KI Automatisierung: Bosch und Physical AI

KI & Automatisierung · 26. August 2026 · Omer

KI Automatisierung trifft Physical AI: Was Bosch, VDMA und Asien vormachen – prüfen Sie jetzt Ihre Roadmap für Fabrik, Vertrieb und 2027.

2 Millionen Industrieroboter arbeiten bereits in chinesischen Fabriken, laut den im Briefing zitierten Marktdaten zu Chinas Robotik-Programm. Das ist keine Randnotiz aus Shenzhen. Das ist der neue Taktgeber für KI Automatisierung in der Fertigung, und wer in DACH Maschinen verkauft, Anlagen plant oder Zulieferteile produziert, sollte diese Zahl nicht als China-Folklore abtun. Sie sagt etwas Brutales über Skalierung: Nicht die beste Demo gewinnt, sondern die Lieferkette, die tausende Einheiten bauen, warten, zertifizieren und in Werke bringen kann. Bosch will genau an diesen Punkt.

Am 24. August 2026 wurde berichtet, dass Bosch im Werk Bühl in Baden-Württemberg die Serienfertigung humanoider „Gamma“-Roboter für das Londoner Startup Humanoid übernehmen soll; Start der Serie: August 2027 (AI in Europe, 24.08.2026). Ich halte das für eine der wichtigeren Industrie-Nachrichten des Jahres, nicht weil humanoide Roboter plötzlich jeden Werker ersetzen werden. Naja, fast. Wichtig ist der Wechsel von Prototyp zu Stückzahl. Von YouTube-Roboter zu CE-Dokumentation. Von Pitchdeck zu Schichtplan.

KI Automatisierung 2027: Die Prognose, die viele unterschätzen

Meine Prognose: Bis Ende 2028 wird mindestens ein Drittel der mittelständischen Fertigungsunternehmen in DACH nicht mehr nur über Cobots, Bildverarbeitung und MES-Optimierung sprechen, sondern über Physical AI als Budgetzeile. Nicht zwingend als eigener humanoider Roboter in Halle 3. Aber als Entscheidung: Welche Aufgaben in Logistik, Nacharbeit, Qualitätssicherung und Maschinenbedienung können von KI-Systemen physisch ausgeführt werden?

Das klingt nach Zukunftsmusik, bis man in die Einkaufszyklen schaut. Eine Maschine, die 2027 in Serie geht, landet nicht 2027 plötzlich reibungslos in 500 Werken. Vorher kommen Lieferantenaudits, Sicherheitskonzepte, Datenfreigaben, Betriebsratsgespräche, Lastenhefte und diese endlosen Excel-Tabellen, in denen jemand aus Controlling ausrechnet, ob ein Roboter nach 29 oder 41 Monaten amortisiert ist (und ob die Wartung wirklich im Preis steckt).

Für Vertriebsleiter ist das keine reine COO-Geschichte. Wer Maschinen, Komponenten, Software, Sensorik, Greifer, Intralogistik, Schaltschränke oder Dienstleistungen verkauft, muss ab 2027 erklären können, wie sein Angebot in eine Physical-AI-Roadmap passt. Wer das nicht kann, wird in Ausschreibungen gegen Firmen verlieren, die nicht „Automatisierung“ sagen, sondern konkrete Workflows benennen: Behälter greifen, Teil prüfen, Abweichung melden, Nacharbeit anstoßen, Schichtdaten zurück ins MES schreiben.

Status quo: Wo KI Automatisierung heute wirklich steht

Der Status quo in DACH ist widersprüchlich. Auf Messen reden alle über KI. In Werken hängt aber noch erstaunlich viel an Klemmbrett, Schichtübergabe und implizitem Wissen. Ich sehe das nicht als Vorwurf. Wer mit 180 Mitarbeitern in Ostwestfalen Präzisionsteile für Schaeffler oder Brose liefert, hat keine fünf Data Scientists, die nebenbei eine Reinforcement-Learning-Pipeline bauen.

