Die neue Grenze der Fabrik: Was die „Automate 2026“ über den größten blinden Fleck der physikalischen KI verrät

Die „Automate 2026“ wurde diese Woche im McCormick Place in Chicago eröffnet , und wer die Messe besuchte, dem wurde eines klar: Die Branche hat eine Schwelle überschritten. Physische KI ist nicht mehr nur ein Konferenzthema, sondern ist zur kommerziellen Realität geworden.

Der von NVIDIA gesponserte Pavillon für humanoide Roboter war bis auf den letzten Platz gefüllt. ABB stellte erstmals seine „Physical AI Toolchain“ vor, einen umfassenden Software-Stack für das Training, die Validierung und den Einsatz von Roboter-KI-Modellen mit industrietauglicher Genauigkeit. FANUC demonstrierte Cobots, die auf Befehle in natürlicher Sprache reagierten. Dies war keine reine Vorführveranstaltung. Es war eine Präsentation praktischer Anwendungsfälle.

Doch während wir über die Messe gingen, tauchte immer wieder eine Frage auf, die fast niemand beantwortete. Roboter werden immer intelligenter. Die Branche arbeitet mit Hochdruck daran, die Trainingsinfrastruktur, die Simulationsframeworks und die Sensorstacks aufzubauen. Jeder große Automatisierungsanbieter hat mittlerweile ein Konzept für physische KI. Doch die wichtigste Variable in der Fertigung ist nach wie vor die, die niemand erfasst: das menschliche Urteilsvermögen. Die Ermessensentscheidungen, die Ausnahmebehandlung, die Anpassungen, die kein System vollständig automatisieren kann – und die man auch gar nicht automatisieren möchte.

Auf der GTC zu Beginn dieses Jahres verkündete NVIDIA: „Der Urknall der physikalischen KI hat begonnen.“ Auf der Automate traf diese Aussage auf die Realität in den Fabriken. Und wenn man über die Messe lief, konnte man dem kaum widersprechen. Die Hardware, die Implementierungen und die Investitionen sind real. Doch dabei stellte sich eine Frage, die fast niemand stellte

Gehen Sie durch eine beliebige Fabrik und fragen Sie sich: Was wird hier eigentlich erfasst? Vor allem Maschinendaten. Zykluszeiten, Sensorwerte, Anlagenzustände. Diese Daten geben Aufschluss darüber, was die Maschinen geleistet haben, sagen jedoch nichts darüber aus, welche Entscheidungen die Menschen getroffen haben. Der Bediener, der eine Abweichung erkannt hat, bevor sie zu einem Fehler wurde. Die Ingenieurin, die einen Parameter aufgrund einer eigenen Beobachtung angepasst hat – und nicht aufgrund einer vom System gemeldeten Unregelmäßigkeit. Diese Ebene der menschlichen Ausführung erklärt, warum Abläufe tatsächlich richtig oder falsch verlaufen. Dennoch bleibt sie für die meisten KI-Systeme, die in dieser Produktionshalle im Einsatz waren, unsichtbar.

Die Wahl des Roboters ist wichtig. Doch die nachhaltigere Abhängigkeit liegt in der darunterliegenden Betriebsebene. Welches System erfasst, wie die Arbeit tatsächlich abläuft – dort, wo Menschen, Maschinen und Prozesse aufeinandertreffen? Aus diesem Kontext lernt die KI, und er sorgt dafür, dass Entscheidungen vertrauenswürdig genug sind, um darauf zu reagieren. Die meisten Hersteller auf der „Automate“ konzentrierten sich auf die Hardware. Nur wenige stellten die Frage, wem diese Ebene gehört.

Roboter leisten bei den Aufgaben, für die sie entwickelt wurden, wirklich Beeindruckendes. Wenn es um sich wiederholende, strukturierte Aufgaben mit hohem Durchsatz geht, erledigen sie diese besser und schneller als jeder Mensch. Doch was geschieht, wenn etwas außerhalb des erwarteten Rahmens liegt?

