Wo physische KI heute tatsächlich funktioniert: echte Einsätze und echte Amortisationszahlen

Wer auf Konferenzen humanoide Roboter beim Falten von T-Shirts oder beim Servieren von Kaffee zusehen darf, bekommt einen falschen Eindruck davon, wo physische KI heute wirklich steht. Die ehrliche Antwort auf die Frage, wo physische KI 2026 tatsächlich funktioniert, lautet: in eng abgegrenzten, strukturierten Aufgaben mit hohem Wiederholungsgrad – Kommissionierung im Lager, Teilezuführung am Montageband, Unkrautbekämpfung auf dem Feld. Amazon betreibt inzwischen mehr als eine Million Roboter in seinen Fulfillment-Centern, Figure-Humanoiden laufen produktiv in einem BMW-Werk, Agility Robotics’ Digit-Roboter hat bei einem Logistikdienstleister über 100.000 Kisten bewegt, und Carbon Robotics’ Laser-Unkrautvernichter haben seit ihrer Markteinführung 2022 zweistellige Milliarden Unkräuter eliminiert. Das ist der reale Stand – nüchtern, dokumentiert, mit Presse- und Behördenquellen belegt. Was in diesem Beitrag bewusst fehlt, sind erfundene Kundenfälle und pauschale Amortisationsversprechen wie „18 Monate Amortisation garantiert“ – dafür gibt es, wie weiter unten erläutert, schlicht keine unabhängig bestätigte Datenbasis.

Warum ist die Unterscheidung zwischen Demo und Einsatz so wichtig?

Eine Demo-Aufnahme zeigt einen Roboter, der eine Aufgabe unter Laborbedingungen einmal erfolgreich ausführt. Ein Einsatz zeigt einen Roboter, der dieselbe Aufgabe im Schichtbetrieb, bei wechselnden Lichtverhältnissen, mit müden Kollegen in der Nähe und unter wirtschaftlichem Druck Tag für Tag wiederholt – und dabei messbare Ergebnisse liefert, die ein Unternehmen öffentlich beziffert. Genau diese zweite Kategorie ist gemeint, wenn im Folgenden von industriellem Einsatz die Rede ist. Die Kennzahl, die zählt, ist nicht die Anzahl der Pressefotos, sondern die Anzahl der bewegten Einheiten, produzierten Fahrzeuge oder eliminierten Unkräuter – Zahlen, die ein Unternehmen mit seinem Namen und im besten Fall mit einer SEC-Einreichung oder einer offiziellen Pressemitteilung unterlegt.

Diese Unterscheidung ist auch deshalb relevant, weil sie direkt mit dem Roboter-ROI zusammenhängt: Ein System, das nur in der Demo funktioniert, hat keinen ROI – es hat lediglich Entwicklungskosten verursacht. Ein System, das im Dreischichtbetrieb über Monate läuft und dabei die geplante Aufgabe erfüllt, erzeugt dagegen reale Betriebsdaten, aus denen sich eine Amortisationsrechnung ableiten lässt, selbst wenn das Unternehmen die genaue Zahl nicht veröffentlicht.

Wo laufen Anwendungsfälle physischer KI heute tatsächlich im großen Maßstab?

Vier Branchen liefern derzeit die belastbarsten öffentlichen Belege für produktiven Robotereinsatz: Lagerlogistik, Automobilfertigung, Auftragslogistik bei Drittanbietern und Landwirtschaft. Diese vier bilden auch den Kern des Themenclusters Wo physische KI heute funktioniert, in dem dieser Beitrag als Übersicht dient.

Wie groß ist der Robotereinsatz bei Amazon wirklich?

Amazon hat im Sommer 2025 verkündet, in seinen Fulfillment- und Logistikzentren die Marke von einer Million eingesetzter Roboter überschritten zu haben – darunter Systeme wie Hercules, Pegasus und Proteus, die Regale transportieren, Pakete sortieren und autonom durch die Lagerhallen navigieren. Parallel dazu stellte das Unternehmen sein generatives KI-Modell DeepFleet vor, das die Routenplanung über die gesamte Roboterflotte hinweg koordiniert. Sowohl TechCrunch als auch CNBC und die offizielle Amazon-Pressestelle berichteten übereinstimmend über diesen Meilenstein. Bemerkenswert ist dabei weniger die reine Stückzahl als die Tatsache, dass Amazon ein eigenes KI-Modell für die Flottenorchestrierung entwickelt hat – ein Hinweis darauf, dass die eigentliche Wertschöpfung nicht mehr allein in der Hardware liegt, sondern zunehmend im Betrieb der Flotte als Ganzes.

