Die neue Grenze der Fabrik: Was die „Automate 2026“ über den größten blinden Fleck der physischen KI verrät
AI Summary
Operations Calling 2025 showcased how modern manufacturing depends on open ecosystems, with dozens of partners demonstrating integrated AI, hardware, and software solutions. The event emphasized that collaboration and interoperability—not single all-in-one systems—are key to scalable, future-ready operations.
Die „Automate 2026“ wurde diese Woche im McCormick Place in Chicago eröffnet , und wer über die Messe lief, 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 „Humanoid Robot Pavilion“ war bis auf den letzten Platz gefüllt. ABB stellte erstmals seine „Physical AI Toolchain“ vor, einen kompletten 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, sondern eine Präsentation praktischer Anwendungsfälle.
Doch während wir über die Messe liefen, 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.
Physikalische KI ist Realität, und der Wettlauf hat begonnen
Auf der GTC Anfang 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? Meistens Maschinendaten. Zykluszeiten, Sensorwerte, Anlagenzustände. Diese Daten sagen Ihnen, was die Maschinen getan haben, aber sie sagen Ihnen nicht, 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, weil das System einen Fehler gemeldet hat. Diese menschliche Ausführungsebene erklärt, warum Abläufe tatsächlich richtig oder falsch verlaufen. Dennoch bleibt sie für die meisten KI-Systeme, die in dieser Halle im Einsatz waren, unsichtbar.
Die Wahl des Roboters ist wichtig. Aber 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 kommen mit den schwierigen Teilen immer noch nicht zurecht
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 passiert, wenn etwas außerhalb des erwarteten Rahmens liegt?
Nehmen wir als letztes Beispiel den Prozess „ Montage “, bei dem ein Techniker Befestigungselemente an einer kritischen Komponente festzieht. Ein Roboter kann den ganzen Tag über ein gleichmäßiges Drehmoment aufbringen. Was er jedoch nicht kann, ist zu erkennen, dass die Teile, die über das Band laufen, über Nacht in einer feuchten Umgebung gelagert wurden und sich das Gewinde etwas unregelmäßig anfühlt. Ein erfahrener Bediener bemerkt das. Er verlangsamt den Arbeitsgang, 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 keine Lücke, die die Technologie in absehbarer Zeit schließen wird – und ehrlich gesagt sollte das auch nicht nötig sein. Das Ziel war nie eine vollständige Automatisierung. Es ging immer um die Unterstützung, um die Bediener 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 Systembetriebsteams seit Jahrzehnten verlassen, wurden für Maschinen konzipiert. Sie sind hervorragend darin, aufzuzeichnen, was die Anlagen getan haben. Sie wurden jedoch nie dafür entwickelt, die Entscheidungen der Menschen zu erfassen. Factory Playback wurde entwickelt, um diese Lücke zu schließen. Stellen Sie es sich als ein Datenarchiv für den gesamten Betrieb 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 Betriebs.
Die Ebene, die dafür sorgt, dass physikalische KI tatsächlich funktioniert
Denken Sie einmal darüber nach, was sich in den letzten Jahren im Bereich der KI getan hat. ChatGPT hat die Vorstellung davon verändert, was Maschinen mit Sprache leisten können. Claude, Gemini und die darauf folgenden Modelle haben diese Entwicklung weiter vorangetrieben. Diese Systeme sind mittlerweile außerordentlich gut darin, 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.
Physikalische KI hat jedoch eine Voraussetzung, über die die meisten Anbieter nicht sprechen. Man benötigt ein Datenmodell, das seinen Ursprung in der Aktion selbst hat und nicht in einem nachgelagerten Auszug daraus. Der Großteil der heutigen industriellen KI basiert auf veralteten Datensätzen und generiert Zusammenfassungen, die sich nicht auf das tatsächlich Geschehene zurückverfolgen lassen. Das ist kein Problem der Datenqualität, sondern ein strukturelles Problem.
Tulip basierte 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 Daten 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 Betriebsdaten und Videomaterial zu einer einheitlichen zeitlichen Abfolge zusammengeführt werden. Es rekonstruiert Schritt für Schritt, was tatsächlich in der Fertigung passiert ist – wer was wann getan hat und welche Auswirkungen dies auf nachfolgende Prozesse hatte. Es handelt sich dabei nicht um eine „ dashboard “, sondern um eine visuelle Aufzeichnung des tatsächlichen Arbeitsablaufs, die bis zur Quelle zurückverfolgt werden kann.
Das ist eine Funktion einer Plattform, die 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.
Die Frage zur Automatisierung blieb unbeantwortet
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 Betrieb einer Produktionslinie aufrechterhält. Die Ermessensentscheidung, die es niemals in ein System schafft. Genau dort spielt sich der eigentliche Betrieb 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 etwas besitzen, 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 physische KI benötigt, um mehr zu sein als nur beeindruckende Demos.
Automate hat eines deutlich gemacht: Die Branche hat eine überzeugende Antwort auf die maschinelle Seite der physikalischen KI. Die menschliche Seite wartet noch darauf.
