectar señales tempranas de fallo en el suministro. Un TFM puede analizar tablas con información histórica de entregas, calidad, tiempos, incidencias y condiciones contractuales. A partir de ahí, estima la probabilidad de que un proveedor incumpla tiempos en el futuro. Esta capacidad de anticipación permite tomar decisiones estratégicas, diversificar proveedores, renegociar contratos o ajustar inventarios.

Finalmente, uno de los casos más transversales es la previsión de la demanda. Desde supermercados hasta fabricantes industriales, todas las empresas necesitan estimar cuánto venderán en las próximas semanas o meses. Los TFM pueden trabajar con tablas que combinan ventas históricas, estacionalidad, precios, promociones y factores externos. Aunque no sustituyen a los modelos de series temporales en escenarios muy complejos, sí ofrecen una alternativa rápida y eficaz cuando se requiere una predicción ágil sin construir un modelo específico desde cero.

En todos estos ejemplos, el patrón se repite: el TFM recibe una tabla, interpreta sus relaciones internas y produce una predicción sin necesidad de entrenamiento adicional. Esto reduce drásticamente el tiempo de despliegue y democratiza el acceso a la IA de datos estructurados (tablas de datos). Lo que antes exigía semanas de trabajo especializado, ahora puede resolverse en minutos. Y esa diferencia, en el contexto empresarial, puede ser estratégica.

Ventajas competitivas de los TFM

La aparición de los TFM no es solo un avance técnico, sino que es un cambio profundo en la forma en que las empresas pueden aplicar inteligencia artificial a sus datos. La primera ventaja, y quizá la más transformadora, es la eliminación del entrenamiento específico por tarea. Como se ha visto, en el enfoque tradicional cada problema exige construir un modelo desde cero (preparar datos, seleccionar algoritmos, ajustar hiperparámetros, validar resultados), mientras que con un TFM, ese ciclo se reduce a un único paso: proporcionar la tabla y la tarea. Esto reduce drásticamente los tiempos de despliegue y permite que equipos no especializados puedan realizar predicciones avanzadas en sus procesos habituales.

La segunda ventaja es su capacidad para trabajar con conjuntos de datos pequeños, lo que es una situación muy común en entornos empresariales reales. Muchos modelos clásicos de machine learning necesitan un volumen considerable de datos para alcanzar un buen rendimiento. Los TFM, en cambio, han visto miles de tablas durante su entrenamiento previo y pueden extrapolar patrones incluso cuando los datos disponibles son limitados. Esto los convierte en herramientas especialmente valiosas en sectores donde los datos son fragmentados, incompletos o difíciles de recopilar.

Otra ventaja clave es la reducción de la complejidad operativa. El uso de modelos de machine learning necesitan un entrenamiento supervisado que exige perfiles técnicos especializados que sean capaces de capturar, transformar, validar y preparar los datos con los que entrenar el modelo para cada problema concreto. Los TFM no requieren entrenamiento específico, por lo que se integran más fácilmente en sistemas existentes y reducen la dependencia de equipos especializados. Esto democratiza el acceso a la IA y permite que departamentos como finanzas, operaciones, marketing o compras puedan beneficiarse de modelos predictivos sin necesidad de grandes inversiones en talento técnico.

Los TFM también destacan por su velocidad de inferencia. Modelos como TabPFN pueden generar predicciones en milisegundos, incluso en escenarios donde los modelos clásicos tardarían mucho más debido a la necesidad de entrenamiento previo. Esta rapidez abre la puerta a aplicaciones en tiempo real: clasificación instantánea de clientes, evaluación dinámica de riesgo, detección temprana de anomalías en operaciones o previsiones rápidas para ajustar decisiones comerciales.

Finalmente, existe una ventaja estratégica que va más allá de la técnica: en lugar de gestionar decenas de modelos independientes (uno para cada caso de uso), se puede centralizar la inteligencia de datos en un único modelo de base. Además, como no se requiere entrenar cada caso, se puede ampliar el número de casos en los que utilizar esta herramienta. Esto permite escalar la IA de datos sin multiplicar la complejidad, facilita la gestión de los datos, reduce costes de mantenimiento y crea una arquitectura más coherente y sostenible a largo plazo.