Was macht der Figure-Humanoid bei BMW konkret?

Der US-amerikanische Automobilhersteller BMW Group lässt seit Oktober 2024 Figure-02-Humanoiden von Figure AI im Werk Spartanburg (South Carolina) auf einer laufenden Montagelinie arbeiten, wo sie Blechteile handhaben. Nach Angaben von BMW Group und Figure AI selbst trugen diese Roboter über den erweiterten Pilotzeitraum zur Produktion von mehr als 30.000 Fahrzeugen bei – eine Zahl, die sowohl in der offiziellen BMW-Pressemitteilung als auch auf der Unternehmensseite von Figure AI und unabhängig bei Interesting Engineering bestätigt wird. Das ist deutlich mehr als eine technische Machbarkeitsstudie: 30.000 produzierte Fahrzeuge bedeuten, dass der Roboter über einen längeren Zeitraum in den realen Produktionstakt integriert war, ohne die Linie regelmäßig zu stoppen.

2026 ist BMW einen Schritt weitergegangen: Am Standort Spartanburg wird inzwischen die nächste Generation, Figure 03, eingesetzt – diesmal für Logistik- und Sequenzierungsaufgaben, also das Kommissionieren aus unsortierten Behältern in Sequenzierwagen. BMW plant laut eigener Pressemitteilung, die Flottengröße auszuweiten und den Einsatz in europäischen Werken zu prüfen; ein entsprechender Pilot ist am BMW-Werk Leipzig bereits angelaufen. Damit wäre dies der erste Einsatz humanoider Roboter in der Produktion in Deutschland – ein Detail, das für den DACH-Markt besonders relevant ist. Wer verstehen möchte, was einen humanoiden Roboter technisch von einem klassischen Industrieroboter unterscheidet, findet dort eine vertiefende Einordnung.

Wie sieht der Einsatz bei Drittlogistikern wie GXO aus?

Agility Robotics’ humanoider Roboter Digit hat im November 2025 einen Meilenstein erreicht: Im Verteilzentrum von GXO Logistics in Flowery Branch, Georgia, hat Digit im laufenden kommerziellen Betrieb über 100.000 Kisten (Totes) bewegt. Agility Robotics selbst bezeichnet dies als die am besten dokumentierte kommerzielle Einsatzzeit eines Humanoiden überhaupt – eine Einschätzung, die von Robotics & Automation News, Interesting Engineering und Assembly Magazine unabhängig aufgegriffen wurde. Anders als bei BMW handelt es sich hier nicht um einen Automobilhersteller mit eigener Robotik-Abteilung, sondern um einen reinen Logistikdienstleister, der Digit im Robots-as-a-Service-Modell least – ein Geschäftsmodell, das den Robotereinsatz für Unternehmen ohne eigenes Robotik-Know-how zugänglich macht.

Wirtschaftlich ist dieser Einsatz auch deshalb bemerkenswert, weil Agility Robotics im Zuge seines geplanten Börsengangs Zahlen offengelegt hat, die sonst nicht öffentlich wären: Das Unternehmen kündigte am 24. Juni 2026 an, über eine SPAC-Fusion mit der Churchill Capital Corp XI (künftiges Tickersymbol: AGLT) an die Nasdaq zu gehen, mit einer Pre-Money-Bewertung von 2,5 Milliarden US-Dollar und erwarteten Bruttoerlösen von mehr als 620 Millionen US-Dollar – darunter eine PIPE-Finanzierung von rund 200 Millionen US-Dollar zu 10 US-Dollar je Aktie, angeführt von Foxconn. Diese Angaben lassen sich sowohl bei Business Wire, Nasdaq als auch in der Form-8-K-Einreichung bei der US-Börsenaufsicht SEC nachlesen. Im Rahmen dieser Offenlegung berichtete Agility Robotics außerdem von mehr als 300 Millionen US-Dollar an mehrjährigen kontrahierten Aufträgen für die Digit-v5-Plattform – vor allem dank eines einzelnen Dreijahresvertrags über 1.000 Roboter mit einem nicht namentlich genannten Kunden – sowie von aktiven Einsätzen bei Amazon, GXO, Toyota Motor Manufacturing und Schaeffler. Diese Auftragszahlen sind aus Sicht des Roboter-ROI aussagekräftiger als jede Marketingfolie: Ein Kunde unterschreibt keinen Dreijahresvertrag über 1.000 Einheiten, wenn die Wirtschaftlichkeit nicht bereits im Pilotbetrieb belegt war.