Nehmen wir als letztes Beispiel einen Montage , bei dem ein Techniker Befestigungselemente an einem kritischen Bauteil mit dem richtigen Drehmoment anzieht. Ein Roboter kann den ganzen Tag über ein gleichbleibendes Drehmoment aufbringen. Was er jedoch nicht leisten kann, ist zu erkennen, dass die Teile, die über das Förderband zugeführt werden, über Nacht in einer feuchten Umgebung gelagert wurden und sich das Gewinde etwas unregelmäßig anfühlt. Ein erfahrener Bediener bemerkt dies. Er verlangsamt den Arbeitsablauf, meldet den Vorfall und eskaliert ihn. Diese Entscheidung, die innerhalb einer Sekunde getroffen wird und auf jahrelanger Erfahrung beim Anziehen von Teilen basiert, macht den Unterschied zwischen einer fehlerfreien Fertigung und einem Ausfall im Einsatz aus.

Das ist eine Lücke, die die Technologie in absehbarer Zeit nicht schließen wird – und ehrlich gesagt sollte sie das auch gar nicht müssen. Das Ziel war nie eine vollständige Automatisierung. Es ging stets um die Unterstützung der Bediener, um sie von sich wiederholenden Aufgaben zu entlasten, damit sie sich auf die Arbeit konzentrieren können, die tatsächlich Urteilsvermögen erfordert. Das Problem ist, dass dieses Urteilsvermögen fast nie erfasst wird. Datenhistorien, auf die sich die Systembetreiberteams seit Jahrzehnten verlassen, wurden für Maschinen konzipiert. Sie sind hervorragend darin, die Aktivitäten der Anlagen aufzuzeichnen. Sie wurden jedoch nie dafür entwickelt, die Entscheidungen von Menschen zu erfassen. „Factory Playback“ wurde entwickelt, um diese Lücke zu schließen. Stellen Sie es sich als ein Datenarchiv für den gesamten Betriebsablauf vor: Maschinenverhalten, menschliches Verhalten und – was entscheidend ist – die Interaktion zwischen beiden. Denn gerade in der Interaktion – wenn ein Bediener etwas bemerkt, was ein Sensor übersehen hat, oder ein Ingenieur eine Entscheidung trifft, die einen Ausfall verhindert – liegt die wahre Geschichte Ihres Betriebsbetriebs.

Denken Sie einmal darüber nach, was sich in den letzten Jahren im Bereich der KI getan hat. ChatGPT hat die Vorstellung der Menschen davon verändert, wozu Maschinen im Umgang mit Sprache fähig sind. Claude, Gemini und die darauf folgenden Modelle haben diese Entwicklung weiter vorangetrieben. Diese Systeme sind außerordentlich gut darin geworden, Texte zu analysieren und Schlussfolgerungen daraus zu ziehen.

Physische KI ist das nächste Kapitel. Es handelt sich um denselben Wandel in den Fähigkeiten, der sich jedoch auf die reale Welt bezieht. Nicht Dokumente und Daten, sondern Maschinen in Bewegung, Mitarbeiter bei der Arbeit und Teile, die komplexe Prozesse durchlaufen. Eine KI, die erkennen kann, was in der Fertigung vor sich geht, dies analysiert und in Echtzeit nützliche Erkenntnisse liefert.

Allerdings gibt es bei der physikalischen KI eine Voraussetzung, über die die meisten Anbieter nicht sprechen. Sie benötigen ein Datenmodell, das seinen Ursprung in der Handlung selbst hat und nicht in einem nachgelagerten Auszug daraus. Der Großteil der heutigen industriellen KI basiert auf verzögerten Datensätzen und generiert Zusammenfassungen, die sich nicht auf das tatsächlich Geschehene zurückverfolgen lassen. Das ist kein Problem der Datenqualität, sondern ein strukturelles Problem.