En conjunto, estas ventajas explican por qué los TFM están empezando a ser vistos como una pieza clave en la IA empresarial. No solo mejoran el rendimiento técnico, sino que transforman la forma en que las organizaciones pueden adoptar y escalar la inteligencia artificial en sus procesos diarios.

Modelos de TFM existentes

Aunque los TFM son una categoría relativamente reciente dentro del ecosistema de la IA, el panorama actual ya ofrece varias alternativas sólidas, tanto en el ámbito académico como en el empresarial. Cada una aporta matices distintos en arquitectura, rendimiento y enfoque, pero todas comparten la ambición de resolver múltiples tareas sin entrenamiento específico.

En el año 2022 se desarrolló el pionero indiscutible de los modelos TFM: el conocido TabPFN. Fue el primer modelo que se entrenó específicamente con datos tabulares, demostrando que un modelo preentrenado puede utilizarse de forma general sin más entrenamiento específico y superar a los métodos clásicos de machine learning. TabPFN es considerado el estándar de facto en la categoría.

El responsable del desarrollo de TabPFN fue un equipo de investigadores liderado por Noah Hollmann, junto con Samuel Müller, Katharina Eggensperger y Frank Hutter, todos ellos vinculados a la Universidad de Friburgo (Alemania). Su disponibilidad como proyecto de código abierto (open‑source) ha facilitado su adopción y ha inspirado el desarrollo de variantes y extensiones.

Para quien esté interesado en probarlo, TabPFN es una solución de código abierto que se puede descargar, instalar y ejecutar localmente o en un servidor en la nube. Las empresas lo pueden integrar en sus sistemas internos de ERP o CRM para generar sus predicciones.

En 2024, la empresa alemana Prior Labs tomó como base TabPFN para desarrollar una versión empresarial conocida como PriorTab (Prior Labs TabPFN). Este modelo toma la base técnica de TabPFN y la optimiza para entornos corporativos: mayor estabilidad, soporte profesional, integración con sistemas de datos y capacidades avanzadas de despliegue. PriorTab ofrece a las empresas una herramienta lista para producción. En 2026, la multinacional alemana SAP anunció la adquisición de Prior Labs por más de mil millones de euros.

PriorTab se puede utilizar como un servicio web (SaaS) o se puede integrar en el software interno de la empresa (ERP, CRM o plataformas BI).

Otro modelo relevante es RTFM (Reinforced Tabular Foundation Model). Este modelo introduce técnicas de aprendizaje por refuerzo para mejorar la capacidad del modelo de adaptarse a distribuciones cambiantes. Su enfoque busca que el modelo no solo se pueda utilizar bien con cualquier tipo de datos, sino que también aprenda a tomar decisiones óptimas en contextos donde los datos evolucionan con el tiempo. RTFM es un proyecto de código abierto publicado por la organización Mlfoundations en GitHub. Por tanto, se puede descargar gratuitamente, instalarlo, modificarlo y usarlo.

Comparación de modelos existentes (Fuente: Mindful Modeler)

En el cruce entre lenguaje y tablas aparece TabLLM, un modelo híbrido que combina capacidades de LLM con razonamiento de tabla de datos. Su objetivo es permitir tareas mixtas: interpretar instrucciones en lenguaje natural, analizar tablas y producir predicciones o explicaciones. Aunque no es un TFM puro, su enfoque multimodal lo convierte en una pieza interesante para sistemas donde la interacción humana es clave. El modelo TabLLM fue creado por el MIT (USA) y la universidad de Múnich (Alemania). Es de código abierto y se puede descargas desde https://github.com/clinicalml/TabLLM. También existe una versión web pública en https://tablellm.github.io/.

Finalmente, existen modelos que, aunque no se definen explícitamente como TFM, han influido en su desarrollo. Por ejemplo, FT‑Transformer y SAINT (Self‑Attention and Intersample Transformer) son arquitecturas basadas en el modelo transformers adaptados a datos tabulares. No son modelos preentrenados de propósito general, pero han demostrado que los modelos transformers pueden superar a los métodos clásicos en muchos escenarios de datos tabulares. Su impacto conceptual ha sido decisivo para que surgiera la idea de entrenar modelos con tablas de datos.