Wie funktioniert physische KI in der Landwirtschaft?

Abseits von Lager und Fabrikhalle liefert die Landwirtschaft eines der am längsten laufenden Beispiele für produktiven Robotereinsatz: Carbon Robotics’ LaserWeeder, eine KI-gestützte Maschine, die Unkraut per Bilderkennung identifiziert und mit einem Laser gezielt zerstört, ohne Herbizide einzusetzen. Das Unternehmen sicherte sich im Oktober 2024 eine Series-D-Finanzierung von 70 Millionen US-Dollar unter Führung von BOND, mit Beteiligung von NVIDIAs Investmentarm NVentures – womit sich die seit der Gründung 2018 eingesammelte Gesamtsumme auf 157 Millionen US-Dollar erhöhte. Diese Runde ist gut dokumentiert, unter anderem durch Business Wire, The Robot Report, AgFunder News und Precision Farming Dealer.

Mehr noch als die Finanzierungssumme zählt hier die operative Kennzahl: Nach Unternehmensangaben von Juni 2024 hatte die LaserWeeder-Flotte seit ihrer Markteinführung 2022 bereits mehr als 10 Milliarden Unkräuter in Nordamerika, Europa und Australien eliminiert – eine Aufgabe, die laut CEO Paul Mikesell händisch 100 Personen zehn Jahre ununterbrochener Arbeit gekostet hätte. Diese Zahl wurde übereinstimmend von Business Wire, Global AgTech Initiative und Design News berichtet. Mehr zur praktischen Funktionsweise solcher Systeme lesen Sie im Beitrag zu Landwirtschaftsrobotern in der Praxis.

Wie lassen sich diese vier Einsatzfelder im Überblick vergleichen?

Branche	System / Anbieter	Konkrete Aufgabe	Belegte Kennzahl	Zeitpunkt
Lagerlogistik	Amazon (Hercules, Pegasus, Proteus, DeepFleet)	Regaltransport, Sortierung, Flottenrouting	Über 1.000.000 Roboter im Einsatz	Juli 2025
Automobilfertigung	Figure AI (Figure 02 / Figure 03) bei BMW Spartanburg	Blechteile-Handling, später Logistik/Sequenzierung	Beitrag zu 30.000+ produzierten Fahrzeugen	Okt. 2024–2025
Auftragslogistik	Agility Robotics (Digit) bei GXO Logistics	Kistentransport (Totes) im Verteilzentrum	Über 100.000 bewegte Kisten	Nov. 2025
Landwirtschaft	Carbon Robotics (LaserWeeder)	Laserbasierte Unkrautbekämpfung ohne Herbizide	Über 10 Mrd. eliminierte Unkräuter (Stand Mitte 2024)	Juni 2024

Diese Tabelle macht ein Muster sichtbar, das für die Bewertung jedes weiteren Anwendungsfalls physischer KI hilfreich ist: Alle vier Beispiele haben eine strukturierte, wiederkehrende Kernaufgabe, ein bestehendes betriebliches Umfeld, in das der Roboter integriert wird, statt es zu ersetzen, und eine öffentlich nachprüfbare Mengenkennzahl statt einer reinen Umsatzangabe.

Wie steht es tatsächlich um den Roboter-ROI in diesen Einsätzen?

Hier ist Ehrlichkeit gefragt. Die vier oben beschriebenen Einsätze belegen zweifelsfrei, dass die Technologie im Dauerbetrieb funktioniert – sie belegen aber keine allgemeingültige Amortisationsformel. Was sich stattdessen aus den verfügbaren Fakten ableiten lässt, ist ein indirekter wirtschaftlicher Beweis: Agility Robotics hat im Zuge seiner Börsengangs-Offenlegung mehr als 300 Millionen US-Dollar an mehrjährigen kontrahierten Aufträgen ausgewiesen, angeführt von einem einzelnen Dreijahresvertrag über 1.000 Robotereinheiten. Kein Logistikunternehmen bindet sich über drei Jahre an 1.000 Einheiten, wenn die Wirtschaftlichkeit nicht bereits in einem vorgelagerten Pilotprojekt nachgewiesen wurde. Ebenso spricht die Tatsache, dass BMW von Figure 02 auf Figure 03 aufgerüstet und den Einsatz von Spartanburg auf Leipzig ausgeweitet hat, für sich: Ein Automobilkonzern erweitert keinen Pilotversuch, der keinen positiven Business Case liefert.

