La inteligencia artificial avanza hacia un nicho que los grandes modelos de lenguaje —ChatGPT, Claude, Gemini, Grok— han demostrado manejar con dificultad: los datos tabulares. Los llamados Tabular Foundation Models (TFMs) emergen como una arquitectura especializada para procesar la información que vive en filas y columnas, el formato dominante en finanzas, operaciones y análisis de negocios.
El problema de fondo es estructural. Los LLM convierten todo en tokens de texto. Un valor como 36 —la edad de un cliente— se codifica como el carácter «3» seguido del carácter «6», no como un entero con propiedades matemáticas. Esa distinción parece menor hasta que el modelo intenta calcular correlaciones, detectar anomalías o proyectar tendencias: ahí los errores se acumulan y los resultados pierden precisión, según documenta el análisis del científico de IA Lance Eliot publicado en Forbes.
Los TFMs abordan el problema desde la arquitectura: tratan los valores numéricos como números y los textuales como texto, cada uno con sus propias representaciones internas. Además, están entrenados para tolerar lo que cualquier analista financiero conoce bien: datos faltantes, registros mal tipificados, valores atípicos. La robustez frente al «dato sucio» es, precisamente, uno de sus argumentos comerciales más sólidos.
A diferencia de los LLM, que se entrenan sobre vastos corpus de texto de internet, los TFMs se entrenan predominantemente sobre conjuntos de datos tabulares sintéticos pero realistas, diseñados para cubrir la variedad de estructuras que aparecen en el mundo corporativo. El modelo TabFM es citado como uno de los ejemplos representativos de esta generación emergente.
La tecnología se encuentra, según el propio análisis, en etapas tempranas. La hoja de ruta que anticipan los especialistas apunta a una integración: los LLM actuarían como interfaz conversacional y los TFMs como motores de cálculo en el backend, cada uno en el rol para el que fue optimizado. Un esquema de especialización que, dicho sea de paso, replica la lógica que los mercados eficientes aplican al capital: cada recurso donde genera más retorno.
Para el ecosistema empresarial, la implicación es directa. Hoy, equipos de finanzas, riesgo y operaciones cargan hojas de cálculo en LLM generalistas y obtienen resultados inconsistentes. Si los TFMs maduran según lo proyectado, el flujo de trabajo cambia: el analista consulta en lenguaje natural, el LLM interpreta la pregunta y el TFM ejecuta el análisis numérico con la precisión que el dato estructurado exige.
Desde Ágora Capital, el ángulo es claro: la innovación que reduce fricciones en el análisis de datos no es un lujo tecnológico, es productividad medible. Cada hora que un equipo financiero dedica a corregir errores de un LLM que malinterpreta columnas numéricas es un costo real. La especialización de herramientas —frente a la tentación del modelo único que lo hace todo— es exactamente el tipo de eficiencia que el libre mercado premia con adopción.
Capital busca reglas claras, y también herramientas confiables. Si los TFMs cumplen la promesa, el mercado de software empresarial de análisis tendrá un nuevo vector de competencia. Los incumbentes que dependen de soluciones generalistas deberían tomar nota.
