Modelos tabulares triunfan donde los LLM fracasan

Los grandes modelos de lenguaje (LLM) que sostienen a los chatbots de IA generativa como ChatGPT, Claude y Gemini producen texto e imágenes asombrosamente humanos. Pero estos modelos siguen fallando en una habilidad que, irónicamente, parecería estar en su terreno: analizar datos estructurados. Un nuevo tipo de IA generativa viene a cambiar esa situación.

Aunque puedes pedirle a tu chatbot favorito que resuelva problemas matemáticos difíciles, revise documentos legales densos o arme unas diapositivas vistosas, dale algo más que una tabla pequeña y no sabrá qué hacer. Para la mayoría de las empresas y organizaciones, los datos más importantes viven en hojas de cálculo. Ya sean los registros de transacciones de un banco, las métricas de una agencia de marketing, los signos vitales de participantes de un ensayo clínico o la enorme cantidad de datos de colisiones de protones que producen aceleradores como el Gran Colisionador de Hadrones, los datos en filas y columnas mueven el mundo, y los LLM no pueden con ellos.

La startup Fundamental está siendo pionera en un nuevo tipo de modelo fundacional, conocido como modelo tabular grande (LTM), para llenar ese vacío. Fundamental salió del modo sigilo el 5 de febrero de 2026 con 275 millones de dólares en financiamiento y un modelo llamado NEXUS, construido a medida para datos tabulares. Ahora el modelo está siendo adoptado por empresas como Amazon Web Services, mientras otras corren por armar sus propios LTM.

¿Por qué los LLM no manejan las hojas de cálculo?

Parte de por qué los datos estructurados han recibido menos atención es un sesgo muy humano, sostiene Boris van Breugel, investigador senior de IA con base en Ámsterdam. "A la gente le gusta ver imágenes, videos y respuestas de ChatGPT", dice. "Pero los datos tabulares quedan rezagados porque no es divertido mirar números."

Los distintos conjuntos de datos tabulares también son difíciles de comparar, explica van Breugel, coautor de un influyente documento de posición sobre el tema en 2024. Mientras que la mayoría del lenguaje tiene semántica similar, lo que hace a los LLM idóneos para entrenarse con enormes volúmenes de texto, es mucho más difícil entrenar un único modelo tabular sobre tablas con variables muy distintas.

Además, el lenguaje es secuencial por naturaleza, igual que la música, las imágenes y el video. Cambiar el orden de las palabras en una oración puede alterar o destruir su significado. Pero los datos estructurados de una hoja de cálculo no son secuenciales: puedes intercambiar el orden de las columnas o las filas y el significado factual no cambia. Esa independencia del orden lineal choca con el propósito fundamental de un LLM, que es predecir el siguiente valor en una secuencia.

"Con los LLM, incluso cambiando levemente la entrada, obtienes una salida distinta", dice Jeremy Fraenkel, CEO de Fundamental. "Eso está bien, y muchas veces es deseable para un LLM, pero cuando predices si una transacción es fraudulenta o no, quieres asegurarte de que la predicción sea la misma, o determinista, sin importar qué."

¿Cómo funciona un modelo tabular grande?

Las soluciones actuales para datos tabulares se limitan a algoritmos de aprendizaje automático, como XGBoost, que existen hace más de 15 años. Estos algoritmos, llamados árboles de decisión potenciados por gradiente, deben ser entrenados y optimizados por científicos de datos durante meses para cada caso de uso. En cambio, NEXUS y otros LTM emergentes son fundacionales: aprovechan lo aprendido en un preentrenamiento sobre bases de datos diversas para aplicarse a distintas tareas predictivas con mínima ingeniería de características a medida.

A diferencia de los LLM, que modelan secuencias de tokens, los LTM modelan directamente la estructura de los datos tabulares. Aprenden a la vez del valor numérico de cada entrada, de lo que representa y de cómo se relaciona con las demás. Por ejemplo, ante una entrada de inventario de plátanos, el LTM asimila no solo la magnitud (digamos 500), sino que representa el stock actual de plátanos, su categoría (productos frescos) y las propiedades estadísticas que la vinculan con el resto de la columna.

Según Fraenkel, uno de los mayores desafíos al desarrollar NEXUS fue conseguir los datos de entrenamiento adecuados. A diferencia del lenguaje natural, abundante y uniforme, los datos tabulares son relativamente difíciles de encontrar, ya que buena parte es sensible o propietaria, y muy diversos. "Preentrenamos NEXUS con miles de millones de tablas usando una combinación de conjuntos propietarios adquiridos mediante acuerdos y licencias, conjuntos públicos y de código abierto de alta calidad, y técnicas de aumento de datos", dice Fraenkel, aunque aclara que NEXUS no se entrena con datos de clientes. De hecho, es una plataforma de cómputo confidencial: Fundamental físicamente no puede acceder a los datos de sus clientes.

Esa característica pesó cuando, en junio, Amazon Web Services incrustó NEXUS en Amazon SageMaker, considerado el sistema operativo por defecto para aprendizaje automático seguro. Esto lleva NEXUS a los datos sensibles del cliente, un enfoque opuesto al de los LLM, donde los datos deben importarse al modelo.

¿Quién más compite en modelos tabulares?

Aunque Fundamental tomó la delantera en aplicaciones empresariales, no está sola. En marzo, Feedzai, que ofrece prevención de fraude y crimen financiero, y la tarjeta de crédito Mastercard lanzaron por separado tecnologías propietarias similares enfocadas en finanzas. Luego, a fines de junio, Google lanzó su propio competidor fundacional, TabFM, entrenado por completo sobre cientos de millones de conjuntos de datos sintéticos.

Y los investigadores de aprendizaje automático no se quedan atrás: FlexTab, TabICL e iLTM son solo tres de una oleada de LTM desarrollados por la comunidad en el último año. Para todos, el rumbo es claro. "Me sorprendería mucho que en el futuro la mayor parte del procesamiento y análisis de datos no se haga con un sistema automatizado, ya sea un LLM, un LTM o una combinación", dice van Breugel.

Fraenkel coincide y compara la relación entre LLM y LTM con el cerebro humano: el lado izquierdo es bueno razonando y resumiendo texto, y el derecho entiende números, estadística y patrones. "Es al combinar ambos cuando de verdad obtienes algo mucho más poderoso", dice.