Español
English
Français
Português
Deutsch
Italiano
Large Tabular Models: Die neue KI-Grenze, die LLMs nicht überwinden können
1. Zusammenfassung
Am 5. Februar 2026 trat das Startup Fundamental mit einer Finanzierung von 275 Millionen US-Dollar und einem Grundmodell namens NEXUS, das von Grund auf für tabellarische Daten entwickelt wurde, aus dem Stealth-Modus. Diese Veröffentlichung stellt eine tektonische Verschiebung in der Architektur der generativen künstlichen Intelligenz dar. Während Large Language Models (LLMs) wie GPT-5.5 von OpenAI, Claude 4.8 Opus von Anthropic oder Gemini 3.5 Flash von Google weiterhin außergewöhnlich gut darin sind, Text und Code zu generieren, ist ihre Unfähigkeit, strukturierte Datensätze – also Zeilen und Spalten – zuverlässig zu verarbeiten, zur Achillesferse der Unternehmensautomatisierung geworden.
Die Ironie ist tiefgreifend. LLMs können einen 50-seitigen Rechtsbericht verfassen oder einen Linux-Kernel debuggen, aber sie scheitern, wenn sie versuchen, den Durchschnitt einer Spalte in einer Tabelle mit 10.000 Zeilen zu berechnen. Dieser systemische Fehler ist eine Barriere, die die generative KI vom harten Kern der Weltwirtschaft ferngehalten hat: relationalen Datenbanken, Finanzaufzeichnungen, Server-Logs und IoT-Sensordaten. Fundamental, unterstützt von Amazon Web Services (AWS), hat diese Lücke erkannt und ein Modell entwickelt, das Tabellen nicht nur versteht, sondern sie auch generiert, vervollständigt und mit einer Präzision analysiert, die LLMs nicht einmal emulieren können. Für CIOs, CTOs und Datenanalysten ist dies der Moment, aufmerksam zu sein: Der nächste große Sprung der KI wird nicht im Chat, sondern in der Zelle einer Tabellenkalkulation stattfinden.
2. Tiefgehende technische Analyse
Um zu verstehen, warum LLMs bei tabellarischen Daten versagen, muss man ihre grundlegende Architektur verstehen. Transformatoren, die Basis aller modernen Modelle, sind für lineare Token-Sequenzen optimiert. Die menschliche Sprache ist von Natur aus sequenziell und kontextuell; ein Wort hängt vom vorhergehenden ab. Eine Tabelle hingegen ist ein mehrdimensionales Objekt. Die Beziehung zwischen einer Zelle und einer anderen ist nicht linear: Sie hängt von der Spalte, der Zeile, der Kopfzeile und dem semantischen Kontext des gesamten Datensatzes ab. Ein LLM tokenisiert eine Tabelle als lange Textzeichenkette und verliert dabei die intrinsische relationale Struktur. Das Ergebnis ist, dass das Modell bei einer Tabelle mit 50 Spalten und 1.000 Zeilen unter einer "strukturellen Blindheit" leidet: Es kann die Zahlen lesen, aber nicht über sie nachdenken.
Fundamental hat dieses Problem mit einer völlig neuen Modellarchitektur angegangen. NEXUS ist kein modifiziertes LLM; es ist ein Large Tabular Model (LTM), das eine interne Darstellung verwendet, die auf Spalten- und Zeileneinbettungen basiert, anstatt auf Text-Tokens. Das Modell lernt die Wahrscheinlichkeitsverteilungen innerhalb der Tabellen: welche Werte tendenziell zusammen auftreten, wie Spalten korrelieren und welche statistischen Anomalien vorliegen. Dies ermöglicht NEXUS Aufgaben zu erfüllen, die für GPT-5.5 oder Claude 4.8 Opus unmöglich sind, wie die Imputation fehlender Werte mit einer Genauigkeit von 99,2 % in realen Datensätzen oder die Betrugserkennung bei Banktransaktionen ohne vordefinierte Regeln.
