Die größte Herausforderung für Physical AI ist möglicherweise physisch, nicht künstlich

Hinter fast jeder aufmerksamkeitsstarken Demo in der Physical AI Branche steckt dieselbe Wahrheit: die Maschine ist ein Prototyp, und Prototypen sind keine Produkte. Einen funktionierenden Roboter zu bauen ist ein ingenieurtechnisches Meisterwerk. Den tausendsten zu bauen, zu einem Preis, den jemand zu zahlen bereit ist, ohne ein Team von Spezialisten, das bei einer Fehlfunktion einsatzbereit ist, ist eine völlig andere Herausforderung – und das ist eine, der die Branche gerade erst zu begegnen beginnt.

Von Einzelstücken zur Fließbandproduktion

Jeder, der ein Hardware‑Produkt vom Prototyp zur Serienproduktion gebracht hat, weiß, dass das erste Exemplar der einfache Teil ist.

Ein Prototyp‑Roboter könnte von einem handgefertigten Sonderaktuator, einem Sensor von einem Boutique‑Lieferanten mit einer Vorlaufzeit von zwei Monaten oder einem Batteriesatz, der von denselben Ingenieuren zusammengebaut wurde, die ihn entworfen haben, angetrieben werden. Das spielt keine Rolle, wenn es nur ein Exemplar gibt. Bei einer Stückzahl von zehntausend wird das alles zu einer ernsthaften Haftungsquelle.

Lieferanten müssen qualifiziert werden, meist sogar doppelt, sodass ein einzelner Fabrikbrand oder eine Lieferverzögerung die Produktion nicht stoppt. Komponenten, die im Labor für Spitzenleistung entwickelt wurden, müssen häufig für Toleranz, Haltbarkeit und vor allem Kosten neu konzipiert werden. Montageprozesse, die mit einem kleinen Team von Doktoranden, die von Hand Fehler beheben, funktionierten, müssen so vereinfacht werden, dass ein Techniker in einer Fertigungslinie die Arbeit in Minuten statt Tagen erledigen kann.

Diese Arbeit heißt Design for Manufacturability. Sie ist langsam, mühsam und genau dort, wo der ingenieurtechnische Kampf in der Physical AI zunehmend ausgetragen wird – ein Kampf, den viele gut finanzierte, technisch brillante Robotikunternehmen verloren haben.

Beeindruckende Demos gewinnen keine Märkte

Ein natürlicher Instinkt, der aus einem Jahrzehnt softwaregetriebener Technologiekreisläufe stammt, lässt vermuten, dass derjenige, der das intelligenteste Modell oder den menschenähnlichsten Roboter baut, an die Spitze kommt. Dieser Instinkt hat Investoren im Bereich KI allgemein gut gedient. Bei Physical AI wird er sie wahrscheinlich in die Irre führen.

Hardware‑Unternehmen gewinnen nicht am Demo‑Tag, sondern in den darauffolgenden Jahren, basierend auf Stückkosten, Resilienz der Lieferkette und der Fähigkeit, Tausende von Maschinen im Feld am Laufen zu halten, ohne ein kleines Heer von Ingenieuren im Bereitschaftsdienst.

Solarenergie liefert ein nützliches Beispiel. Die Solarmodule, die schließlich den Markt dominierten, waren nicht unbedingt die effizientesten im Labor; sie waren die, die Unternehmen zuverlässig, zu sinkenden Kosten und steigender Stückzahl herstellen konnten. Elektrofahrzeuge folgten einem ähnlichen Pfad, bei dem Batterielieferketten und Fertigungsrendite ebenso wichtig waren wie jeder einzelne ingenieurtechnische Durchbruch. Physical AI, bei dem Roboter aus Dutzenden oder Hunderten von Komponenten bestehen, von denen jede ein potenzieller Ausfallpunkt ist, könnte noch weniger nachsichtig sein. Ein Unternehmen, das einen lediglich guten Roboter mit verlässlichen Lieferanten und einer Kostenkurve, die jedes Quartal nach unten geht, einsetzt, wird wahrscheinlich einen Rivalen mit einem spektakulären Roboter, der nur dutzendweise gebaut werden kann, übertreffen.

KI kann die Ingenieurarbeit beschleunigen, nicht die Physik

Wird KI diese Lücke nicht selbst schließen? Zum Teil ja. Generative Design‑Tools erforschen bereits Bauteilgeometrien, an die kein menschlicher Ingenieur denken würde. Simulation, beschleunigt durch maschinelles Lernen, verkürzt Testzyklen, die früher Monate dauerten. Prädiktive Modelle können bereits vor der Bearbeitung eines einzelnen Bauteils anzeigen, welche Lieferanten oder Materialien wahrscheinlich Ertragsprobleme verursachen.

