Humanoide Roboter in der Industrie : Humanoide Roboter: Der Billionenmarkt, auf den sich die Industrie vorbereitet

In Sachen KI hat sich in vielen Vorstandsetagen der Ton verändert. 2024 war das Jahr der Machbarkeitsstudien, 2025 das Jahr der Budgetdiskussionen, 2026 wird zum Jahr der Ergebnisverantwortung. Die entscheidende Frage lautet nicht länger „Was können wir mit KI anfangen?“ – sondern: „Wie erzielen wir damit messbare Wirkung?“

So analysiert es zumindest der aktuelle Report Global Tech Trends der Unternehmensberatung Deloitte. Treiber dieses Mentalitätswandels ist danach die schiere Geschwindigkeit der technologischen Entwicklung. Die Zahlen sprechen für sich: Das Telefon benötigte rund 50 Jahre, um 50 Millionen Nutzer zu erreichen. Das Internet schaffte dieselbe Marke in sieben Jahren. Die Nutzung generativer KI ist weiter stark gestiegen. ChatGPT erreichte Ende Februar 2026 rund 900 Millionen wöchentlich aktive Nutzer; mittlerweile gibt OpenAI mehr als eine Milliarde wöchentlich aktive Nutzer an.

Immer top informiert über Österreichs Industrie? Jetzt unser Daily Briefing abonnieren – die wichtigsten News und Analysen, werktäglich um 7 Uhr direkt in Ihr Postfach.

Parallel dazu kollabieren die Betriebskosten: Laut Stanford AI Index 2025 sanken die Kosten für die Nutzung eines KI-Modells auf ungefähr GPT-3.5-Leistungsniveau zwischen November 2022 und Oktober 2024 von 20 auf 0,07 US-Dollar je Million Tokens – ein Rückgang um mehr als den Faktor 280. Doch sinkende Stückkosten führen nicht automatisch zu sinkenden Gesamtausgaben. Im Gegenteil: Weil Nutzung und Use Cases exponentiell wachsen, steigen die absoluten KI-Budgets vieler Unternehmen deutlich an. Deloitte berichtet von einzelnen Unternehmen, deren monatliche KI-Kosten bereits zweistellige Millionenbeträge erreichen. Sinkende Kosten pro Recheneinheit bedeuten daher nicht zwangsläufig niedrigere Gesamtausgaben, wenn Nutzung und Zahl der Anwendungen stark wachsen.

Für industrielle Entscheider ist das keine akademische Beobachtung. KI greift direkt in die operative Wertschöpfung ein: in Durchlaufzeiten, Ausschussquoten, Forecast-Genauigkeit, Energieeffizienz oder Service-Level. Damit wird sie vom Innovations- zum Performance-Thema. Und Performance ist Chefsache.

Besonders sichtbar wird der Wandel dort, wo KI physisch wird. Amazon hat nach eigenen Angaben den millionsten Roboter im Einsatz und optimiert die Koordination dieser Flotte mit KI-gestützten Systemen, die Wegezeiten reduzieren und Produktivität steigern sollen. Bei BMW fahren Autos kilometerweit autonom durch Produktionsstraßen. Bei Siemens in Erlangen verpacken Roboter selbsttätig über 8000 verschiedene Komponenten und Handelswaren. Das Ergebnis: eine deutliche Optimierung der Versandprozesse, Zwischenlager oder manuelle Eingriffe konnten reduziert werden

Die Beispiele zeigen eine klare Richtung: Der Schwerpunkt von KI-Anwendungen verschiebt sich von Analyse zu Autonomie. Möglich macht dies die rasante technische Reifung sogenannter Vision-Language-Action-Modelle, die visuelle Wahrnehmung, Sprachverständnis und motorische Steuerung verbinden. Spezialisierte Edge- und Onboard-Prozessoren ermöglichen eine latenzarme Echtzeitverarbeitung direkt am Roboter und verringern damit die Abhängigkeit von zentralen Cloud-Systemen.

Humanoide Roboter gelten als eine mögliche nächste Entwicklungsstufe der Physical AI. Ihre breite industrielle Verbreitung dürfte nach aktuellen Einschätzungen allerdings noch mehrere Jahre entfernt sein. UBS schätzt, dass bis 2035 rund zwei Millionen Humanoide am Arbeitsplatz eingesetzt werden könnten und bis 2050 rund 300 Millionen. Für 2050 veranschlagt UBS einen potenziell adressierbaren Markt von etwa 1,4 bis 1,7 Billionen US-Dollar. Dabei handelt es sich um langfristige Szenarien, deren tatsächliche Entwicklung stark von Kosten, Technik, Regulierung und Akzeptanz abhängt. 

Nach einer von Deloitte zitierten Schätzung von Goldman Sachs gingen die Fertigungskosten humanoider Roboter zwischen 2023 und 2024 um rund 40 Prozent zurück. Die tatsächlichen Kosten unterscheiden sich jedoch erheblich nach Bauart, Leistungsumfang und Produktionsvolumen.

