현업 팀이 AI에 가장 많이 실망하는 순간은 챗봇이 말을 못해서가 아닙니다. 숫자는 그럴듯한데 못 믿겠고, 예측은 자신만만한데 재현이 안 될 때입니다. 매출 예측, 가격 최적화, 공급망 이상 탐지, 연체 위험 같은 문제를 스프레드시트와 ERP 테이블에서 풀어야 하는데, 여기에 대화형 AI를 그대로 얹으면 자주 이런 일이 벌어집니다.
그래서 이번 SAP와 Prior Labs 소식은 "큰 인수냐"보다 다른 질문으로 봐야 합니다. 기업 데이터 문제를 LLM에 계속 맡길 것인가, 아니면 표 형태 데이터를 다루는 모델을 별도 제품 선택으로 보기 시작할 것인가입니다. SAP는 독일의 신생 AI 연구조직 Prior Labs를 인수하기로 했고, 향후 4년간 10억 유로 이상을 투자하겠다고 밝혔습니다. Prior Labs는 설립 18개월 안팎의 회사지만, 오픈소스 탭형 AI 모델 TabPFN으로 300만 회 이상 다운로드를 기록했고, SAP는 이를 자사 AI Core·Business Data Cloud·Joule과 연결하겠다고 했습니다.123
숨은 쟁점: 당신의 데이터 문제는 애초에 LLM 문제가 아닐 수 있다
확인된 사실부터 보겠습니다. SAP와 Prior Labs는 공통적으로 "LLM은 구조화된 비즈니스 데이터 예측에 한계가 있다"고 말합니다. 표, 숫자, 통계적 관계를 다루는 데 특화되지 않았기 때문이라는 주장입니다.2 반대로 Prior Labs가 만드는 TFM(Tabular Foundation Model)은 행·열·결측치·분류·회귀 같은 전형적인 표 데이터 문제를 바로 겨냥합니다.
이 말이 과장인지 보려면 용도를 나눠야 합니다.
"이번 분기 공급업체 리스크가 왜 커졌지?"처럼 문서를 검색하고 설명을 요약하는 일은 LLM이 잘합니다.
하지만 "어느 공급업체가 다음 달 납기 실패 확률이 높은가?" "어떤 고객이 이탈할 가능성이 큰가?"는 다른 문제입니다. 여기서는 문장 생성보다 예측 정확도, 일관성, 벤치마크, 설명 가능성이 더 중요합니다.
실무적으로는 이렇게 보면 됩니다. 결과물이 문장이 아니라 점수, 확률, 등급, 수치라면 LLM은 인터페이스일 수는 있어도 핵심 엔진이 아닐 가능성이 큽니다. Prior Labs가 던진 신호는 바로 이 분리입니다. "대화형 AI"와 "표 기반 예측 AI"를 같은 카테고리로 묶지 말라는 것입니다.
5가지 신호로 보는 '테이블 네이티브' 문제
빠르게 자가진단해볼 수 있습니다. 아래 항목 중 많이 해당하면, 프롬프트 최적화보다 표 데이터 전용 모델 검토가 먼저입니다.
첫째, 답이 숫자나 클래스입니다.
수요량, 부도 확률, 이탈 여부, 사기 탐지처럼 정답 형태가 명확합니다.
둘째, 데이터 원천이 ERP·CRM·재무시스템입니다.
이 경우 핵심 정보는 자유 텍스트보다 테이블과 관계형 기록에 있습니다.
셋째, 과거 패턴이 중요합니다.
좋은 답변보다 좋은 일반화가 필요합니다. 즉, "말을 잘하는 모델"보다 "패턴을 안정적으로 맞히는 모델"이 우선입니다.
넷째, 창의성보다 일관성이 중요합니다.
같은 입력에 비슷한 결과가 나와야 하고, 팀·기간이 달라도 재현 가능해야 합니다.
다섯째, 벤치마크와 설명 책임이 있습니다.
리스크, 가격, 조달, 컴플라이언스 영역은 "왜 그렇게 판단했는가"와 "기존 방식보다 얼마나 나아졌는가"가 필요합니다.