El ecosistema actual, por tanto, combina modelos pioneros, versiones empresariales y propuestas híbridas que amplían el alcance de la categoría. Aunque TabPFN sigue siendo el referente, el ritmo de innovación es rápido y es probable que en los próximos años aparezcan modelos más grandes, más multimodales y más integrados con sistemas corporativos. Lo importante es que la categoría ya está consolidada. Los TFM han dejado de ser una curiosidad académica para convertirse en herramientas reales, con aplicaciones directas en el día a día de las empresas.

Limitaciones actuales de los TFM

Aunque los TFM representan un avance significativo en la inteligencia artificial aplicada a datos empresariales, todavía operan dentro de un marco con limitaciones. Como ocurre con cualquier tecnología emergente, los TFM están en una fase de expansión, pero no han alcanzado todavía la madurez completa que ya vemos en los modelos de lenguaje o en los sistemas de visión.

La primera limitación es su dependencia del entrenamiento. Un TFM es tan bueno como la diversidad y calidad de las tablas que ha visto durante su entrenamiento. Si el modelo se ha expuesto a una amplia variedad de estructuras, distribuciones y tareas, generalizará bien. No obstante, si los datos de la empresa que utiliza el TFM es muy específico (por ejemplo, datos clínicos altamente especializados, mediciones industriales muy técnicas o variables extremadamente poco comunes), es posible que el modelo no logre captar por completo las particularidades del problema. En esos casos, los métodos tradicionales de machine learning o los modelos entrenados para ese entorno particular (ad hoc) son una mejor alternativa.

Otra limitación importante es que los TFM no manejan bien modalidades de datos fuera del formato de tablas. Aunque algunos modelos híbridos empiezan a combinar texto y tablas, los TFM puros no procesan imágenes, secuencias largas, audios ni documentos complejos. Esto significa que, en escenarios donde los datos estructurados se mezclan con información no estructurada, es necesario integrar otros modelos o recurrir a arquitecturas multimodales. Los TFM destacan en su nicho, y ese nicho sigue siendo el de las tablas.

También existe una limitación relacionada con la interpretabilidad. Los modelos basados en transformers, aunque potentes, no son tan transparentes como los métodos clásicos de árboles de decisión (machine learning), donde es posible visualizar reglas, pesos y caminos de decisión. En sectores donde la explicabilidad es crítica (finanzas, salud, seguros) esta falta de transparencia puede ser un obstáculo. Se están desarrollando técnicas para interpretar los resultados del TFM, pero aún no alcanzan la claridad de los modelos tradicionales.

En términos operativos, los TFM pueden presentar desafíos cuando se trabaja con conjunto de datos extremadamente grandes. Aunque funcionan muy bien con conjuntos de datos pequeños y medianos, su rendimiento puede verse limitado cuando el número de filas es masivo. En esos casos, modelos como LightGBM o CatBoost (de machine learning clásico) siguen siendo más eficientes y escalables.

Finalmente, existe una limitación estratégica: los TFM son una categoría joven. Esto implica que el ecosistema de herramientas, documentación, buenas prácticas y casos de uso aún está en construcción. Las empresas que adopten TFM hoy se beneficiarán de una ventaja competitiva, pero también deben navegar un terreno menos consolidado que el de los modelos clásicos de machine learning o los LLM. La tecnología avanza rápido, pero todavía no ha alcanzado la estabilidad que caracteriza a otras áreas de la IA.

En conjunto, estas limitaciones no restan valor a los TFM, sino que simplemente delinean su alcance actual. Son modelos extraordinariamente útiles para una amplia gama de problemas empresariales, pero no son una solución universal. Como toda tecnología emergente, su evolución será rápida y muchas de estas limitaciones probablemente se mitigarán en los próximos años. Lo importante es entender dónde encajan hoy y cómo pueden complementar (no reemplazar) al resto del ecosistema de inteligencia artificial.