Tulip auf einer anderen Prämisse. Wenn Apps, Agenten und Automatisierungen alle auf einem einzigen Datenmodell laufen, generiert jedes Ereignis vor Ort in Echtzeit kontrollierte Betriebsdaten. KI-Agenten können dann Trends aufzeigen, Anomalien kennzeichnen und Berichte auf der Grundlage eben dieser Aufzeichnungen erstellen, doch der Mensch ist stets eingebunden. Stellen Sie sich das als einen kontinuierlichen Kreislauf vor: Erstellung, Ausführung, Analyse und wieder von vorne. Ingenieure entwerfen den Prozess. Bediener führen ihn aus. Die Plattform zeichnet alles auf – nicht nur, was die Maschinen getan haben, sondern auch, welche Entscheidungen die Menschen getroffen haben. Die KI analysiert diese Aufzeichnungen und hebt das Wesentliche hervor. Menschen reagieren darauf und passen den Prozess an. Mit jedem Zyklus wird der Betrieb ein wenig intelligenter. So sieht physische KI tatsächlich aus, wenn sie funktioniert.

Auf der Automate haben wir am NVIDIA-Stand „Factory Playback“ als konkretes Beispiel dafür vorgestellt, welche Möglichkeiten sich daraus ergeben. „Factory Playback“ erstellt eine synchronisierte, zeitlich abgestimmte Aufzeichnung des Produktionsablaufs, indem es Betriebsdaten und Videomaterial zu einer einheitlichen zeitlichen Abfolge zusammenführt. Es rekonstruiert Schritt für Schritt, was tatsächlich in der Fertigung geschehen ist – wer was wann getan hat und welche Auswirkungen dies auf nachfolgende Prozesse hatte. Es handelt sich dabei nicht um ein dashboard, sondern um eine visuelle Aufzeichnung des tatsächlichen Arbeitsablaufs, die bis zur Quelle zurückverfolgt werden kann.

Dies ist eine der Funktionen einer Plattform, die bereits seit Jahren den betrieblichen Kontext in Produktionsumgebungen erfasst. Die gesamte Branche bemüht sich nun mit Hochdruck darum, diese Ebene aufzubauen. Wir haben sie bereits in echten Fertigungshallen mit echten Bedienern entwickelt, lange bevor „physische KI“ zum Thema auf Konferenzen wurde.

Bei der Automate 2026 drehte sich alles um Roboter. Um intelligentere Roboter, schnellere Roboter und Roboter, die endlich ohne Sicherheitskäfig Seite an Seite mit Menschen arbeiten können. Das ist ein aktuelles und wichtiges Thema, das für viele Hersteller erhebliche Auswirkungen haben wird.

Das schwierigere Problem – und das, dessen Lösung am wertvollsten ist – ist jedoch das, was in dem Raum zwischen dem Roboter und dem Ergebnis geschieht. Die menschliche Entscheidung, die ein Problem aufgreift, bevor es zu einem Fehler wird. Die Anpassung durch den Bediener, die den Produktionsablauf aufrechterhält. Die Ermessensentscheidung, die es niemals in ein System schafft. Genau dort spielt sich der eigentliche Betriebsablauf ab, und für die KI-Systeme, die die Branche entwickelt, bleibt dieser Bereich fast vollständig im Dunkeln.

Die Hersteller, die dies als Erste herausfinden, werden nicht nur über bessere Roboter verfügen. Sie werden über etwas verfügen, das kein Wettbewerber kopieren kann: eine in Echtzeit verfügbare, nachvollziehbare Aufzeichnung darüber, wie ihre Abläufe tatsächlich funktionieren – basierend auf jahrelangen Daten aus dem Zusammenspiel von Mensch und Maschine. Das ist die Grundlage, die die physische KI benötigt, um mehr zu sein als nur beeindruckende Vorführungen.

Die „Automate“-Messe hat eines deutlich gemacht: Die Branche hat eine überzeugende Antwort auf die maschinelle Seite der physikalischen KI. Die menschliche Seite wartet noch darauf.