Google hat TabFM in BigQuery gestartet, ein von Google Research entwickeltes, vortrainiertes Modell für Klassifikation und Regression auf Tabellendaten. Es ist derzeit als Vorschau verfügbar und liefert Vorhersagen über zwei SQL-Funktionen, ohne separates Modelltraining und Deployment. Historische Daten mit bekanntem Ergebnis dienen dabei als Beispiele innerhalb der Abfrage.
TabFM arbeitet mit In-Context-Learning: Die Trainingsdaten werden als Beispiele in die Abfrage übergeben, das Modell erkennt das Aufgabenformat – Klassifikation oder Regression – selbst und erzeugt die Prognose in einem Durchlauf. Fehlende Werte und kategoriale Merkmale verarbeitet es automatisch, eine eigene Feature-Engineering-Pipeline entfällt. Über die verteilte Inferenz von BigQuery lassen sich nach Google-Angaben Tabellen mit Millionen Zeilen in Minuten auswerten.
Zwei Funktionen bilden die Schnittstelle: AI.PREDICT erzeugt die Vorhersagen und gibt die Originalspalten plus prognostizierte Labels und Wahrscheinlichkeiten zurück. AI.EVALUATE prüft die Güte gegen einen Testsatz und liefert Kennzahlen wie r2_score und mean_absolute_error für Regressionen sowie Precision, Recall und F1 für Klassifikationen. Auf dem TabArena-Benchmark liegt TabFM nach Google-Angaben vor klassischen Modellen und anderen Tabellen-Foundation-Modellen.
Grenzen nennt Google selbst: Bei sehr großen historischen Datensätzen, mehr als 20 Merkmalsspalten oder wenn die Erklärbarkeit einzelner Merkmale gebraucht wird, bleibt XGBoost die Empfehlung. Ab dem 30. Oktober 2026 stellt Google die Abrechnung zusätzlich zu den normalen BigQuery-Kosten auf tokenbasierte Preise um.
Der Analyst Manoj Chandra Jha von Nord-IQ Research verweist darauf, dass TabFM den bisherigen Ablauf aus Analyst, Data Scientist und ML-Engineer auf einen SQL-Aufruf zusammenzieht, mit möglichen Folgen für den Personalbedarf. Amit Kumar Jena, Leiter KI-Entwicklung beim Beratungsunternehmen Kanerika, betont den Wegfall einer separaten ML-Plattform, was Governance vereinfache und Infrastrukturkosten senke. Jha rät dennoch, TabFM zunächst auf eigenen Arbeitslasten zu testen und die Kosten mit der bestehenden ML-Infrastruktur zu vergleichen: Bei großen Datenmengen und hoher Abruffrequenz schrumpfe der Vorteil, das Werkzeug sei eher arbeitslastspezifisch als ein vollständiger Ersatz.
Für Handwerksbetriebe und KMU ist relevant, dass die Daten in BigQuery liegen müssen. Wer seine Zahlen in einer Datenbank hält, hat den kurzen Weg; wer sie lokal führt, muss sie zuerst dorthin bringen. Datenqualität, Stichprobe und Drift bleiben Aufgaben des Betriebs, denn das Modell rechnet mit dem, was als Beispiel übergeben wird. Typische Anwendungen sind wiederkehrende Prognosen: erwartete Auftragseingänge, absehbarer Materialverbrauch oder die Wahrscheinlichkeit, dass ein Angebot nicht angenommen wird.
Autor: Team REN-AI-SSANCE – mit KI-Unterstützung erstellt, von Menschen geprüft und freigegeben.
Quelle: Google Cloud Blog – Originalartikel vom 01.09.2026; Abruf/Archivstand: 25.10.2026