Probeläufe für den Einsatz von Humanoiden gibt es bereits: BMW erprobte im Werk Spartanburg den humanoiden Roboter Figure 02 für Aufgaben, die hohe Geschicklichkeit erfordern, darunter präzise Manipulation, komplexes Greifen und die Koordination beider Hände – Fähigkeiten, für die klassische Industrieroboter häufig nur eingeschränkt ausgelegt sind.

Doch mit jeder Autonomieebene steigt die Komplexität. Die physische Welt ist nicht deterministisch. Latenzzeiten, Sensorausfälle, minimale Abweichungen in Material oder Umgebung – all das wird zum Risikofaktor. Die Robotikforscherin Ayanna Howard von der Ohio State University in den USA bringt es auf den Punkt: „In digitalen Systemen mag eine Verzögerung von ein oder zwei Sekunden tolerierbar sein. In der physischen Bewegung kann sie bedeuten, dass ein Roboter stolpert oder ein Bauteil fallen lässt.“ Ihr Plädoyer ist eindeutig: „Ich bin fest davon überzeugt, dass immer irgendwo ein Mensch in den Regelkreis eingebunden sein sollte. Immer. Und ich sage das als Robotikerin.“

Während Roboter die physische Produktion verändern, vollzieht sich in Verwaltung, Einkauf, Entwicklung und Service eine leisere, aber nicht minder tiefgreifende Transformation. Agentische Systeme – also KI-Programme, die eigenständig Aufgaben planen, ausführen und überwachen – versprechen Effizienzsprünge in wissensintensiven Prozessen.

Die Realität ist allerdings ernüchternd. Deloitte berichtete für seine zugrunde liegende Erhebung, dass 11 Prozent der befragten Organisationen agentische KI bereits produktiv nutzten, während 38 Prozent Pilotprojekte betrieben. Neuere Erhebungen kommen je nach Definition und Stichprobe auf andere Werte; Gartner nennt 2026 beispielsweise 17 Prozent der Organisationen mit eingesetzten AI Agents.

Gartner prognostiziert, dass mehr als 40 Prozent der Agentic-AI-Projekte bis Ende 2027 eingestellt werden könnten – unter anderem wegen steigender Kosten, unklaren Geschäftsnutzens oder unzureichender Risikokontrollen. Zusätzlich erwartet Gartner, dass 40 Prozent der Unternehmen bis 2027 autonome Agenten aufgrund von Governance-Problemen zurückstufen oder außer Betrieb nehmen könnten.

Probleme bei Agentic-AI-Projekten liegen häufig nicht allein in der Modellqualität. Entscheidend sind ebenso Prozessarchitektur, Integration in bestehende Systeme, Daten- und Infrastrukturqualität sowie Governance. Unternehmen versuchen häufig, bestehende Abläufe mit KI zu beschleunigen, statt sie grundlegend neu zu gestalten. Agenten werden auf historisch gewachsene, siloartige Strukturen gesetzt – mit entsprechend begrenztem Effekt. Deloitte zufolge entsteht der größere Nutzen häufig dort, wo Unternehmen Prozesse und Betriebsmodelle neu gestalten, statt KI lediglich auf bestehende Abläufe aufzusetzen.

Dort, wo die Einführung gelingt, wird konsequenter gedacht. So hat etwa der Kaffeeröster Tchibo bereits vor mehr als vier Jahren mit dem Einsatz von Predicitve AI begonnen, um etwa Supply Chain Prozesse besser in den Griff zu bekommen. „Predictive Returns“ prognostiziert, welche Artikel in welcher Menge retourniert werden. „Das ist eine echte Revolution. Wir müssen Prozesse und Geschäftsmodelle komplett anders denken”, sagt Christoph Kastaun, Director IT bei Tchibo. Als konsequenten, nächsten Schritt führt Tchibo die Agentic AI Plattform ROAST ein, etwa zur Warenbestandsanalyse.  Damit dieser Schritt gelingt, muss nicht nur die IT, sondern auch das Management an Bord geholt werden. „Wir haben den gesamten Vorstand geschult, damit sie die Möglichkeiten erkennen“, erklärt Kastaun.

Eine oft unterschätzte Konsequenz der KI-Welle betrifft die Infrastruktur. Als Reaktion auf steigende Anforderungen an Kosten, Leistung und Latenz gewinnen hybride KI-Architekturen an Bedeutung: Workloads werden je nach Anforderung zwischen Cloud, eigenen Rechenzentren und Edge-Systemen verteilt.

Unternehmen verteilen KI-Workloads zunehmend nach ihren jeweiligen Anforderungen auf Cloud-, On-Premise- und Edge-Infrastruktur. Welche Umgebung wirtschaftlich und technisch sinnvoll ist, hängt unter anderem von Auslastung, Latenz, Datenschutz und verfügbarer Rechenleistung ab. Die Konsequenz: GPU-Kapazitäten, Energieverfügbarkeit und Kühlkonzepte werden zu Wettbewerbsfaktoren. Für industrielle Unternehmen kann das zum Vorteil werden. Rechenleistung wird behandelt wie Energie oder Logistikfläche: als strategische Ressource. KI ist damit nicht nur eine Softwarefrage. Sie ist ein infrastrukturelles Thema ersten Ranges.