Yakup Özkardes-Cheung
Home
Home
Meine Angebote
Meine Angebote
Testimonials
Testimonials
Galerie
Galerie
Medien
Medien
Über mich
Über mich
Blogs
Blogs
Nov 20, 2026 09:41:46 PM

Yakup Özkardes-Cheung

Physical AI: Wie Roboter durch KI lernen – und warum der Mittelstand jetzt genauer hinschauen sollte

Roboter, die selbstständig Gegenstände sortieren, neue Aufgaben erlernen oder sich in wechselnden Umgebungen zurechtfinden: Was vor wenigen Jahren noch nach Science-Fiction klang, wird zunehmend Realität. Doch wie weit ist die Technologie tatsächlich? Und lohnt sich der Einstieg für kleine und mittlere Unternehmen schon heute?

Darüber habe ich in meinem KI im Business Podcast mit Florian Fromm, Mitgründer von EmAI Robotics aus Saarbrücken, gesprochen.

Florian beschäftigt sich intensiv mit Physical AI, Robot Learning und der Frage, wie Roboter mithilfe von Trainingsdaten neue Fähigkeiten erlernen können. Im Gespräch ging es nicht nur um spannende technologische Entwicklungen, sondern auch um die praktischen Herausforderungen: Kosten, Sicherheit, Trainingsdaten und den Einstieg in die Robotik.

Hier sind meine wichtigsten Erkenntnisse aus unserem Gespräch.

1. Was ist Physical AI überhaupt?

Künstliche Intelligenz kennen die meisten inzwischen durch Anwendungen wie ChatGPT. Wir geben eine Frage ein und erhalten eine Antwort.

Bei Physical AI, auch Embodied AI genannt, geht es einen entscheidenden Schritt weiter: KI wird mit physischen Systemen wie Roboterarmen oder humanoiden Robotern verbunden.

Die Roboter nehmen ihre Umgebung über Kameras und Sensoren wahr, verarbeiten diese Informationen mithilfe von KI-Modellen und führen anschließend Bewegungen aus.

Der Unterschied zur klassischen Robotik wird besonders deutlich, wenn sich die Umgebung verändert.

Ein Beispiel:

Ein klassischer Industrieroboter greift ein Blech, das immer an derselben Stelle auf einem Förderband liegt, und bewegt es an einen festgelegten Ort.

Doch was passiert, wenn das Blech plötzlich schief liegt, unterschiedliche Formen hat oder an einer anderen Position auftaucht?

Bei klassischen Systemen müssen solche Varianten durch entsprechende Programmierung und Sensorik berücksichtigt werden.

Physical AI eröffnet hier neue Möglichkeiten. Statt jede Situation einzeln zu programmieren, können KI-Modelle lernen, auf unterschiedliche Situationen zu reagieren.

Ein besonders anschauliches Beispiel sind die Robotik-Demonstrationen von Figure AI, bei denen Roboter Aufgaben in wechselnden Umgebungen ausführen.

Mehr dazu: https://www.figure.ai/

Wichtig ist allerdings: Eine beeindruckende Demonstration bedeutet noch nicht, dass ein System bereits unter allen Produktionsbedingungen zuverlässig funktioniert.

2. Wie lernen Roboter neue Aufgaben?

Eine der spannendsten Fragen unseres Gesprächs war für mich: Wie bringt man einem Roboter eigentlich etwas bei?

Florian hat mir erklärt, wie sogenannte Teleoperation dabei helfen kann.

Dabei steuert ein Mensch den Roboter zunächst selbst. Das kann beispielsweise mithilfe einer VR-Brille und entsprechender Controller geschehen.

Der Roboter führt die Bewegungen aus, während gleichzeitig aufgezeichnet wird, was seine Kameras sehen und welche Steuerbefehle ausgeführt werden.

Aus diesen Informationen entstehen Trainingsdaten.

Ein einfaches Beispiel: Ein Roboter soll einen Apfel auf einen Teller legen.

Zunächst wird ihm die Aufgabe mehrfach vorgemacht. Die aufgezeichneten Bewegungen und Kamerabilder können anschließend genutzt werden, um ein KI-Modell für diese Tätigkeit zu trainieren.

Eine wichtige Rolle spielen dabei sogenannte Vision-Language-Action-Modelle (VLA).

Sie verbinden drei Elemente:

  • Vision: Was sieht der Roboter?
  • Language: Welche Aufgabe soll er ausführen?
  • Action: Welche Bewegung muss er dafür machen?

Dadurch kann ein Roboter lernen, auf Grundlage seiner Umgebung und einer Anweisung passende Aktionen auszuführen.

Allerdings ist das Training deutlich aufwendiger, als es zunächst klingt.

3. Die große Herausforderung: Trainingsdaten

Bei Sprachmodellen standen bereits riesige Mengen an Textinformationen zur Verfügung.

Bei Physical AI sieht die Situation anders aus.

Roboter benötigen Daten über Bewegungen, räumliche Zusammenhänge, Objekte und physische Interaktionen.

