Physical AI ist kein Roboterprodukt: Der Wettbewerb verlagert sich auf Systeme

Physical AI wird häufig auf ein einzelnes Bild reduziert: einen humanoiden Roboter, der durch eine Fabrik oder einen Krankenhausflur läuft. Mehrere aktuelle Analysen stellen dieses Bild nun infrage. Der relevante Markt entsteht nicht um eine bestimmte Körperform, sondern um vollständige Systeme, die wahrnehmen, entscheiden, handeln, Fehler dokumentieren und sich kontrolliert verbessern.

Am 31. August 2026 veröffentlichte IDC eine Analyse mit dem bewusst zugespitzten Titel „Physical AI: A Systems Market, Not a Robot Category“. Grundlage ist unter anderem eine Unternehmensbefragung vom Mai: Physical AI lag mit 16,7 Prozent der Nennungen auf Rang zwei der AI-Investitionsprioritäten für die kommenden 24 Monate, hinter generativen Assistenten und vor agentischer AI. Die Zahl ist kein Umsatzforecast. Sie zeigt aber, dass Unternehmen Physical AI zunehmend als strategische Infrastruktur und nicht nur als Robotikexperiment betrachten.

Am selben Tag erschienen weitere Signale aus unterschiedlichen Teilen der Wertschöpfung. OnRobot formulierte vier Anforderungen für verlässliche Manipulation. Ein Beitrag des Fertigungsexperten Nate Evans beschrieb die industrielle Skalierung als möglicherweise schwierigeren Teil als die künstliche Intelligenz selbst. Und im Earnings Call von Inovance warnte das Management davor, universelle Humanoide vorschnell als marktreif zu betrachten: Für die nächsten Jahre lägen die realistischen Chancen in vertikalen, klar begrenzten Anwendungen.

Die Roboterform ist nur die sichtbare Oberfläche

Ein produktives Physical-AI-System beginnt bei Sensoren, endet aber nicht beim Modell. Kameras, Kraft-Momenten-Sensoren, Encoder und taktile Elemente erzeugen Daten über die physische Umgebung. Modelle interpretieren diese Daten und planen Handlungen. Aktuatoren und Greifer setzen sie um. Sicherheitssteuerungen überwachen Kräfte, Räume und Geschwindigkeiten. Betriebssoftware verbindet die Maschine mit Aufträgen, Wartung und Qualitätskontrolle.

Erst diese Schichten zusammen erzeugen einen wirtschaftlichen Prozess. Ein Modell kann in einer Demonstration erkennen, dass ein Behälter gegriffen werden soll. In der Produktion muss das System zusätzlich wissen, welche Variante vorliegt, welcher Greifer montiert ist, ob ein Mensch den Arbeitsraum betreten hat, wie der Fehler dokumentiert wird und wann eine Aufgabe an einen Bediener zurückgegeben werden muss.

Das erklärt, weshalb gute Demo-Videos und gute Betriebsergebnisse so weit auseinanderliegen können. Die Demonstration optimiert einen sichtbaren Moment. Der Betrieb muss jeden Übergang zwischen Wahrnehmung, Entscheidung, Bewegung, Sicherheit und Dokumentation beherrschen – über Tausende Zyklen, Schichtwechsel und Produktvarianten hinweg.

Manipulation bleibt die physische Wahrheitsprobe

OnRobot argumentiert, dass Physical AI eine verlässliche physische Schnittstelle benötigt. Ein Roboter kann einen Arbeitsablauf semantisch verstehen und dennoch am Kontakt mit dem Objekt scheitern. Oberflächen unterscheiden sich, Verpackungen geben nach, Werkstücke liegen nicht exakt und Greifpunkte werden verdeckt. Wahrnehmung allein löst diese Probleme nicht.

Entscheidend sind Werkzeuge, die Kräfte erfassen, den Kontakt kontrollieren und unterschiedliche Objekte handhaben. Dazu gehören Zwei- und Dreifingergreifer, Vakuumtechnik, magnetische Greifer, Werkzeugwechsler und Kraft-Momenten-Sensoren. Je allgemeiner das AI-Modell sein soll, desto wichtiger wird eine standardisierte Beschreibung dessen, was das konkrete Werkzeug physisch leisten kann.

Für Hersteller entsteht dadurch ein Integrationsproblem. Modelle müssen nicht nur mit Bildern und Sprache umgehen, sondern mit Traglast, Greifweite, Reibung, Nachgiebigkeit und Sicherheitsgrenzen. Ein Befehl wie „nimm das Teil“ ist erst dann industriell sinnvoll, wenn das System daraus eine überprüfbare Bewegungs- und Kontaktstrategie ableitet.

Der tausendste Roboter ist schwieriger als der erste

Ein weiterer Beitrag vom 31. August beschreibt die Fertigung als entscheidendes Nadelöhr. Ein funktionierender Prototyp ist noch kein skalierbares Produkt. Handselektierte Komponenten, individuell abgestimmte Aktuatoren und manuelle Kalibrierung können einen Vorführroboter ermöglichen. Bei Hunderten oder Tausenden Maschinen werden Toleranzen, Lieferzeiten, Wärme, Verschleiß und End-of-Line-Prüfungen zum Geschäftsmodell.

Physical AI braucht deshalb eine industrielle Beweiskette. Jede Maschine muss nach der Montage reproduzierbar messen, greifen und fahren. Softwareupdates dürfen zertifizierte Sicherheitsfunktionen nicht unbemerkt verändern. Daten aus dem Feld müssen zwischen Hardwarefehlern, Umweltänderungen und Modellfehlern unterscheiden können. Ohne diese Trennung entsteht zwar viel Telemetrie, aber keine belastbare Lernschleife.