Diese Werkzeuge sind echte Beschleuniger, und Unternehmen, die sie im Ingenieur‑ und Beschaffungsbereich effektiv einsetzen, werden schneller vorankommen als jene, die es nicht tun.

Doch es gibt eine harte Obergrenze, wie stark sich der Zeitplan dadurch verkürzen lässt, weil die physische Welt nicht wie Software iteriert. Eine neue Legierung muss immer noch Ermüdungsprüfungen über tausende Zyklen bestehen. Eine Fertigungslinie muss erst ausgerüstet, in Betrieb genommen und ihre eigene holprige Lernkurve durchlaufen, bevor die Ausbeuten stabil sind. Keine Simulation verkürzt die Monate, die für die Qualifizierung eines neuen Materials nötig sind, oder die Quartale, die benötigt werden, um eine neue Produktionslinie hochzufahren. Jedes Unternehmen, das seine Roadmap auf der Annahme aufbaut, dass Hardware‑Zeitpläne sich genauso schnell zusammenziehen wie Software‑Zeitpläne, stellt sich auf eine unangenehme und sehr öffentliche Überraschung ein.

Die übersehenen Engpässe

Wenn es eine Lehre aus früheren Hardware‑Zyklen gibt, dann ist es, dass die Komponenten, die am wenigsten Aufmerksamkeit erhalten, am meisten Verzögerungen verursachen.

In Physical AI beginnt das wahrscheinlich bei Aktuatoren, also den Motoren und Mechanismen, die einem Roboter das Drehmoment und die Präzision verleihen, um tatsächlich physische Arbeit zu leisten. Sie sind aus einem kleinen Pool qualifizierter Hersteller knapp, und der Aufbau neuer Kapazitäten dauert Jahre, nicht Quartale.

Weiter geht es mit der Sensorik. Die Kameras, Kraftsensoren und propriozeptiven Systeme, die einer Maschine ihre Umgebung wahrnehmen lassen, sind nach wie vor teuer und unausgereift im Vergleich zu den Anforderungen einer dichten, realen Einsatzsituation.

Sie erstreckt sich auf die Fertigung selbst. Die Branche hat stark auf ein konzentriertes Set von Regionen und Lieferanten gesetzt, eine Struktur, die zunehmend als strategische Schwäche angesehen wird, und treibt Unternehmen zu stärker verteilten, redundanten Produktionsstandorten, selbst wenn das bedeutet, etwas Effizienz zu opfern.

Und es endet bei der Energie: den Batterien, Leistungselektronik und Ladeinfrastruktur, die parallel zu Flotten von Maschinen, die kontinuierlich in Lagerhäusern, Häusern und Baustellen laufen, skalieren müssen. Keine dieser Kategorien wird den Hauptvortrag dominieren. Alle werden wahrscheinlich entscheiden, wer tatsächlich ausliefert.

Ein Ausblick auf ein größeres Abrechnungsereignis

Der Physical‑AI‑Boom ist im Grunde ein Live‑Test einer Annahme, mit der die Tech‑Industrie immer vertrauter geworden ist: dass Intelligenz, einmal gebaut, frei skalierbar ist. Diese Annahme gilt weitgehend für Software, nicht jedoch für Fabriken.

Rechenleistung kann über Nacht verdoppelt werden. Modelle können durch einen neuen Trainingslauf verbessert werden. Der Einsatz kann per Knopfdruck erfolgen. Lieferketten können nicht über Nacht verdoppelt werden. Qualifizierte Techniker, zertifizierte Lieferanten und ausgereifte Produktionslinien benötigen Jahre zum Aufbau, und kein Sprung in der Modellfähigkeit verkürzt diesen Zeitrahmen.

All das bedeutet nicht, dass Physical AI überhypiert ist oder die zugrunde liegende Technologie nicht real ist. Es bedeutet, dass sich der Schwerpunkt von künstlicher Intelligenz hin zu physischer Infrastruktur verschiebt. Die Unternehmen und die Investoren, die diesen Wandel früh erkennen und reale Ressourcen in die Fertigungskapazität und die Resilienz der Lieferkette stecken, statt in die nächste auffällige Demo, werden wahrscheinlich noch stehen, wenn die aktuelle Welle viraler Videos dem langsameren und härteren Aufwand weicht, diese Maschinen tatsächlich in großem Maßstab einzusetzen.