Der technische Konsens weist auf eine entscheidende menschliche Voreingenommenheit hin: "Die Leute sehen gerne Bilder, Videos und ChatGPT-Antworten. Aber tabellarische Daten bleiben wirklich zurück, weil es keinen Spaß macht, Zahlen anzusehen." Diese Voreingenommenheit hat dazu geführt, dass die Industrie zu wenig in die Forschung zu strukturierten Daten investiert hat. Die Realität ist jedoch, dass 80 % der Zeit eines Datenwissenschaftlers mit der Bereinigung und Vorbereitung tabellarischer Daten verbracht wird, nicht mit der Textgenerierung. NEXUS greift diesen Engpass direkt an.
Das Modell wurde an einem massiven Korpus anonymisierter Tabellen aus Quellen wie Bankwesen, Gesundheitswesen und Hochenergiephysik (einschließlich Daten des Large Hadron Colliders) trainiert. Im Gegensatz zu LLMs, die für jede Domäne ein kostspieliges erneutes Training erfordern, kann NEXUS mit nur 100 gelabelten Beispielen feinabgestimmt werden, um sich an ein spezifisches Tabellenschema anzupassen. Dies reduziert die Implementierungskosten drastisch. Darüber hinaus ist das Modell in der Lage, synthetische Tabellen zu generieren, die die statistischen Eigenschaften des Originals bewahren, ein entscheidender Fortschritt für den Datenschutz in regulierten Sektoren wie dem Gesundheits- und Finanzwesen.
Die Integration mit AWS ist besonders aufschlussreich. Fundamental hat NEXUS für die Ausführung auf AWS Trainium2-Instanzen optimiert, was die Verarbeitung von Tabellen mit bis zu 10 Millionen Zeilen in weniger als 30 Sekunden ermöglicht. Dies ist nicht nur eine Leistungsverbesserung; es ist ein Paradigmenwechsel. Wo früher ein Team von Dateningenieuren benötigt wurde, um ETL-Pipelines (Extract, Transform, Load) zu erstellen, kann jetzt ein einzelner Analyst eine Tabelle in NEXUS laden und komplexe Analysen, Anomalieerkennung und Berichtsgenerierung in natürlicher Sprache erhalten.
3. Auswirkungen auf die Industrie und Marktimplikationen
Die unmittelbaren Auswirkungen sind in drei Schlüsselbereichen spürbar: Finanzdienstleistungen, Gesundheitswesen und Logistik. Im Bankwesen waren LLMs bei der Echtzeit-Betrugserkennung ein relativer Misserfolg. Ein Modell wie Grok 4.5 von xAI kann Transaktionstexte analysieren, aber es kann nicht 50 Variablen einer Transaktionstabelle in Millisekunden korrelieren. NEXUS hingegen wurde von mehreren europäischen Banken übernommen, um veraltete Regelsysteme zu ersetzen, wodurch Fehlalarme um 40 % reduziert und Betrugsmuster erkannt wurden, die Menschen jahrelang übersehen hatten.
Im Gesundheitssektor ist die Herausforderung noch größer. Klinische Studien generieren Terabytes an tabellarischen Daten: Vitalparameter, Laborergebnisse, Medikamentendosen. LLMs können die Komplexität dieser Daten nicht bewältigen, ohne Werte zu halluzinieren. Qwen 3.7-Max von Alibaba hat sich beispielsweise als kompetent bei der Generierung von Patientenberichten erwiesen, scheitert jedoch beim Versuch, den Krankheitsverlauf auf der Grundlage einer Tabelle mit 200 Variablen vorherzusagen. NEXUS wird bereits von der FDA zur Validierung von Daten aus klinischen Studien getestet, ein Prozess, der traditionell Monate dauert und nun auf Tage reduziert werden könnte.
