Physical AI 2026: Als Foundation-Modelle einen Körper bekamen

Den größten Teil der letzten drei Jahre lebte die KI-Diskussion in Browsern, Terminals und Chat-Fenstern. Das „Foundation Model" war etwas, mit dem man sprach. Es fasste Meetings zusammen, schrieb Tests, lag gelegentlich falsch. Ein Werkzeug — clever, aber begrenzt durch die Tatsache, dass es nur in Pixeln handeln konnte.

Diese Grenze löst sich gerade in Echtzeit auf.

Im Januar stand Jensen Huang auf der CES-Bühne und nannte 2026 „den ChatGPT-Moment für Physical AI". Das klang damals nach Keynote-Optimismus. Sechs Monate später wirkt es wie eine zurückhaltende Prognose.

Die Einsatzwelle ist bereits da

Die Zahlen hörten in diesem Frühling auf, hypothetisch zu sein:

• Amazon hat die Marke von einer Million eingesetzter Roboter überschritten und DeepFleet ausgeliefert — ein generatives KI-Foundation-Model, das die gesamte Flotte koordiniert und die Wegeffizienz im Lager um rund 10% verbessert.
• BMWs Werke lassen Autos mittlerweile eigenständig durch kilometerlange Produktionsrouten zwischen Stationen fahren.
• Figure 03 arbeitet in der BMW-Linie in Spartanburg. Apptroniks Apollo montiert Komponenten für Mercedes-Benz. AEON des texanischen Herstellers Sigwing erreichte Ende 2026 die Zwei-Einheiten-Vollproduktion bei einem europäischen OEM.
• Schaeffler, JAL, Toyota, Tesla, Agility Robotics, Skild AI — alle fahren 2026 Produktionspiloten mit humanoiden oder autonomen mobilen Robotern.

Das ist kein Demo-Video. Das sind Einheiten, die Schichtstunden fahren, aus realer Arbeit lernen, gelegentlich ausfallen, repariert werden und zurück auf den Boden gehen.

Warum ausgerechnet 2026

Drei Dinge kamen gleichzeitig zusammen, und jedes für sich allein hätte nichts geändert:

1. Foundation-Modelle haben endlich Raum verstanden. Weltmodelle und Vision-Language-Action-Systeme, trainiert auf Millionen Stunden Robotertelemetrie, lernten vorherzusagen, was passiert, wenn ein Greifer schließt, ein Rad dreht oder ein Humanoide sein Gewicht verlagert. Robotik vor 2024 bestand zu 95% aus handgecodeten Regelschleifen. Der neue Stack ist zu 80% gelernte Policy und zu 20% klassische Sicherheitsschicht.

2. Die Hardware hat zur Software aufgeholt. Taktiler Sensoren wurden billiger. Selbstwechselnde Akkus wurden plausibel. Rechenleistung, die früher ein Server-Rack brauchte, passt in den Rucksack eines Humanoiden. NVIDIA Omniverse und der Isaac-Sim-Stack erlauben es Teams, über Nacht eine Million Trajektorien zu trainieren.

3. Der Arbeitsmarkt machte die Ökonomie unausweichlich. Deutschland, Japan und die USA sehen sich alle mit strukturellen Arbeitskräfteengpässen in Logistik, Fertigung und Altenpflege konfrontiert. Die Amortisationszeit für einen 50.000-Dollar-Humanoiden fiel in vielen Rollen von „nie" auf „unter drei Jahre".

Wenn die Software bereit ist, die Hardware günstig und die Menschen nicht da sind — hört Einführung auf, eine Frage zu sein.

Das Daten-Flywheel ist die eigentliche Geschichte

Was die meiste Berichterstattung übersieht: Der strategische Burggraben in Physical AI ist nicht der Roboter. Es sind die Daten, die der Roboter im Einsatz erzeugt.

Amazons DeepFleet ist das sauberste Beispiel. Eine Million Roboter, die jeden Tag laufen, erzeugen in einer Woche mehr Betriebsdaten als ein Forschungslabor in einem Jahrzehnt sammeln könnte. Jeder Griff, jedes Stolpern, jeder erfolgreiche Bin-Pick fließt in die nächste Modellrevision zurück. Das Ergebnis ist eine sich selbst verstärkende Schleife:

Mehr Deployments → mehr Flottendaten → bessere Policies → besserer ROI → mehr Deployments.

