Künstliche Intelligenz Robotik : Automatisierung 2.0: Physische KI hält Einzug in die Logistik

Aktuelle Diskussionen über Künstliche Intelligenz in Robotik und Logistik beschäftigt die Branche derzeit immer intensiver. Im Zentrum stehen Entwicklungen wie Vision-Language-Action-Modelle, großskalige Foundation Models und der zunehmende Einsatz humanoider Systeme im Lagerbetrieb. Diese Technologien markieren einen strukturellen Wandel – weg von starrer Automatisierung hin zu lernfähigen, adaptiven Systemen, die sich auch in unstrukturierten Umgebungen behaupten können.

„Das Jahr 2025 markierte einen Wendepunkt in der Robotik, der durch ‚physikalische KI‘, insbesondere Vision-Language-Action-Modelle (VLA), vorangetrieben wurde. Im Gegensatz zur traditionellen Automatisierung, die bei neuen Teilegeometrien oder geringfügigen Veränderungen der Umgebung versagt, ermöglichen VLA-Modelle Robotern, Verhaltensweisen aus vielfältigen Dateneingaben zu verallgemeinern, ähnlich wie es Large Language Models (LLMs wie ChatGPT) für Text tun.“

Nie mehr eine wichtige News aus der Logistik verpassen? Hier geht es zu unseren Newslettern!

Mit diesen Worten beschreibt Viktor Splittgerber von Waku Robotics die technologische Zäsur, die derzeit auch in der Logistik spürbar wird. Während klassische Automatisierung auf definierte Prozesse und stabile Umgebungen angewiesen ist, entwickelt sich die Branche nun in Richtung lernfähiger, kontextsensitiver Systeme. Der entscheidende Unterschied: Roboter reagieren nicht mehr nur regelbasiert, sondern interpretieren Situationen und passen ihr Verhalten dynamisch an.

Investments in Robotik und KI wachsen dabei rasant.

Splittgerber beschreibt in seinem Newsletter die Verschiebung von regelbasierter Automatisierung hin zu „Physical AI“. Während klassische Robotiklösungen stark auf definierte Umgebungen und stabile Prozessbedingungen angewiesen sind, erlauben Vision-Language-Action-Modelle erstmals eine Generalisierung über verschiedene Situationen hinweg.

Für die Logistik ist das besonders relevant. Lagerumgebungen sind dynamisch: wechselnde Artikelgeometrien, beschädigte Verpackungen, unstrukturierte Ablagen oder temporäre Hindernisse gehören zum Alltag. VLA-Modelle übertragen das Prinzip großer Sprachmodelle in die physische Welt – Roboter interpretieren Kontexte und handeln adaptiv.

Viktor Splittgerber war auch bereits im Dispo-Blitztalk zu Gast.

Ein  Teil von Splittgerbers Newsletter widmet sich Skild AI. Das Unternehmen sammelte Anfang 2026 in einer von SoftBank angeführten Runde 1,4 Milliarden US-Dollar ein und erreichte damit eine Bewertung von 14 Milliarden US-Dollar.

Die Kernidee: ein universelles Foundation Model für physische KI – das „Skild Brain“. Splittgerber beschreibt es als Entkopplung von Gehirn und Körper. Die Software kann unabhängig vom Robotertyp eingesetzt werden – ob humanoid, mobil oder stationär.

Gerade in der Logistik eröffnet diese Architektur neue Möglichkeiten:

• Autonomes Kommissionieren und Verpacken ohne produktspezifische Programmierung
• Mobile Manipulation in komplexen Lagerumgebungen
• Navigation in dynamischen Szenarien mit Personen- und Maschinenverkehr
• Sicherheits- und Inspektionsaufgaben in großflächigen Logistikzentren

Das Training basiert laut Splittgerbers Analyse auf großskaligen Simulationsdaten unter Nutzung von NVIDIA-Technologien sowie realem Videomaterial. Partner wie LG CNS sollen die Technologie in industriellen Logistikanwendungen implementieren.