El futuro de los TFM

El futuro de los TFM se perfila como uno de los movimientos más interesantes dentro de la inteligencia artificial aplicada a la empresa. Aunque hoy ya ofrecen ventajas claras (rapidez, simplicidad o capacidad de generalización), su evolución apunta hacia un escenario aún más ambicioso: convertirse en la capa fundamental sobre la que se construyan los sistemas de decisión automatizados de las organizaciones.

La primera tendencia clara es la mejora del entrenamiento. Igual que los modelos de lenguaje han crecido en tamaño y diversidad de datos, los TFM evolucionarán hacia modelos más grandes, entrenados con colecciones masivas de tablas procedentes de múltiples sectores. Este crecimiento no solo mejorará la precisión, sino que ampliará la capacidad del modelo para adaptarse a dominios especializados. Con más variedad de datos, los TFM podrán generalizar mejor en contextos como salud, industria, energía o finanzas, donde las estructuras tabuladas tienen particularidades muy marcadas.

Otra línea de evolución será la multimodalidad. Aunque los TFM actuales se centran en datos tabulares, es probable que surjan modelos capaces de combinar tablas con texto, series temporales, imágenes o señales. Esto permitiría resolver problemas complejos donde la información estructurada convive con datos no estructurados: informes médicos, auditorías financieras, inspecciones industriales o análisis de riesgo que integran documentos y métricas. La frontera entre TFM y LLM se difuminará, dando lugar a modelos híbridos que entiendan tanto el lenguaje como las tablas.

También se verán avances en interpretabilidad y explicabilidad, un aspecto crucial para sectores regulados. La capacidad de un TFM para justificar sus predicciones (mostrar qué variables influyen más, cómo se relacionan entre sí o qué patrones ha detectado) será determinante para su adopción en banca, seguros, salud o administración pública. Se desarrollarán herramientas específicas para visualizar el razonamiento interno del modelo, acercándolo a la transparencia que ofrecen los métodos clásicos basados en árboles (machine learning).

En el plano operativo, los TFM evolucionarán hacia una integración más profunda con los sistemas corporativos. Veremos modelos diseñados para funcionar dentro de los sistemas de datos empresariales, integrados en los flujos donde los datos se generan, transforman y consumen. Esto permitirá que las predicciones se generen de forma continua, automática y contextualizada, sin intervención manual. Los TFM se convertirán en motores de decisión embebidos en los procesos de negocio.

Finalmente, existe una tendencia estratégica que marcará la próxima década: la automatización completa del ciclo de vida del los datos tabulares. Los TFM podrían encargarse también de tareas como la detección de problemas en los datos, la selección automática de variables relevantes, la adaptación a cambios en las distribuciones o la generación de recomendaciones operativas. En otras palabras, los TFM no solo predecirán, sino que podrán tomar decisiones o sugerirán acciones basadas en esas predicciones.

En conjunto, el futuro de los Tabular Foundation Models apunta hacia una IA más accesible, más integrada y más autónoma. Su evolución no solo transformará la forma en que las empresas trabajan con datos tabulares, sino que redefinirá el papel de la inteligencia artificial en la toma de decisiones. Lo que hoy es una herramienta prometedora, mañana podrá ser un componente esencial de la infraestructura digital empresarial.

Conclusiones

Los TFM representan una de esas inflexiones tecnológicas que, aunque discretas en apariencia, pueden llegar a tener un impacto profundo en la forma en que las empresas usan la inteligencia artificial. Durante años, la IA ha avanzado en campos como el lenguaje, la visión o la generación de contenido, pero el valor económico real sigue concentrado en las tablas de datos de las empresas. Los TFM nacen precisamente para iluminar ese territorio y convertirlo en un espacio donde la inteligencia artificial pueda desplegarse con rapidez, precisión y sencillez.