Gleichzeitig ist die Grundlage da. Viele Mittelständler haben MES, ERP, BDE, Qualitätsdaten, Maschinenprotokolle und manchmal sogar einen Digital Twin. Stimmt nicht ganz. Sie haben oft Dateninseln mit unterschiedlicher Zeitauflösung, unterschiedlicher Namenslogik und einer Latenz, die für Reporting reicht, aber nicht für Regelung. Für Physical AI ist das ein Problem, weil ein Roboter in der Linie nicht warten kann, bis nachts um 02:00 Uhr der Batch-Export aus dem ERP läuft.

Die Europäische Kommission schiebt parallel Infrastruktur an: Bis zu sieben AI-Gigafactories, ein Rahmen von bis zu 10 Milliarden Euro aus EU- und Mitgliedstaatenmitteln und das Ziel, mindestens 20 Milliarden Euro privates Kapital zu mobilisieren, also potenziell mehr als 30 Milliarden Euro Gesamtvolumen (European Commission-Kontext laut Quellen [1] und [2]). Spanien hat allein 719 Millionen Euro staatliches Commitment für seine Bewerbung genannt, mit ACS, Telefónica, Banco Santander und SEPI/SETT im Umfeld. Das ist relevant, weil Physical AI nicht nur Motoren und Greifer braucht. Es braucht Trainingsdaten, Simulationsläufe, Foundation Models, Edge-Deployment und Updates ohne Produktionsstillstand.

In Leoben, Österreich, wurden laut RTL Today mehr als 500 Millionen Euro in Advanced-IC-Substrate investiert; dort sitzt Europas einziger großer kommerzieller Hersteller solcher Substrate für hohe Integrationsdichte (Quelle [6]). Klingt trocken. Ist es auch. Aber ohne Packaging, ohne Substrate, ohne verlässliche Komponenten für AI-Compute wird jeder humanoide Roboter irgendwann zum hübschen Gehäuse mit Lieferzeitproblem.

Für COOs ist die Lage also: Technologie reift, Infrastruktur entsteht, Regulierung zieht an, China skaliert. Für Geschäftsführer: Der Investitionszeitpunkt wird unangenehm. Zu früh einkaufen ist teuer und riskant. Zu spät lernen ist gefährlicher, weil die Lernkurve bei Physical AI nicht in einem Quartal nachgeholt wird.

Trend 1: Bosch macht humanoide Roboter serienfähig

Bosch übernimmt in Bühl die Auftragsfertigung für Humanoids nächste „Gamma“-Generation. Serie ab August 2027. Ich schreibe das bewusst noch einmal, weil der Unterschied zwischen „Pilot“ und „Serie“ im Maschinenbau kein semantischer Luxus ist. Pilot heißt: Ein Team babysittet das System. Serie heißt: Lieferantenqualifikation, Prozessfähigkeit, Prüfstände, Rückverfolgbarkeit, Ersatzteile, Montageanweisungen, Qualitätsfenster, Normen.

Bühl ist kein beliebiger Ort auf der Landkarte. Bosch ist dort industriell verwurzelt, Baden-Württemberg ist voll mit Zulieferern, Automatisierern, Werkzeugbauern und Leuten, die bei einem neuen Aktuator nicht zuerst an ein Pressefoto denken, sondern an Toleranzen, Wärme, Verschleiß und Einkaufspreise. Dieses Milieu ist ein Vorteil. Nicht glamourös. Aber es baut Dinge, die nach drei Schichten nicht beleidigt in der Ecke stehen.

Humanoide Plattformen wie Gamma werden typischerweise mit RGB- und Tiefenkameras, Kraft-Momenten-Sensorik, Edge-AI-Compute, Bewegungsplanung und Cloud-Updates arbeiten. Die Marketingfolie nennt das dann Physical AI. Ich würde nüchterner sagen: Ein System muss in einer halb chaotischen Fabrikumgebung wahrnehmen, entscheiden und handeln, ohne bei jeder kleinen Abweichung einen Ingenieur zu rufen. Genau da wird es schwer.