Prior Labs의 TabPFN-2.6이 TabArena 상위권 성능과 자동화 ML 파이프라인 수시간 수준의 정확도를 단일 모델로 빠르게 낸다는 주장은 이런 구매 포인트를 정확히 겨냥합니다.23 다만 이것이 모든 기업 데이터 문제에서 곧바로 같은 성능을 보장한다는 뜻은 아닙니다. 공개 벤치마크 우위와 실제 사내 데이터 운영 성과는 다를 수 있습니다. 여기서 필요한 질문은 "모델이 똑똑한가"가 아니라 "우리 데이터 분포와 제약에서 유지되는가"입니다.
SAP 고객과 시장에 실제로 달라지는 것
사실 관계로 보면, SAP는 Prior Labs를 완전히 흡수하는 전통적 인수라기보다 독립 연구조직 형태로 운영하겠다고 했고, 오픈소스 전략도 유지하겠다고 밝혔습니다.24 동시에 SAP-RPT-1이라는 자사 테이블 네이티브 모델 경험도 이미 갖고 있습니다.5
이 조합의 해석은 분명합니다. SAP는 범용 코파일럿 경쟁만으로는 차별화가 어렵다고 본 것입니다. 대신 자사가 강한 ERP·공급망·재무 데이터 위에 "예측형 AI 제품"을 더 깊게 얹으려는 쪽에 가깝습니다. 화려한 데모보다 결제 지연 예측, 공급업체 위험 점수화, 업셀 가능성 분류 같은 수익화 포인트가 더 선명합니다.2
하지만 트레이드오프도 있습니다. SAP 고객에게는 강한 통합이 장점이지만, 동시에 SAP 스택 안에 더 깊이 묶일 가능성도 커집니다. 반대로 비SAP 환경이 많은 기업이라면 모델 성능만이 아니라 데이터 접근성, 거버넌스, 이식성을 함께 봐야 합니다. TechCrunch가 함께 언급한 NemoClaw 승인 소식까지 묶어 보면, SAP는 모델 자체뿐 아니라 기업 데이터 접근과 에이전트 실행의 제어면까지 넓히려는 그림으로 읽힙니다.1
먼저 이길 곳은 'AI 비서'보다 조용한 예측 업무다
"이게 AI의 미래냐"보다 더 좋은 질문은 이것입니다. 어디서 먼저 ROI가 날까.
가장 가능성이 높은 곳은 눈에 띄는 챗봇 배포가 아니라, 이미 표 데이터가 쌓여 있고 정답 레이블도 있는 영역입니다. 재무 운영의 연체·회수 예측, 수요 계획, 조달 리스크, 고객 이탈, 이상 거래 탐지, 규제 모니터링이 여기에 들어갑니다. 이런 영역은 대개 데이터 형식이 비교적 명확하고, 성공 기준도 측정 가능합니다.
반대로 문서가 섞여 있고 업무 흐름이 자주 바뀌며 정답 정의가 불명확한 영역은 여전히 LLM 중심 접근이 맞을 수 있습니다. 결국 Prior Labs 인수의 핵심은 "LLM 대체"가 아니라 "문제별 모델 분리"입니다.
지금 이 변화를 가장 주의 깊게 봐야 하는 사람은 두 부류입니다. SAP 스택 위에서 예측 업무를 운영하는 팀, 그리고 모든 AI 프로젝트를 챗 인터페이스로 통일하려는 데이터·제품 리더입니다. 앞으로의 판단 기준은 간단합니다. 당신의 문제가 말을 잘해야 하는 문제인지, 표를 잘 읽고 맞혀야 하는 문제인지부터 먼저 구분해야 합니다.
참고
1SAP bets $1.16B on 18-month-old German AI lab and says yes to NemoClaw
2SAP to Acquire Prior Labs to Establish a Globally Leading Frontier AI Lab in Europe
3The Next Chapter for Prior Labs
4SAP Acquires AI Startup Prior Labs With €1B Investment to Unlock Enterprise Structured Data
5SAP makes a double play in data and AI with acquisitions of Prior Labs and Dremio
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.