NVIDIA brachte es auf der GTC auf den Punkt: Post-Training auf realen Daten ist es, was einen Roboter, der demonstriert, von einem Roboter trennt, der arbeitet. Labore ohne Flotte haben diese Daten nicht. Flotten ohne gute Modelle haben die Policies nicht. Beide Seiten rasen jetzt darum, die Lücke zu schließen — durch Übernahmen, Partnerschaften oder Eigenbau.

Das ist der Grund, warum humanoide Robotik mehr mit den frühen Hyperscaler-Cloud-Kriegen gemeinsam hat als mit klassischer Industriesteuerung. Die Unternehmen, die in den nächsten Jahren die meisten physischen Einheiten ins Feld bringen, werden bis Ende des Jahrzehnts die Foundation-Modelle physischer Arbeit besitzen. Alle anderen werden bei ihnen einkaufen.

Was das tatsächlich verändert

Für Builder landen in diesem Quartal einige Implikationen:

• Simulation ist jetzt die Eingangstür. Wer in seinem Team ernsthaft an verkörperten Systemen arbeitet, kommt an Sim-First nicht vorbei — das ist der Weg zu einer einsetzbaren Policy, ohne ein Jahr an realen Versuchen zu verbrennen. Omniverse, Isaac Lab, MuJoCo und eine Welle neuerer Anbieter konvergieren alle auf dasselbe Muster: in der Simulation trainieren, in der realen Welt feintunen, die Policy deployen, Daten ernten, wiederholen.

• Der Engpass wanderte von Wahrnehmung zu Policy. Roboter können 2026 die Kiste, das Teil und den Menschen sehen. Das schwierige Problem ist: Was tun in den nächsten 200 Millisekunden, wenn die Kiste unerwartet steht und ein Mensch ebenfalls im Arbeitsraum ist? Das ist ein Reasoning- und Policy-Problem, kein Sensorik-Problem.

• Sicherheit, Governance und Versicherung sind die neuen Angriffsflächen. Wir haben früher über die Governance-Lücke für Physical AI geschrieben — Singapurs Rahmenwerk war der erste ernsthafte Versuch. 2026 hört die Frage auf, akademisch zu sein. Wenn ein Humanoide ein Teil auf einen Menschen fallen lässt, wer zahlt? Wenn ein autonomer mobiler Roboter einen Notausgang blockiert, wer haftet? Versicherer, Regulatoren und Juristen gestalten Deployments jetzt aktiv mit.

Der leise Teil

Was an dieser Welle auffällt — und was sie von den Humanoid-Hype-Zyklen 2014 und 2018 unterscheidet — ist der Tonfall der Betreiber, die sie einsetzen. Sie verkaufen keine Roboter. Sie lösen Arbeitskräfteprobleme. Der Roboter ist eine Position in einer Logistik-Tabelle, kein Held in einer Pressemitteilung.

Genau so hat die letzte Welle der Industriesteuerung Fuß gefasst: nicht weil ein Roboter cool war, sondern weil er der günstigste verlässliche Weg war, um 3 Uhr morgens eine Kiste von A nach B zu bewegen.

Foundation-Modelle haben Robotern etwas gegeben, das sie vorher nicht hatten: die Fähigkeit, mit dem langen Schwanz seltsamer Situationen umzugehen, an denen handcodierte Steuerung immer wieder scheiterte. Kombiniert mit günstigerer Hardware und einem leeren Arbeitsmarkt war das der Auslöser.

Wir sind in den frühen Innings. Bis 2027 wird „Physical AI" keine eigene Kategorie mehr sein — so wie „mobile" oder „cloud" heute keine eigenen Kategorien mehr sind. Es wird einfach die Art sein, wie Dinge gebaut werden.

Die Unternehmen, die 2026 aufmerksam hinschauen, werden diesen Übergang besitzen.