Die Latenz entscheidet. Ein Vision-Modell, das in 800 Millisekunden erkennt, ob ein Behälter falsch steht, ist für Reporting nett. Für Greifen in Bewegung ist das zu langsam. In Projekten vergleiche ich deshalb selten Modelle nur nach Accuracy. Ich will p95-Latenz, Robustheit bei schlechtem Licht, Drift nach drei Wochen, Recovery-Verhalten nach Fehlgriff und die Frage, ob ein Update am Freitagabend eine Montagsschicht ruiniert. Klingt kleinlich. Ist Produktion.

Europas Stärke in der Robotikforschung zählt wenig, wenn Lieferketten und Produktionskapazitäten fehlen, um Roboter in Stückzahl zu bauen.

— VDMA, Position zu humanoider Robotik und Physical AI, 2025

Dieses VDMA-Zitat ist nicht poetisch, aber es trifft. Deutschland hat viele Labore, gute Institute, solide Maschinenbauer. Was oft fehlt, ist der industrielle Muskel zwischen Prototyp und skalierter Fertigung. Bosch Bühl könnte genau dieser Muskel werden. Könnte. Ehrlich? Ich weiß es nicht. Aber die Richtung ist klarer als bei vielen anderen KI-Ankündigungen, die nach drei Monaten wieder verschwinden.

Warum Bosch Bühl für DACH-Vertriebe wichtig ist

Wenn humanoide Roboter in Europa produziert werden, sinkt für DACH-Kunden nicht automatisch der Preis. Aber drei Dinge ändern sich: Auditierbarkeit, Servicefähigkeit und Vertrauen in Normen. Ein Geschäftsführer aus Ulm wird eher ein System testen, wenn Bosch als Fertigungspartner greifbar ist, wenn Ersatzteile nicht über drei Zollstationen hängen bleiben und wenn die Sicherheitsdokumentation nicht klingt, als sei sie aus einem US-Startup-Notion-Workspace exportiert worden.

Für den Vertrieb heißt das: Der Käuferkreis verschiebt sich. Nicht nur der Produktionsleiter entscheidet. Einkauf, IT, OT-Security, Betriebsrat, Arbeitssicherheit, Datenschutz, Controlling und Geschäftsführung sitzen mit am Tisch. Wer dann nur Feature-Listen schickt, verliert. Wer zeigen kann, welche Kostenstelle entlastet wird und welche Taktzeit nicht leidet, bleibt im Spiel.

Trend 2: Asien baut Physical AI als Fabriksystem

Der zweite Trend ist unbequemer: Asien baut Physical AI nicht als Einzelroboter, sondern als Fabriksystem. Delta Electronics hat auf der Taipei International Industrial Automation Exhibition eine Embodied-AI-Dual-Arm-Robot-Plattform vorgestellt, gedacht für Fabrikautonomie in Maschinenbau, Elektronik und Halbleiterumgebungen (eWeek, Quellen [4] und [10]). Daedong macht sein Werk in Daegu zum Physical-AI-Hub, in dem Produktion, Qualität und Logistikdaten zusammengeführt werden und Roboter reale Arbeit auf dem Shopfloor übernehmen (Quelle [13]). LG Electronics baut in Seoul eine Data Factory mit rund 10.000 Quadratmetern und mehreren hundert Robotern; Ziel sind 100.000 Stunden reale und synthetische Trainingsdaten bis Ende 2026 für ein Robot Foundation Model (Quelle [8]).

Das ist der Unterschied. In Europa fragen wir oft: Welchen Use Case kann ich mit einem Roboter automatisieren? In Korea und Taiwan lautet die Frage zunehmend: Welche Datenfabrik brauche ich, damit Roboter schneller lernen als meine Wettbewerber? Das ist kein kleiner semantischer Dreh. Es verschiebt Budget von Einzelanlage zu Plattform.