Diese Daten müssen für viele Aufgaben zunächst erhoben werden.

Florian berichtete von einem Experiment, bei dem selbst 250 Trainingsdatensätze noch keine zufriedenstellenden Ergebnisse lieferten.

Das zeigt, warum es keine allgemeingültige Antwort auf die Frage gibt, wie viele Trainingsdaten ein Roboter benötigt.

Entscheidend ist nicht nur die Menge, sondern auch die Qualität und Vielfalt.

Bleiben wir beim Beispiel mit dem Apfel:

Wenn der Apfel beim Training immer an derselben Stelle liegt, kann der Roboter Schwierigkeiten bekommen, sobald sich die Position verändert.

Deshalb sollten Trainingsdaten möglichst unterschiedliche Situationen berücksichtigen: verschiedene Objektpositionen, Lichtverhältnisse und Umgebungen.

Meine wichtigste Erkenntnis: Nicht nur der Roboter selbst ist entscheidend. Die Qualität der Trainingsdaten wird zu einem zentralen Erfolgsfaktor.

4. Was kostet ein Physical-AI-Projekt wirklich?

Ein besonders wichtiger Punkt für Unternehmen ist die Wirtschaftlichkeit.

Die Aufmerksamkeit konzentriert sich häufig auf die Anschaffungskosten eines Roboters. Doch diese sind nur ein Teil der Gesamtrechnung.

Florian hat im Podcast auf mehrere Kostenfaktoren hingewiesen:

  • Anschaffung beziehungsweise Miete der Robotikhardware
  • Erhebung und Aufbereitung von Trainingsdaten
  • Personal für Training und technische Betreuung
  • Rechenleistung für das Training der KI-Modelle
  • Testumgebungen und zusätzliche Infrastruktur
  • Sicherheitsmaßnahmen, Integration und laufende Betreuung

Der Kauf eines humanoiden Roboters bedeutet also nicht automatisch, dass dieser direkt produktiv eingesetzt werden kann.

Und genau hier liegt eine Herausforderung für den Mittelstand: Unternehmen müssen zunächst investieren, bevor sie überhaupt sicher beurteilen können, ob ein Anwendungsfall wirtschaftlich funktioniert.

Deshalb plädiert Florian für niedrigschwellige Testmöglichkeiten, bei denen Unternehmen unterschiedliche Robotiksysteme ausprobieren können, bevor sie größere Investitionen tätigen.

5. Warum ein humanoider Roboter nicht immer die beste Wahl ist

Humanoide Roboter beeindrucken. Sie können laufen, ihre Arme bewegen und sehen teilweise erstaunlich menschenähnlich aus.

Doch brauchen Unternehmen tatsächlich einen Roboter mit zwei Beinen?

Nicht unbedingt.

Florian empfiehlt für erste Experimente mit Physical AI beispielsweise ein Setup aus klassischen Roboterarmen und Kameras.

Das kann bei geeigneten Aufgaben deutlich sinnvoller sein als ein komplexer humanoider Roboter.

Denn Physical AI ist nicht auf eine bestimmte Bauform beschränkt.

Auch ein Roboterarm, der mithilfe eines KI-Modells unterschiedliche Objekte erkennt und greift, kann ein Physical-AI-System sein.

Die richtige Frage lautet daher nicht: Welchen Roboter möchte ich haben? Sondern: Welches Problem möchte ich lösen?

Genau diesen Ansatz verfolge ich auch in meinem KI-Robotik-Manager-Lehrgang (IHK).

6. Robotik im Mittelstand: Mit kleinen Projekten anfangen

Ein Ratschlag aus dem Podcast ist mir besonders im Gedächtnis geblieben.

Florian empfiehlt Unternehmen, bei ihrem ersten Robotikprojekt bewusst defensiv vorzugehen.

Ein guter erster Anwendungsfall sollte möglichst:

  • einfach und klar abgrenzbar sein,
  • eine wiederkehrende oder belastende Tätigkeit betreffen,
  • einen messbaren Nutzen bieten,
  • mit überschaubarem Risiko getestet werden können.

Außerdem sollten Unternehmen frühzeitig mit den Mitarbeitenden sprechen, die den Prozess täglich ausführen.

Sie kennen häufig Details und Herausforderungen, die bei einer Entscheidung auf Managementebene übersehen werden.

Ein möglicher Einstieg wäre beispielsweise die automatisierte Sortierung unterschiedlicher Gegenstände oder die Unterstützung bei wiederkehrenden Materialbewegungen.

Dabei lohnt sich immer auch der Vergleich mit klassischer Automatisierung. Nicht jedes Problem benötigt ein KI-Modell.

7. Sicherheit und Datenhoheit nicht vergessen

Ein weiteres Thema unseres Gesprächs war die Sicherheit.

Florian berichtete von praktischen Erfahrungen mit einem humanoiden Roboter, dessen Bewegungen in einer ungewohnten Testsituation schwer vorhersehbar waren.

