SAP llevará su modelo de inteligencia artificial tabular SAP-RPT a la Estación Espacial Internacional (ISS) a comienzos de 2027. El sistema se ejecutará directamente sobre el HPE Spaceborne Computer-2 instalado a bordo y analizará datos estructurados de telemetría para detectar anomalías, anticipar posibles fallos y reconstruir información de sensores cuando falten valores.
El proyecto, anunciado durante SAP TechEd 2026, convierte la ISS en un entorno de validación para una categoría de modelos menos visible que los grandes modelos de lenguaje, pero especialmente relevante para aplicaciones industriales y empresariales. Frente a los LLM, diseñados principalmente para trabajar con lenguaje y otros datos no estructurados, los modelos tabulares están orientados a la información organizada en tablas que sigue sustentando buena parte de los procesos de negocio, desde inventarios y pagos hasta mantenimiento de maquinaria y previsiones de demanda.
La prueba tendrá además una particularidad operativa: SAP-RPT se ejecutará en el propio entorno donde se generan los datos. Esa capacidad reduce la dependencia de enviar toda la información a sistemas terrestres antes de analizarla, una limitación particularmente importante cuando la conectividad es intermitente o cuando una decisión necesita tomarse con rapidez.
SAP-RPT llevará el análisis de telemetría al edge
La Estación Espacial Internacional produce continuamente datos procedentes de sensores y sistemas de misión. Parte de esa información puede resultar crítica para evaluar el estado del equipamiento, pero enviarla a Tierra, procesarla y devolver una respuesta introduce una dependencia de las comunicaciones que no existe cuando el cálculo se realiza localmente.
SAP y HPE prevén utilizar SAP-RPT para realizar análisis directamente a bordo del HPE Spaceborne Computer-2. Entre los resultados previstos se encuentran predicciones en tiempo real sobre la salud de los sistemas informáticos y de misión, una puntuación global de riesgo, una valoración sobre la necesidad de intervención manual y explicaciones comprensibles de los resultados obtenidos por el modelo.
El sistema también podrá reconstruir valores ausentes de sensores utilizando datos históricos. Esta capacidad tiene interés cuando una fuente deja de producir información temporalmente o genera registros incompletos, ya que el modelo puede utilizar otras variables y observaciones anteriores para estimar el valor perdido.
Otro de los objetivos es detectar anomalías en la telemetría antes de que evolucionen hacia un fallo. En ese escenario, SAP-RPT no se limitaría a señalar que un parámetro se encuentra fuera de rango, sino que combinaría diferentes señales estructuradas para identificar cambios que podrían anticipar un problema.
SAP prevé además que el modelo genere informes sobre el estado de la misión para la tripulación y para los equipos de Tierra.
La compañía describe el entorno espacial como una prueba especialmente exigente por sus restricciones de energía, conectividad y capacidad de intervención. La radiación, las tormentas solares o los propios límites físicos de la infraestructura añaden variables que dificultan trasladar al espacio arquitecturas de IA que requieren grandes cantidades de cálculo o comunicaciones constantes.
IA tabular frente al protagonismo de los grandes modelos de lenguaje
SAP-RPT forma parte de la estrategia de SAP alrededor de los «tabular foundation models» (TFM), modelos fundacionales especializados en datos estructurados.
La diferencia con un LLM no reside únicamente en el formato de entrada. Un modelo de lenguaje está optimizado para trabajar con secuencias de texto y generar contenido o razonar sobre información no estructurada. Un modelo tabular intenta identificar patrones y relaciones entre variables organizadas en columnas y registros.
Ese formato coincide con una parte considerable de los datos utilizados por las empresas. Las transacciones financieras, pedidos, niveles de inventario, información de proveedores, temperaturas de una máquina, historiales de averías o mediciones de producción suelen almacenarse como datos estructurados.
SAP sostiene que estos modelos pueden realizar predicciones sin exigir el proceso tradicional de entrenamiento y ajuste específico que suele acompañar a muchos proyectos de machine learning. En SAP-RPT, la intención es aplicar un modelo previamente desarrollado sobre nuevos conjuntos de datos y obtener predicciones sin construir un modelo independiente para cada caso.
La compañía asegura además que SAP-RPT puede ser unas 50.000 veces más eficiente energéticamente que modelos de lenguaje de última generación. Se trata de una comparación realizada por SAP y especialmente relevante para el escenario de la ISS, donde el consumo eléctrico disponible para ejecutar cargas computacionales está limitado.
La eficiencia también tiene una derivada empresarial. Ejecutar modelos pequeños y especializados cerca de donde se generan los datos puede reducir tanto el consumo como la necesidad de transmitir grandes volúmenes de información hacia una nube central.