Die Skalierung entscheidet auch über Kosten. Ein Roboter, der regelmäßig Spezialisten benötigt, kann technisch beeindruckend und dennoch wirtschaftlich unbrauchbar sein. Relevant sind daher nicht nur Anschaffungspreis und nominelle Autonomie, sondern Interventionen pro Schicht, mittlere Reparaturzeit, Ersatzteilverfügbarkeit und die Zeit bis zur stabilen Integration.

Inovance setzt kurzfristig auf vertikale Systeme

Besonders nüchtern fiel die Einschätzung im Earnings Call von Shenzhen Inovance aus. Das Management sieht generalistische Humanoide noch nicht in reifen Anwendungsszenarien und spricht von einem Zeithorizont von mindestens drei bis fünf Jahren. In den kommenden drei Jahren wolle man sich vor allem auf vertikale Anwendungen konzentrieren.

Diese Aussage ist eine Unternehmensposition und keine neutrale Marktprognose. Sie ist dennoch relevant, weil Inovance aus Motion Control, Servotechnik und industrieller Automatisierung kommt. Das Unternehmen benennt zwei Grenzen: unzureichende Generalisierung der Modelle und noch nicht überzeugende Feinmanipulation. Beides trifft sich in der realen Aufgabe. Allgemeines Sprachverständnis hilft wenig, wenn eine Maschine einen Stecker nicht zuverlässig ausrichten oder eine empfindliche Oberfläche nicht kontrolliert berühren kann.

Vertikale Systeme verkleinern den Problemraum. Ein Roboter in einer Gießerei, einem Lager oder einer Laborstation muss nicht jede menschliche Tätigkeit beherrschen. Er kann auf definierte Werkzeuge, Materialien, Sicherheitsregeln und Fehlermuster optimiert werden. Das macht Lernen nicht überflüssig, aber überprüfbarer.

Vom Gerätevergleich zur Systemarchitektur

Für Käufer verändert sich damit die Beschaffung. Die klassische Frage „Welcher Roboter ist der beste?“ greift zu kurz. Unternehmen müssen klären, wie das Gesamtsystem mit vorhandenen Maschinen, IT, Qualitätsmanagement und menschlichen Teams zusammenarbeitet.

Wichtige Kriterien sind Schnittstellen, lokale Rechenfähigkeit, Datenhoheit, Updateprozesse, Protokollierung und ein definierter Fallback. Kann die Anlage bei Ausfall eines Cloud-Dienstes sicher weiterarbeiten? Lassen sich Modelländerungen einzelnen Produktionschargen zuordnen? Wird ein Fehler als Trainingssignal genutzt, ohne sensible Betriebsdaten unkontrolliert zu übertragen? Kann ein Bediener eine gelernte Strategie sperren oder zurücksetzen?

Diese Fragen zeigen, warum Physical AI auch ein Governance-Thema ist. Ein System, das selbstständig neue Handlungsstrategien entwickelt, verändert den validierten Prozess. Unternehmen benötigen Freigabestufen, Testumgebungen und Verantwortlichkeiten für Modell- und Verhaltensänderungen. Die Lernfähigkeit ist nur dann ein Vorteil, wenn ihr Einsatz kontrollierbar bleibt.

Der Alpha-Bionic-Blick: Entscheidend ist die geschlossene Beweiskette

Der Wettbewerb um Physical AI wird häufig als Rennen um das größte Modell oder den menschenähnlichsten Roboter erzählt. Der wichtigere Wettbewerb könnte um eine geschlossene Beweiskette entstehen: vom Sensorwert über die Entscheidung und Bewegung bis zum dokumentierten Ergebnis.

Ein leistungsfähiges System muss beantworten können, warum es eine Handlung gewählt hat, welche Grenzen aktiv waren, ob das Ergebnis den Qualitätsanforderungen entsprach und was beim nächsten Versuch geändert werden darf. Das ist weniger spektakulär als ein humanoider Sprint, aber näher an dem, wofür Unternehmen tatsächlich bezahlen.

Die Gewinner müssen deshalb nicht jeden Teil selbst herstellen. Entscheidend ist, ob Komponenten, Modelle und Betriebssoftware über klare Verträge zusammenarbeiten. Standardisierte Fähigkeiten, maschinenlesbare Sicherheitsgrenzen und überprüfbare Datenkreisläufe könnten wertvoller werden als eine geschlossene Roboterplattform, die nur unter Idealbedingungen glänzt.

Was jetzt zu beobachten ist

Für die kommenden Monate sind vier Signale besonders wichtig: Erstens, ob Anbieter echte Interventions- und Verfügbarkeitsdaten veröffentlichen. Zweitens, ob Modelle zuverlässig zwischen verschiedenen Greifern, Armen und mobilen Basen wechseln. Drittens, ob Updates in regulierten Umgebungen auditierbar werden. Viertens, ob vertikale Lösungen messbar schneller wirtschaftlich werden als generalistische Humanoidenprojekte.

Die aktuelle Quellenhäufung ist kein Beweis, dass sich der Markt bereits entschieden hat. IDC veröffentlicht eine Analysteneinordnung, OnRobot vertritt als Komponentenhersteller eigene Interessen, und Inovance spricht aus seiner Unternehmensstrategie. Zusammengenommen zeigen die Beiträge jedoch eine klare Verschiebung: Physical AI wird nicht mehr nur über die sichtbare Maschine diskutiert, sondern über das System, das sie verlässlich arbeiten lässt.

Hinweis: Das Beitragsbild ist eine redaktionelle KI-Illustration und keine dokumentarische Aufnahme einer konkreten Fabrik oder eines bestimmten Robotiksystems.

Bewerte den Beitrag hier!

[Total: 0 Average: 0]