Logistik und Lieferkette sind ein weiteres Schlachtfeld. Unternehmen wie Maersk und DHL nutzen LTMs zur Routenoptimierung und Nachfrageprognose. Während Llama 4 von Meta (mit seinem Kontext von 10 Millionen Tokens) Logistikhandbücher lesen kann, kann es keine Tabelle mit 500.000 Zeilen Versanddaten verarbeiten, um die optimale Route zu finden. NEXUS, da es für die Zeilen- und Spaltenstruktur konzipiert ist, kann diese Aufgabe mit einer Latenz von Millisekunden ausführen.
Der Markt reagiert bereits. Wettbewerber wie DeepSeek (mit seinem V4-Pro) und Mistral Large 3 haben eigene Forschungen zu LTMs angekündigt, obwohl keiner ein kommerzielles Produkt auf den Markt gebracht hat. Der Vorteil von Fundamental ist sein exklusiver Fokus und seine Partnerschaft mit AWS, die ihm Zugang zu einer massiven Cloud-Infrastruktur verschafft. Es wird erwartet, dass der Markt für tabellarische Datenmodelle bis 2028 ein Volumen von 15 Milliarden US-Dollar erreichen wird, so Schätzungen von Branchenanalysten. Unternehmen, die diese Technologie nicht übernehmen, riskieren, im Rennen um die Datenautomatisierung zurückzufallen.
4. Expertenperspektiven und strategische Analyse
Der technische Konsens ist klar: LLMs sind nicht für tabellarische Daten konzipiert und werden es auch nie sein. "Zu versuchen, ein LLM eine Tabelle verarbeiten zu lassen, ist wie zu versuchen, einen Fisch auf einen Baum klettern zu lassen", bemerkt ein Forscher des MIT, der anonym bleiben wollte. "Die Transformer-Architektur ist wunderbar für Sprache, aber sie ist grundsätzlich ungeeignet für die relationale Struktur von Daten." Diese Erkenntnis treibt eine Welle von Investitionen in alternative Architekturen voran.
Aus strategischer Sicht müssen Unternehmen ihren aktuellen Technologie-Stack bewerten. Wenn Ihre Organisation für die Entscheidungsfindung auf Tabellenkalkulationen, SQL-Datenbanken oder CSV-Dateien angewiesen ist, kann ein LTM wie NEXUS einen sofortigen Wettbewerbsvorteil bieten. Die Einführung ist jedoch nicht ohne Risiken. Das Hauptproblem ist die Abhängigkeit von einem Anbieter: Fundamental ist ein Startup, und obwohl seine Finanzierung solide ist, ist das KI-Ökosystem volatil. Unternehmen sollten eine Multi-Modell-Strategie in Betracht ziehen, NEXUS für kritische tabellarische Aufgaben verwenden und gleichzeitig LLMs für die Benutzerinteraktion beibehalten.
Ein weiterer kritischer Punkt ist die Daten-Governance. LTMs können, genau wie LLMs, Verzerrungen aus den Trainingsdaten übernehmen. Wenn eine Kredithistorien-Tabelle rassistische oder geschlechtsspezifische Verzerrungen enthält, wird das Modell diese fortsetzen. Fundamental hat Techniken des Fairness-Aware-Trainings implementiert, aber die letztendliche Verantwortung liegt beim Nutzer. Unternehmen müssen Ethikkomitees für Daten einrichten, bevor sie LTMs in automatisierten Entscheidungsprozessen einsetzen.
Für Entwickler lautet die Empfehlung, jetzt mit LTMs-APIs zu experimentieren. Die Lernkurve ist steiler als bei LLMs, da Konzepte aus Statistik und linearer Algebra verstanden werden müssen. Die Kapitalrendite ist jedoch enorm. Ein Datenanalyst, der NEXUS beherrscht, kann ein Team von fünf Dateningenieuren bei Aufgaben der Datenbereinigung und -analyse ersetzen. Universitäten aktualisieren bereits ihre Lehrpläne, um „Tabellenmodell-Ingenieurwesen“ als eigenständige Spezialisierung neben der traditionellen Datenwissenschaft aufzunehmen.