De la telemetría espacial a fábricas y cadenas de suministro
SAP plantea la misión como una validación de tecnologías que posteriormente pueden trasladarse a escenarios empresariales con restricciones similares, aunque menos extremas.
Una planta industrial remota puede disponer de conectividad limitada; una explotación agrícola puede generar información de sensores lejos de un centro de datos; una operación de ayuda ante catástrofes puede necesitar tomar decisiones sin una conexión permanente; y una cadena de suministro distribuida puede producir señales que requieren respuesta antes de que todos los datos lleguen a una plataforma central.
El mantenimiento industrial es uno de los paralelismos más directos. Una máquina que aumenta progresivamente su temperatura, cambia su patrón de vibración o muestra variaciones en el consumo energético puede generar señales similares, desde el punto de vista analítico, a las variaciones presentes en la telemetría de un sistema espacial.
En ambos casos, el objetivo es encontrar relaciones entre distintas variables antes de que una desviación se convierta en un incidente.
SAP utiliza también ejemplos de negocio como el riesgo de proveedores o las anomalías de flujo de caja. Un deterioro gradual en los plazos de entrega, un patrón atípico en pagos o una combinación inusual de indicadores financieros pueden analizarse mediante la misma clase de modelos orientados a detectar desviaciones en información estructurada.
La diferencia estará en el contexto y en las consecuencias de cada predicción. En una empresa, el modelo podría generar una alerta para un responsable de compras o mantenimiento; en la ISS, el resultado puede formar parte de la evaluación sobre el estado de un sistema de misión.
SAP amplía su familia de modelos especializados
El proyecto espacial coincide con la ampliación de la familia de modelos tabulares anunciada en SAP TechEd.
SAP ha desarrollado diferentes variantes para abordar tipos de problemas que tradicionalmente requerían modelos separados. SAP-RPT-TS está orientado a series temporales y permite realizar previsiones sobre variables como demanda, costes, ingresos o indicadores de mantenimiento.
Otra variante, SAP-RPT-Decisions, está diseñada para decisiones estructuradas dentro de procesos empresariales. Entre los ejemplos planteados por la compañía figuran aprobar un pedido, decidir cómo gestionar una excepción en la cadena de suministro o elegir una ruta de autorización.
SAP-RPT-2 ampliará además las capacidades de la familia con detección de anomalías y valores atípicos, embeddings para el análisis de información estructurada y soporte nativo para trabajar con múltiples tablas.
SAP combina estos modelos propios con TabPFN, desarrollado por Prior Labs, y utiliza SAP AI Core como infraestructura para gestionar modelos, predicciones y workflows.
La estrategia sitúa los modelos tabulares como complemento a los LLM, no como sustitutos. Una aplicación puede utilizar un modelo tabular para detectar una anomalía o realizar una predicción y recurrir después a un modelo de lenguaje para interpretar el resultado, generar una explicación o integrarlo dentro de una interacción con un usuario.
La ISS como prueba de una arquitectura de IA distribuida
El despliegue previsto para principios de 2027 permitirá comprobar cómo se comporta SAP-RPT bajo restricciones difíciles de reproducir en un centro de datos convencional. HPE lleva utilizando Spaceborne Computer para estudiar la ejecución de cargas informáticas avanzadas a bordo de la ISS, y la incorporación del modelo de SAP amplía esas pruebas al análisis predictivo de datos estructurados.
Scott Wiest, vicepresidente y Global Sales Chief Technologist de HPE, considera que la ejecución de IA tabular sobre Spaceborne Computer-2 permitirá comprobar las posibilidades de «detección y predicción en tiempo real» en un entorno extremo de edge computing.
SAP contempla además aplicaciones futuras relacionadas con centros de datos espaciales y misiones de exploración más alejadas, donde la comunicación con infraestructuras terrestres introduce latencias cada vez mayores.
Para las empresas, la derivada más próxima está en otro lugar. El proyecto permite probar una arquitectura en la que los datos no tienen que abandonar necesariamente el entorno donde se producen para ser analizados. A medida que fábricas, vehículos, infraestructuras y equipos industriales generen más información, la capacidad de ejecutar modelos especializados cerca de esos sistemas puede convertirse en una alternativa a concentrar toda la inteligencia artificial en grandes plataformas cloud.
La ISS proporciona un caso límite para comprobar ese modelo. El valor empresarial llegará si las mismas técnicas pueden operar de forma fiable sobre los millones de tablas, sensores y sistemas distribuidos que sostienen las operaciones en Tierra.