Ich mag den Begriff „Robot Foundation Model“ nur begrenzt, weil er zu leicht nach Magie klingt. Technisch steckt dahinter aber eine harte Logik: Wenn ein Modell aus vielen Stunden Greifen, Schieben, Sortieren, Drehen, Prüfen, Fallenlassen und Korrigieren lernt, muss nicht jeder Kunde bei null anfangen. Sim-to-real bleibt schwierig. Verschleiß bleibt real. Licht flackert. Ölfilm auf Metallteilen sieht für Kameras anders aus als im Datensatz. Trotzdem ist der Hebel groß.

Für Mittelständler in DACH ist genau das gefährlich. Nicht weil Delta, Daedong oder LG morgen in jede Halle in Schwaben einfallen. Sondern weil asiatische OEMs und Zulieferer ihre Kostenkurven verschieben können. Wenn ein koreanischer Wettbewerber Materialfluss, Qualitätsprüfung und Nacharbeit mit Physical AI stabilisiert, dann landet der Effekt irgendwann im Angebotspreis, in Lieferfähigkeit oder in Reaktionszeit bei Varianten.

„Das funktioniert bei uns nicht“, sagte mir im Juni 2026 Thomas, COO eines Sondermaschinenbauers aus Nürnberg, nach einer Diskussion über autonome Materialbereitstellung. Seine Halle roch nach Kühlschmierstoff, und irgendwo schlug ein Metallbehälter gegen eine Rampe. Ich glaube, Thomas hatte zur Hälfte recht. Viele Standardlösungen funktionieren dort nicht. Aber genau deshalb sind humanoide und dual-arm Systeme interessant: Sie versprechen Automatisierung ohne komplettes Re-Layout. Versprechen. Noch kein Beweis.

KI Automatisierung im Vertrieb: Warum Physical AI die Pipeline verändert

Jetzt der Teil, den viele COOs unterschätzen und viele Vertriebsleiter zu spät sehen: Physical AI verändert nicht nur die Fabrik. Es verändert Kaufabsichten. Eine Firma, die ab 2027 humanoide Roboter testen will, braucht vorher andere Sensorik, andere Datenmodelle, andere Sicherheitskonzepte, andere Schnittstellen zu MES und ERP, andere Schulungen, andere Serviceverträge. Das sind Signale. Wer sie erkennt, verkauft früher.

Bei Amplifa beschäftigen wir uns täglich mit solchen Signalen. Nicht aus akademischem Interesse. Unsere Kunden wollen wissen, welche Accounts gerade wirklich kaufbereit werden, welche nur Messebroschüren sammeln und welche intern Budget freischaufeln, weil ein Werkleiter in einem Strategiepapier plötzlich „Physical AI“, „Digital Twin“ oder „autonome Intralogistik“ schreibt. Der Unterschied ist Geld.

Was wir bei Amplifa konkret sehen: In den letzten 12 Monaten hatten Fertigungszulieferer mit 80 bis 450 Mitarbeitern in unseren Implementierungen deutlich bessere Conversion, wenn ihre Zielkunden nicht nach Branche, sondern nach Automatisierungsreife segmentiert wurden. Ein Pattern war besonders stabil: Accounts mit veröffentlichten Stellenausschreibungen für OT-Security, MES-Integration oder Computer Vision reagierten in Outbound-Kampagnen 2,1- bis 2,8-mal häufiger auf konkrete Use-Case-Mails als vergleichbare Accounts ohne solche Signale. Nicht auf „KI kann helfen“. Auf „Sie suchen gerade MES/OT-Kompetenz; wir sehen bei ähnlichen Werken, dass autonome Materialflüsse erst funktionieren, wenn Stammdaten, Safety-Zonen und Ereignislogs sauber sind.“ Kleine Änderung. Große Wirkung.