Auch interessant: Logimat 2026: Diese österreichischen Aussteller begeistern

Auch die Entwicklung bei Sereact greift Splittgerber in seinem Newsletter auf. Das Unternehmen sicherte sich 25 Millionen Euro zur Einführung von Vision Language Action Models in Pick-and-Place-Anwendungen.

Besonders hervor hebt er das „Zero-Shot Visual Reasoning“: Roboter führen Aufgaben aus, für die sie nicht explizit trainiert wurden. Für Lager mit Milliarden möglicher SKUs bedeutet das einen fundamentalen Effizienzsprung. Statt jede Variante einzulernen, abstrahiert das Modell aus visuellen Merkmalen und Kontext.

Gerade im Each-Picking, das in der Logistik als einer der kostenintensivsten Prozesse gilt, könnte diese Fähigkeit strukturelle Auswirkungen haben.

Splittgerber verweist zudem auf Neura Robotics und dessen Fokus auf kognitive Robotik. Die MAiRA-Cobots sind laut seiner Analyse die ersten kommerziell nutzbaren kognitiven Systeme ihrer Art.

Mit dem „Neuraverse“ entsteht ein Ökosystem, das neue Fähigkeiten modular ergänzt – vergleichbar mit App-Updates bei Smartphones. Für Logistikunternehmen bedeutet das: Roboter lassen sich funktional weiterentwickeln, ohne physische Umbauten vorzunehmen.

Ein weiterer Schwerpunkt im Newsletter ist die Kostenentwicklung. Während früher häufig das Moore’sche Gesetz als Referenz diente, argumentiert Splittgerber, dass das Wright’sche Gesetz für Robotik präziser ist.

Mit jeder Verdopplung der Produktionsmenge sinken die Stückkosten um einen konstanten Prozentsatz. Zwischen 2022 und 2025 fielen die Preise für intelligente Sensoren um bis zu 80 Prozent.

Für die Logistikbranche ist diese Entwicklung entscheidend: KI-gestützte Systeme werden wirtschaftlich skalierbar – auch außerhalb von Großkonzernen.

Splittgerber weist in seiner Analyse gleichzeitig auch auf das Risiko proprietärer Silos hin. Plattformen wie Wandelbots oder idealworks fungieren als herstellerunabhängige Middleware.

Gerade in großen Logistikzentren mit Robotern verschiedener Anbieter wird Interoperabilität zur strategischen Notwendigkeit.

Ein weiteres Thema, das Splittgerber detailliert analysiert, ist die Rolle generativer Simulation.

PepsiCo präsentierte auf der CES 2026 Ergebnisse aus der Zusammenarbeit mit Siemens und NVIDIA. Digitale 3D-Zwillinge ermöglichten es, 90 Prozent potenzieller Probleme virtuell zu identifizieren. Die reale Umsetzung führte zu 20 Prozent höherem Durchsatz.

NVIDIA PhysicsNeMo optimiert Layouts autonom durch generative Simulation. Hunderte Szenarien werden virtuell durchgerechnet, bevor eine physische Anlage entsteht.

Auch BMW nutzt NVIDIA Isaac Sim. Durch Domänen-Randomisierung werden Millionen synthetischer Trainingsdaten erzeugt. Virtuelle Roboter sind dadurch bereits für Tausende Randfälle vorbereitet. Die Implementierungsdauer verkürzt sich von Monaten auf Tage.

Ein weiterer Abschnitt des Newsletters widmet sich humanoiden Robotern.

Digit von Agility Robotics ist laut Splittgerbers Darstellung bereits kommerziell im Einsatz – unter anderem bei GXO und Amazon. Das System trägt rund 16 Kilogramm, arbeitet bis zu vier Stunden autonom und wird im Robot-as-a-Service-Modell angeboten. Die Produktionsstätte „RoboFab“ soll bis zu 10.000 Roboter jährlich fertigen.

Im Gegensatz dazu positioniert Splittgerber den Unitree H1 als Forschungsplattform. Trotz beeindruckender Hardware sei das System noch nicht für zertifizierte industrielle Daueranwendungen vorgesehen.

Die Differenzierung ist für Logistikentscheider zentral: Zwischen marktreifen Lösungen und experimentellen Systemen besteht weiterhin ein deutlicher Unterschied.