Solche Beispiele machen deutlich, warum Physical AI nicht nur aus Sicht der technischen Möglichkeiten betrachtet werden darf.

Unternehmen müssen klären, wie sich ein Roboter in unerwarteten Situationen verhält, welche Schutzmaßnahmen erforderlich sind und wie Menschen im Arbeitsbereich geschützt werden.

Ebenso wichtig ist die Frage der Datenhoheit.

Wenn ein Roboter mithilfe unternehmensinterner Prozesse trainiert wird, können die Daten sensibles Produktionswissen enthalten.

Wer darf diese Informationen nutzen? Wo werden sie gespeichert? Und bleibt das Unternehmen beim Wechsel eines Robotikherstellers handlungsfähig?

Florian setzt sich deshalb mit EmAI für offene Modelle und möglichst herstellerunabhängige Lösungen ein.

Mehr zu diesem Ansatz: https://emai.dev/de

8. Was kommt in den nächsten drei bis fünf Jahren?

Zum Abschluss unseres Gesprächs habe ich Florian gefragt, welche Entwicklung seiner Meinung nach den größten praktischen Unterschied machen wird.

Seine Antwort: nicht unbedingt neue Roboterhardware, sondern die Weiterentwicklung der KI-Modelle selbst.

Heute werden viele Systeme noch für einzelne Aufgaben trainiert.

Langfristig könnten Roboter mehrere unterschiedliche Fähigkeiten nutzen und zunehmend komplexe Aufgaben ausführen.

Eine mögliche Zwischenstufe wären spezialisierte KI-Modelle, die sich für verschiedene Tätigkeiten auf einem Roboter einsetzen lassen.

Noch weiter geht die Vision von Modellen, die umfangreiche Abläufe und Zusammenhänge innerhalb einer bestimmten Arbeitsumgebung verstehen.

Ob und wie schnell solche Systeme im Unternehmensalltag ankommen, bleibt offen.

Die Perspektive ist trotzdem spannend: Gerade für kleinere Unternehmen könnten flexiblere Robotiksysteme langfristig neue Automatisierungsmöglichkeiten eröffnen.

Mein Fazit: Robotik wird zugänglicher – aber gute Planung bleibt entscheidend

Mein Gespräch mit Florian hat mir noch einmal gezeigt, wie viel Potenzial in der Verbindung von KI und Robotik steckt.

Gleichzeitig sollten Unternehmen sich nicht von beeindruckenden Videos blenden lassen.

Ein erfolgreicher Robotikeinsatz beginnt mit einem klaren Anwendungsfall, realistischen Erwartungen und einem nachvollziehbaren wirtschaftlichen Nutzen.

Nicht jede Aufgabe benötigt einen humanoiden Roboter. Nicht jeder Roboter benötigt Physical AI.

Aber Unternehmen, die sich frühzeitig mit möglichen Einsatzfeldern beschäftigen, können wertvolle Erfahrungen sammeln und fundiertere Entscheidungen treffen.

🎙️ Jetzt die vollständige Podcast-Folge hören

Du möchtest mehr über Physical AI, Teleoperation, Trainingsdaten, Open Source und die Zukunft der Robotik erfahren?

In meiner KI im Business Podcastfolge spreche ich mit Florian Fromm ausführlich über diese Themen und seine praktischen Erfahrungen mit intelligenten Robotern.

🎧 Hier geht's zur Podcast-Folge:

https://open.spotify.com/episode/4rqXdr5UtLsRLg7LXpipXX?si=W2FESjR-Rwi13GT3A73iKQ&nd=1&dlsi=84c6c4cb7b684027 

▶️ Podcast-Interview auf YouTube ansehen:

https://youtu.be/dVXQn_UjCUg 

🎓 KI-Robotik-Manager (IHK): Vom ersten Anwendungsfall zum eigenen Robotikprojekt

Du möchtest herausfinden, wo Robotik in deinem Unternehmen sinnvoll eingesetzt werden kann?

In meinem KI-Robotik-Manager-Lehrgang (IHK) beschäftigen wir uns mit genau diesen Fragen.

Du lernst, mögliche Anwendungsfälle zu identifizieren, unterschiedliche Robotiklösungen zu bewerten und erste Projekte strukturiert zu planen.

Dabei stehen praktische Anwendungsfälle, technische Grundlagen und wirtschaftliche Überlegungen im Mittelpunkt.

👉 Hier findest du weitere Informationen und die Anmeldung zum Lehrgang 2027:

https://ihkportal.de/duesseldorf/tibrosVD/event/2733MAZXXW27

Ich freue mich, wenn wir gemeinsam die Möglichkeiten der Robotik für dein Unternehmen entdecken!

Yakup Özkardes-Cheung

KI-Dozent, Trainer und Host der Content AI Show



Yakup Özkardes-Cheung
HomeMeine AngeboteTestimonialsGalerieMedienÜber michBlogs
© Copyright 2026, All Rights Reserved by Yakup Özkardes-Cheung
Privacy Policy
Terms & Conditions