5. Zukünftige Roadmap und Vorhersagen
Die Entwicklung der LTMs befindet sich in einer frühen Phase, aber die Innovationsgeschwindigkeit ist atemberaubend. Bis Ende 2026 wird erwartet, dass Fundamental NEXUS 2.0 auf den Markt bringt, mit der Fähigkeit, Tabellen mit bis zu 100 Millionen Zeilen zu verarbeiten und nativer Unterstützung für Zeit- und Geodaten. Dies wird Anwendungen in der Meteorologie, im quantitativen Finanzwesen und in der Simulation von Stadtverkehr eröffnen.
Im Jahr 2027 werden wir die Konvergenz zwischen LTMs und LLMs sehen. Hybride Modelle, die zwischen textuellem und tabellarischem Denken wechseln können, werden zum Standard werden. Unternehmen wie Google (Gemini 3.5 Flash) und Anthropic (Claude 4.8 Opus) forschen bereits daran, wie tabellarische Module in ihre bestehenden Architekturen integriert werden können. Experten sagen jedoch voraus, dass rein tabellarische Modelle bei spezifischen Aufgaben mindestens in den nächsten drei Jahren einen Leistungsvorteil von 30-40 % behalten werden.
Die größte Herausforderung wird die Standardisierung sein. Im Gegensatz zu natürlicher Sprache, die universelle grammatikalische Regeln hat, variieren tabellarische Daten enorm in Struktur und Semantik. Ein LTM, das mit Finanztabellen trainiert wurde, funktioniert möglicherweise nicht gut mit Genomik-Tabellen. Die Industrie wird standardisierte Benchmarks entwickeln müssen, ähnlich wie GLUE oder SuperGLUE für LLMs, um LTMs zu bewerten und zu vergleichen. Initiativen wie TabBench und TabZoo entstehen, befinden sich aber noch in der Beta-Phase.
Für 2028 wird vorhergesagt, dass LTMs so allgegenwärtig sein werden wie LLMs es heute sind. Excel- und Google Sheets-Tabellenkalkulationen werden nativ Assistenten auf LTM-Basis integrieren. Die Erstellung von Finanzberichten, die Betrugserkennung und die Optimierung von Lieferketten werden vollständig automatisiert. Die Arbeit des Datenanalysten wird sich von „Daten bereinigen“ zu „Strategien auf Basis von KI-generierten Erkenntnissen entwerfen“ verschieben.
6. Fazit: Strategische Imperative
Die Ära der Large Tabular Models hat begonnen. Für Unternehmensführer ist die Botschaft unmissverständlich: Wenn Ihre Organisation mit Daten in Zeilen und Spalten arbeitet, benötigt sie ein LTM. LLMs sind wunderbare Werkzeuge für Kommunikation und Kreativität, aber sie sind die falschen Werkzeuge für die Analyse strukturierter Daten. Diese Unterscheidung zu ignorieren ist, als würde man einen Hammer benutzen, um eine Schraube einzudrehen: Es ist möglich, aber das Ergebnis wird mangelhaft und die Kosten unnötig hoch sein.
Das sofortige Handeln muss dreigleisig sein. Erstens: Überprüfen Sie Ihre Daten-Workflows, um Aufgaben zu identifizieren, die auf Tabellen angewiesen sind und derzeit manuell oder mit LLMs durchgeführt werden. Zweitens: Starten Sie ein Pilotprogramm mit NEXUS oder einem aufstrebenden Konkurrenten, um die Auswirkungen auf Produktivität und Genauigkeit zu bewerten. Drittens: Investieren Sie in die Schulung Ihres Teams im Umgang mit LTMs, da die Nachfrage nach Experten für diese Technologie das Angebot in den nächsten 18 Monaten bei weitem übersteigen wird.
Die Zukunft der KI besteht nicht nur darin, schöne Texte zu generieren; es geht darum, die Welt durch ihre Daten zu verstehen. Und die Welt ist größtenteils in Tabellen organisiert. LTMs sind der Schlüssel, der diese Tür endlich öffnet.