Excel è ovunque. Nella contabilità, nella redazione di report, nella pianificazione dei progetti. Anche l’uso di fogli Excel come database è comune, anche se esistono spesso software dedicati. E: Excel è un’arte. Non a caso, ogni anno si tengono gare mondiali. Per la World Championship americana nel 2026, sono in palio persino 100.000 dollari statunitensi. Ma Excel e altri strumenti di calcolo hanno un problema molto serio.
Il problema con Excel
Nell’era dell’intelligenza artificiale, i dataset strutturati e standardizzati sono diventati una base essenziale per l’analisi e l’elaborazione dati. Specialmente quando si tratta dello scambio di dati tra diverse interfacce. Senza una standardizzazione, i modelli linguistici non possono essere applicati ai dati aziendali senza modifiche sostanziali e ulteriore addestramento, e nemmeno l’uso di agenti di intelligenza artificiale diventa economicamente sensato in questo contesto.
Per questo motivo, i Large Tabular Models guadagnano sempre più importanza. Sono utili non solo per il calcolo tabellare, ma soprattutto per lavorare con grandi set di dati, dove righe e colonne possono essere scambiate di posizione senza perdere di significato. Imprese come Fundamental, citate da IEEE Spectrum, riescono a raccogliere somme nell’ordine dei milioni di dollari, pur trattando un tema piuttosto noioso. Ma che cos’è davvero questa nuova classe di modelli?
Che cos’è un Large Tabular Model?
Il termine "Large Tabular Model" nasce nel 2024 in un articolo dei ricercatori Mihaela van der Schaar e Boris van Breugel. Poco dopo, il team di van der Schaar all’Università di Cambridge cerca di mettere in pratica il loro documento. Il team propone che i modelli linguistici non siano facilmente riconfigurabili per la generazione di dataset, cosa troppo costosa. Al loro posto, propongono lo sviluppo di "LaTable", un modello a diffusione in grado di gestire in modo migliore sfide come i vari tipi di colonne e il corretto utilizzo dei metadati.
Come funziona un modello a diffusione
Nel modello a diffusione, i dati di partenza vengono "sbiancati" o "alterati". Il modello impara a ricostruirli partendo da questa versione alterata. A differenza dei grandi modelli linguistici, in cui la previsione statistica a base di token funziona in modo abbastanza soddisfacente, la struttura dei dati numerici in token rende il tutto meno efficiente rispetto a testi o immagini, dove esiste una precisa sequenza o struttura. Ogni valore in una tabella potrebbe significare dieci cose diverse da dieci punti di vista – una situazione poco adatta ai modelli linguistici.
I limiti iniziali
Dal momento che non possiede esempi di lavoro per funzionare, il modello non mostra grandi capacità in quanto a generazione di dataset. Secondo gli stessi ricercatori, non si riesce a utilizzare con attendibilità tale modello senza aver prima mostrato agli algoritmi l’aspetto desiderabile dei dati prodotti. Cioè, il lavoro manuale sembra rimanere inevitabile, almeno per un certo periodo.
Perché i Large Tabular Models sono importanti
Nel 2025, l’esperta di organizzazione dei dati Precisely ha intervistato 500 responsabili di quattro aree diverse. Il 43% di loro ha dichiarato che il loro problema più critico è la preparazione dei dati per l’uso. Le tabelle Excel e le formule associate per le previsioni finanziarie o per la gestione del magazzino, benché siano creativi e adattabili, non sono semplici da standardizzare. Persino i modelli linguistici più avanzati prodotti da OpenAI, Anthropic o Microsoft spesso hanno difficoltà a gestire fogli e dati di tabella in modo efficace.
Ancora, non si prevede una riduzione nell’uso di programmi di calcolo a breve termine. Nell’ambito amministrativo, due terzi dei partecipanti all’indagine di Diamant Software nel 2023 utilizzavano già software di calcolo di fogli; circa il dieci per cento voleva espandere il loro utilizzo. E se la preparazione dati di base in Excel non è corretta, essa genera serie problematiche in catena.
I finanziatori e sviluppatori di modelli per grandi tabelle
Accanto a Fundamental, esistono diversi grandi start-up e iniziative aziendali impegnate nell’ambito dei Large Tabular Models oppure nei Foundation Models tabellari. Solo nel 2026 il mercato è in movimento. Il 30 giugno, ad esempio, Google presenta TabFM, una variante specifica di questa classe di strumenti, in grado di superare modelli precedenti come TabICL o TabPFN in termini di classificazione. Mastercard, invece, utilizza i propri dati per allenare un modello simile utilizzato nel prevenire frodi.
Vestiti per la tecnologia
Il campo non è occupato esclusivamente da multinazionali. La Germania, ad esempio, occupa una posizione chiave. SAP punta su Prior Labs, fondata a Friburgo alla fine del 2024. Un ricercatore ha portato in vita TabPFN, una tecnologia che oggi supporta un impegno finanziario considerevole da parte del colosso SAP. Secondo una recente comunicazione istituzionale, l’azienda ha pianificato un investimento di circa un miliardo di euro nel corso dei prossimi quattro anni.
Conclusioni
I Large Tabular Models rappresentano uno sviluppo essenziale per il trattamento efficiente e scalabile dei dati strutturati. Con la crescente importanza dei dati aziendali e una crescente complessità nei dataset, la collaborazione tra aziende di tecnologia e start-up promette di migliorare radicalmente il paesaggio tecnologico. L’ambizione non è tanto sostituire Excel, ma rendere l’intero ecosistema della tabellazione dati più agile e intelligente, grazie alle nuove tecnologie.