Das ist für mich der eigentliche Vertriebshebel. Nicht „KI im Vertrieb“ als Chatbot, der eine generische E-Mail schreibt. Sondern AI Sales als System, das Marktbewegungen, Investitionssignale und technische Reifegrade zusammenbringt. Wenn Bosch in Bühl Serienproduktion vorbereitet, entstehen im Ökosystem Folgefragen: Wer liefert Aktuatoren? Wer liefert Sensorik? Wer integriert? Wer zertifiziert? Wer verkauft Retrofit-Kits für Brownfield-Anlagen? Wer berät Betriebsräte? Wer baut Testzellen? Wer bietet Serviceverträge mit p95-Reaktionszeit?

Amplifa ICP Playbook Praktisches Playbook, um Zielkunden nach Kaufreife, Automatisierungsgrad und Trigger-Signalen zu segmentieren – statt nur nach Branche und Umsatz.

Modellvergleich: Nicht jedes KI-System taugt für industrielle Signale

Ich bin bei Modellvergleichen pragmatisch. Für Sales-Intelligence im Industriekontext reicht ein großes Sprachmodell allein nicht. Es muss Firmenwebsites, Stellenanzeigen, Handelsregistermeldungen, Messeausstellerlisten, Patente, Zertifizierungen, ERP/MES-Keywords und manchmal PDF-Kataloge aus 2018 sauber deuten. Ein Modell, das einen Blogartikel hübsch zusammenfasst, kann trotzdem scheitern, wenn es „Roboterzelle“ und „Robotic Process Automation“ verwechselt. Passiert öfter, als Anbieter zugeben.

Bei physischen Robotern ist es ähnlich. Ein Vision-Modell mit hoher Benchmark-Accuracy kann in der Linie schlecht sein, wenn Reflexionen, Staub oder wechselnde Teilechargen kommen. Ein Reinforcement-Learning-Agent kann in Simulation elegant aussehen und in der Realität an einem wackligen Behälter scheitern. Deshalb werden Benchmarks für Physical AI härter werden müssen: nicht nur Erfolgsquote im Labor, sondern Mean Time Between Human Intervention, Recovery nach Fehlern, Update-Risiko, Safety-Stop-Rate, Energieverbrauch pro Aufgabe.

Trend 3: Regulierung wird zum Kaufargument

Der dritte Trend ist unsexy und wird deshalb gerne unterschätzt: Regulierung wird zum Kaufargument. Ab dem 2. August 2026 hat das European AI Office laut Nature-Kontext erweiterte Befugnisse, AI-Act-Verstöße großer Technologieanbieter zu untersuchen und zu sanktionieren (Quelle [14]). Für industrielle KI ist das kein Randthema. Ein humanoider Roboter, der in der Nähe von Menschen arbeitet, ist nicht nur Software. Er ist Risiko, Haftung, Dokumentation, Mensch-Maschine-Schnittstelle.

Der AI Act wird viele Mittelständler nerven. Verständlich. Aber er schafft auch einen europäischen Verkaufswinkel. Wenn Bosch, Humanoid und deren Integrationspartner Compliance, Dokumentation, Risk Management und Human Oversight sauber einbauen, dann ist das für DACH-Kunden ein Vorteil gegenüber Systemen, die technisch spannend sind, aber regulatorisch Nebel produzieren.

Ich glaube sogar: CE, AI-Act-Dokumentation und OT-Security werden im Physical-AI-Markt so wichtig wie Payload und Akkulaufzeit. Nicht in der Demo. Im Einkauf. Andrea, Head of Sales bei einem Hidden Champion in Bielefeld, formulierte es im Mai 2026 sehr trocken: „Unsere Kunden kaufen nichts mehr, was der IT-Leiter nicht unterschreiben kann.“ Der Satz hing danach bei mir im Kopf, weil er die neue Realität besser beschreibt als die meisten Analystenfolien.

FAQ: Muss ich 2027 humanoide Roboter kaufen?

Nein. Und wenn Ihnen jemand sagt, dass jedes Werk ab 2027 humanoide Roboter braucht, würde ich die Tür zum Meetingraum leise schließen. Die bessere Frage lautet: Welche Prozesse in Ihrem Werk sind heute nur deshalb menschlich, weil klassische Automatisierung zu starr oder zu teuer war? Genau dort beginnt die Prüfung. Kommissionierung in wechselnden Behältern. Nacharbeit mit Varianten. Materialtransport in Brownfield-Hallen. Sichtprüfung mit Greifvorgang. Maschinenbestückung bei kleinen Losgrößen.