Was in diesem Beitrag hingegen bewusst nicht behauptet wird, sind pauschale Kennzahlen wie „18 bis 24 Monate durchschnittliche Amortisationszeit“ oder „über 250 % ROI“ oder ein angeblich „universeller“ Amortisationszeitraum von rund 195 Tagen für Cobots, wie sie in vielen SEO-orientierten Blogbeiträgen kursieren. Bei näherer Prüfung lassen sich diese Zahlen fast ausnahmslos auf Marketing-Inhalte eines einzelnen Cobot-Herstellers zurückführen, die von zahlreichen Affiliate- und SEO-Blogs unverändert übernommen und weiterverbreitet wurden, ohne dass eine unabhängige zweite Quelle – etwa ein Branchenverband, ein Wirtschaftsprüfer oder eine akademische Studie – diese Werte bestätigt. Wer solche Zahlen in einem Angebot oder einer internen Business-Case-Präsentation vorgelegt bekommt, sollte konkret nach der zugrunde liegenden Methodik und Stichprobe fragen, statt sie als Branchenstandard zu übernehmen. Diesen Aspekt vertieft der Beitrag zum Return on Investment bei Lagerrobotern.

Warum sind generische ROI-Zahlen mit Vorsicht zu genießen?

Der Grund liegt im Ursprung der Daten. Amortisationszeit hängt in der Praxis von zu vielen einsatzspezifischen Faktoren ab, um sich seriös zu einer einzigen Kennzahl verdichten zu lassen: Lohnkostenniveau am Standort, Schichtmodell, Integrationskosten in bestehende IT- und Lagerverwaltungssysteme, Ausfallrate der Hardware unter realen Bedingungen und nicht zuletzt die Frage, ob ein Unternehmen kauft oder least – wie im Robots-as-a-Service-Modell, das Agility Robotics bei GXO praktiziert. Eine Zahl, die für ein Lager mit Niedriglohn-Belegschaft und Dreischichtbetrieb in den USA gilt, lässt sich nicht unverändert auf einen mitteleuropäischen Produktionsbetrieb mit anderen Lohn- und Energiekosten übertragen. Seriöse Anbieter und Systemintegratoren rechnen deshalb standortspezifisch – und jede pauschale Zahl, die ohne Angabe von Berechnungsgrundlage, Stichprobengröße und unabhängiger Prüfung auftaucht, verdient zunächst Skepsis, nicht Vertrauen.

Was verbindet diese erfolgreichen Anwendungsfälle physischer KI?

Über alle vier Branchen hinweg zeigt sich ein wiederkehrendes Muster, das sich als Faustregel für die Bewertung eines beliebigen weiteren Anwendungsfalls eignet:

• Eng abgegrenzte Kernaufgabe statt Generalisierung. Kein Beispiel aus diesem Beitrag zeigt einen Roboter, der „alles kann“ – Amazons Systeme transportieren und sortieren, Figure handhabt Blechteile und sequenziert Behälter, Digit bewegt Kisten, der LaserWeeder erkennt und zerstört Unkraut. Die Aufgabe ist scharf definiert.
• Strukturierte, aber reale Umgebung. Lagerregale, Montagelinien und Ackerreihen sind vorhersehbarer als offene Wohnräume, aber keine Laborumgebung – der Roboter muss mit Staub, wechselndem Licht, menschlichen Kollegen und unvorhergesehenen Hindernissen zurechtkommen.
• Flottensoftware als eigentlicher Hebel. Amazons DeepFleet-Modell zur Routenkoordination zeigt, dass der wirtschaftliche Mehrwert zunehmend nicht mehr aus der einzelnen Maschine, sondern aus der Koordination Hunderttausender Einheiten entsteht.
• Schrittweise Ausweitung statt Big-Bang-Rollout. BMW ging von einem Piloten mit Figure 02 zu einem erweiterten Einsatz mit Figure 03 über, bevor der Sprung nach Leipzig folgte. Agility Robotics dokumentiert seine Fortschritte in konkreten Zwischenmeilensteinen wie den 100.000 bewegten Kisten, statt gleich eine flächendeckende Einführung zu verkünden.