Hemos visto que los TFM no son simplemente una evolución incremental de los modelos clásicos, sino una nueva categoría dentro del ecosistema de la IA. Su capacidad para trabajar con datos sin recibir entrenamiento específico, su eficiencia para sacar conclusiones en conjuntos de datos pequeños, su velocidad de inferencia y su facilidad de integración los convierten en herramientas especialmente valiosas para organizaciones que necesiten resultados rápidos sin embarcarse en proyectos largos y costosos de machine learning. En un entorno donde la agilidad es tan importante como la precisión, los TFM ofrecen una combinación difícil de igualar.

En relación con los LLM, hemos visto que ambos modelos no compiten, sino que se complementan. Mientras que los LLM interpretan, explican y comunican, los TFM predicen, estiman y deciden. Juntos permiten construir sistemas de IA más completos, donde el lenguaje y los datos estructurados conviven para ofrecer respuestas más inteligentes y útiles. Esta complementariedad será clave en los próximos años, especialmente a medida que surjan modelos híbridos capaces de trabajar simultáneamente con texto y tablas.

Por supuesto, los TFM tienen limitaciones: su dependencia del entrenamiento, su falta de multimodalidad plena, su interpretabilidad aún en desarrollo y su rendimiento desigual en conjunto de datos extremadamente grandes. Pero estas limitaciones no son obstáculos insalvables, sino puntos de evolución. La trayectoria de los TFM apunta hacia modelos más amplios, más explicables, más integrados y más autónomos.

En definitiva, los Tabular Foundation Models representan una oportunidad para que las empresas transformen la forma en que utilizan sus datos estructurados. Permiten democratizar la IA, reducir la complejidad operativa y acelerar la toma de decisiones basada en predicciones. Son, en cierto modo, la pieza que faltaba para que la inteligencia artificial llegue al corazón de los procesos empresariales sin fricciones. Aunque estamos solo en el comienzo de su desarrollo, todo indica que los TFM serán una de las tecnologías que definirán la próxima década en la IA aplicada a negocio.

Más información

En este artículo se han explorado los fundamentos de los modelos TFM: qué son, en qué se diferencian de los LLM, para qué sirven en la práctica, cómo se aplican sobre datos empresariales reales y qué alternativas concretas existen hoy en el mercado y en el ecosistema de código abierto (open‑source). Espero que le haya resultado de interés. Si busca inspiración o simplemente le interesan estos temas, en este blog se dispone de otros muchos contenidos relacionados. Por favor, utilice el buscador de contenidos que tenemos en la cabecera.

Por otro lado, estos son algunos otros artículos que pueden ser de interés:

Bibliografía

Aunque los contenidos de este blog tienen un propósito divulgativo, la verificación de las fuentes es una tarea que nos tomamos con seriedad. Como este blog no tiene fines de lucro, nos vemos obligados a operar de manera austera. Esto significa no utilizar tiempo a referenciar exhaustivamente cada dato presentado. En cualquier caso, si necesita verificar las fuentes, estas son algunas de las utilizadas:

Libro: «Hands-On Machine Learning with Scikit-Learn, Keras & TensorFlow». Autor: Aurélien Géron Editorial: O’Reilly Media ISBN: 978-1492032649. Explica de forma clara los fundamentos del machine learning moderno, incluyendo árboles de decisión, boosting y redes neuronales, que sirven como base conceptual para entender por qué los TFM representan un salto evolutivo.
Libro: «The Hundred-Page Machine Learning Book». Autor: Andriy Burkov Editorial: Andriy Burkov ISBN: 978-1999579500 Se trata de una introducción concisa y accesible al machine learning, ideal para lectores no especialistas que necesitan comprender el contexto previo a los TFM.
«TabPFN: A Transformer That Solves Small Tabular Classification Problems in a Second». arXiv (2023), Noah Hollmann, Samuel Müller, Katharina Eggensperger, Frank Hutter. https://arxiv.org/abs/2207.01848. Artículo fundacional que introduce TabPFN y demuestra que un modelo preentrenado puede superar a métodos clásicos en tareas con tablas pequeñas.
«TabPFN‑2.5: Advancing the State of the Art in Tabular Foundation Models». arXiv (2025–2026), Léo Grinsztajn y otros. https://arxiv.org/abs/2511.08667. Presenta mejoras sustanciales en capacidad, rendimiento y escalabilidad, consolidando TabPFN como referencia industrial.
«TabPFN‑3: Technical Report». arXiv (2026), Léo Grinsztajn y otros. https://arxiv.org/abs/2605.13986. Amplía TabPFN a conjunto de datos de hasta 1 millón de filas y explora capacidades multimodales, marcando el futuro de los TFM.
«TabPFN: One Model to Rule Them All?». arXiv (2025) , Qiong Zhang, Yan Shuo Tan, Qinglong Tian, Pengfei Li. https://arxiv.org/abs/2505.20003. Análisis crítico y detallado del funcionamiento interno de TabPFN, con énfasis en su interpretación como inferencia bayesiana aproximada.
TabPFN GitHub Repository. https://github.com/automl/TabPFN. Código oficial, documentación, demos y notebooks que permiten experimentar directamente con el modelo.
PriorTab Product Page. https://priorlabs.ai. Información sobre la versión empresarial de TabPFN, optimizada para producción y despliegue corporativo.
AutoML Benchmarks (OpenML). https://www.openml.org. Conjunto de datasets utilizados para evaluar TabPFN y compararlo con modelos clásicos como XGBoost, LightGBM y CatBoost.
LightGBM Documentation. https://lightgbm.readthedocs.io. Referencia técnica sobre uno de los modelos más utilizados en machine learning tabular, útil para contextualizar las ventajas de los TFM.
«TabICLv2: A better, faster, scalable, and open tabular foundation model». Jingang Qu, David Holzmüller, Gaël Varoquaux, Marine Le Morvan. (2026). https://arxiv.org/abs/2602.11139
«Tabarena: A living benchmark for machine learning on tabular data». Erickson, N., Purucker, L., Tschalzev, A., Holzmüller, D., Desai, P. M., Salinas, D., & Hutter, F. (2025). https://arxiv.org/abs/2506.16791
«Developing Foundation Models for Real-World Tabular Data». Marta Garnelo, Wojciech Marian Czarnecki. (2026). https://fun-research-whitepaper.s3.us-west-1.amazonaws.com/public/Fundamental_Whitepaper.pdf
«Representation Learning for Tabular Data: A Comprehensive Survey». https://ui.adsabs.harvard.edu/abs/2025arXiv250416109J/abstract. Proporciona una taxonomía completa y actualizada (2025) de los métodos de aprendizaje de representaciones para datos tabulares, clasificándolos en modelos especializados, transferibles y generales (los TFM), y estableciendo un marco de referencia esencial para el campo.
«TabICL: A Tabular Foundation Model for In-Context Learning on Large Data». https://ar5iv.labs.arxiv.org/html/2502.05564. Presenta TabICL, un modelo que aborda la escalabilidad del aprendizaje en contexto (ICL) para conjuntos de datos grandes (hasta 500,000 muestras), superando a TabPFNv2 en velocidad y a métodos tradicionales como CatBoost en datasets masivos.
«Accurate Predictions on Small Data with a Tabular Foundation Model (TabPFN)». https://www.nature.com/articles/s41586-024-08347-9. Este artículo, publicado en Nature, presenta TabPFN (Prior-Data Fitted Networks), uno de los primeros y más influyentes TFM, demostrando un rendimiento sobresaliente en conjuntos de datos pequeños y de tamaño medio.
«Panel on Neural Relational Data: Tabular Foundation Models, LLMs… or Both?». https://dlnext.acm.org/doi/abs/10.14778/3750601.3760519. Un panel de expertos que debate el futuro de la gestión de datos, contrastando la filosofía de los TFM (especializados y con sesgos estructurales) frente a los LLM (de propósito general), un recurso valioso para entender las dos caras de la moneda.
«Interpretable Tabular Foundation Models via In-Context Kernel Regression». https://ar5iv.labs.arxiv.org/html/2602.02162. Aborda la opacidad de los TFM introduciendo KernelICL, un marco que sustituye la capa final de predicción por funciones kernel (ej., Gaussianas), haciendo que las predicciones sean transparentes y basadas en ejemplos de entrenamiento, mejorando así la interpretabilidad.