Wer sich zunächst grundlegend fragt, wodurch sich physische KI überhaupt von klassischer Robotik oder reiner Software-KI unterscheidet, findet eine Einordnung im Glossar sowie eine vertiefte Erklärung im Grundlagenbeitrag zum Themenfeld.

Was ist an der viel zitierten Wachstumszahl von Carbon Robotics zu beachten?

An dieser Stelle ist Transparenz über eine Unstimmigkeit in den öffentlich verfügbaren Zahlen angebracht. Die Angabe „über 10 Milliarden eliminierte Unkräuter“ stammt aus einer Unternehmensmitteilung von Juni 2024 und wurde von mehreren unabhängigen Fachmedien übereinstimmend bestätigt. Spätere Quellen nennen jedoch abweichende Werte: Eine Aktualisierung im Februar 2025, die im Zusammenhang mit der Markteinführung der zweiten Geräte-Generation LaserWeeder G2 stand, spricht von 15 Milliarden eliminierten Unkräutern. Eine dritte, deutlich höhere Zahl von 30 Milliarden taucht zudem bei einer einzelnen, journalistisch schwächer eingeordneten Aggregator-Website auf, die sich durch keine zweite unabhängige Quelle bestätigen ließ. Auch die Angabe zur Zahl der belieferten Betriebe schwankt zwischen den Quellen: Während Carbon Robotics selbst von „über 100 Landwirtschaftsbetrieben“ spricht, nennt ein Bericht von GeekWire aus 2025 „Hunderte Farmen in 15 Ländern“ – unklar bleibt, ob beide Angaben dieselbe Kennzahl meinen oder unterschiedliche Zeitpunkte beziehungsweise Zählweisen (einzelne Betriebe versus eingesetzte Geräte) widerspiegeln. Für diesen Beitrag wird deshalb ausschließlich die am breitesten bestätigte Zahl von über 10 Milliarden (Stand Mitte 2024) als gesicherter Fakt verwendet; die höheren Zahlen sollten Leser als unbestätigt behandeln, bis eine zweite unabhängige Quelle sie stützt.

Wohin entwickelt sich der Einsatz physischer KI im weiteren Verlauf von 2026?

Zwei Entwicklungslinien zeichnen sich bereits jetzt ab. Erstens die Kapitalmarktreife der Branche: Mit dem angekündigten Börsengang von Agility Robotics über die SPAC-Fusion mit Churchill Capital Corp XI – vorbehaltlich der Zustimmung von SEC, Aktionären und Regulierungsbehörden, mit erwartetem Abschluss noch 2026 – würde erstmals ein reiner Humanoid-Hersteller mit dokumentierten kommerziellen Einsätzen an eine große US-Börse gehen. Das würde die Offenlegungspflichten und damit auch die Datenqualität für externe Beobachter deutlich erhöhen, da börsennotierte Unternehmen ihre Auftragsbestände und Umsätze regelmäßig berichten müssen. Zweitens die geografische Ausweitung nach Europa: BMWs Ankündigung, humanoide Roboter erstmals auch in einem deutschen Werk – Leipzig – einzusetzen, markiert einen Wendepunkt für den DACH-Markt, der bislang vor allem über US-amerikanische Pilotprojekte von diesen Entwicklungen gehört hat. Für Entscheider in der Fertigungsindustrie in Deutschland, Österreich und der Schweiz bedeutet das: Die Frage ist nicht mehr, ob solche Systeme grundsätzlich einsatzfähig sind, sondern unter welchen betrieblichen und tarifvertraglichen Bedingungen sie in der eigenen Anlage sinnvoll integriert werden können. Wer sich intensiver mit dem Sonderfall kollaborativer Roboter in der Fertigung beschäftigen möchte, findet dazu eine eigene Vertiefung unter Cobots in der Fertigung.

Zusammengenommen zeichnen die verfügbaren, mehrfach unabhängig bestätigten Fakten ein Bild, das weder die euphorischen Demo-Versprechen noch die pauschale Skepsis mancher Marktbeobachter rechtfertigt: Physische KI funktioniert 2026 dort produktiv, wo eine klar abgegrenzte, wiederholbare Aufgabe auf eine strukturierte Umgebung und eine wachsende Investition in Flottensoftware trifft – belegt durch Millionen im Einsatz befindliche Lagerroboter, Zehntausende mit Roboterunterstützung produzierte Fahrzeuge, Hunderttausende bewegte Kisten und Milliarden eliminierte Unkräuter, nicht durch eine einzelne, viral geteilte Vorführung.