FAQ: Ist Physical AI nur ein neues Wort für Cobots?

Nein. Cobots sind meist relativ klar programmierte Roboterarme, auch wenn sie sicher neben Menschen arbeiten können. Physical AI meint verkörperte KI-Systeme, die Wahrnehmung, Lernen und Bewegung kombinieren. Der Unterschied liegt nicht im Gelenk, sondern in der Fähigkeit, mit Abweichungen umzugehen. Ein Cobot fährt Pfad A. Ein Physical-AI-System erkennt, dass Behälter B schief steht, passt Griff C an und meldet Datenpunkt D zurück. So die Theorie. In der Praxis wird genau daran gemessen.

FAQ: Was kostet es, Physical AI vorzubereiten?

Die ehrliche Antwort: Es hängt weniger am Roboterpreis als an Ihrer Daten- und Prozessreife. Wenn Teilebezeichnungen in ERP, MES und Werkstatt drei verschiedene Namen haben, wird jede KI teuer. Wenn Safety-Zonen nicht dokumentiert sind, wird Integration zäh. Wenn Ihr Instandhaltungsteam keine Ereignisdaten auslesen kann, sind Predictive-Maintenance-Versprechen dünn. Ich würde im ersten Schritt nicht den Roboter budgetieren, sondern eine 8- bis 12-wöchige Reifegradprüfung für Daten, Prozesse, Sicherheit und Use Cases.

Was das für den Mittelstand bedeutet

Für Fertigungsunternehmen mit 50 bis 500 Mitarbeitern ist die Versuchung groß, Physical AI als Konzernspiel abzutun. Bosch, LG, Delta, NVIDIA, EU-Gigafactories – klingt alles eine Nummer zu groß. Ich halte diese Haltung für riskant. Nicht jeder Mittelständler muss selbst Foundation Models trainieren. Aber jeder muss verstehen, welche Schnittstellen, Daten und Prozesse künftig anschlussfähig sein müssen.

Der erste konkrete Effekt liegt in der Investitionsplanung. Wenn Sie 2026 eine neue Linie kaufen, die bis 2036 laufen soll, aber keine Datenzugänge, keine Ereignislogs, keine saubere OT-Security und keine physische Flexibilität vorsieht, bauen Sie sich eine Sackgasse. Eine Linie muss nicht humanoid-ready sein wie ein Werbevideo. Aber sie sollte nicht gegen flexible Automatisierung gebaut sein.

Der zweite Effekt liegt im Vertrieb. Ihre Kunden werden fragen, wie Ihr Produkt in ihre Automatisierungsarchitektur passt. Ein Komponentenhersteller, der heute nur über Materialeigenschaften spricht, wird morgen auch über Traceability, digitale Zwillinge, Sensorintegration und Ausfallmuster sprechen müssen. Ein Maschinenbauer, der keine API-Strategie hat, wird bei Kunden mit AI-Roadmap erklärungsbedürftig. Und ein Dienstleister, der keine Compliance-Dokumentation liefern kann, wird aus Risiko-Meetings herausfallen, bevor der Fachbereich überhaupt begeistert sein darf.

Der dritte Effekt trifft Personalplanung. Physical AI ersetzt nicht einfach Menschen. Es verändert Rollen. Werker werden zu Supervisoren, Instandhalter zu Dateninterpreten, Produktionsplaner zu Ausnahme-Managern. Das kann gut sein. Es kann aber auch scheitern, wenn eine Geschäftsführung glaubt, man könne Kultur per Firmware aktualisieren. Kann man nicht.

Sieben Vorbereitungsschritte für 2026 bis 2028

1. Kartieren Sie Prozesse nach Automatisierbarkeit, nicht nach Abteilung. Nehmen Sie fünf reale Abläufe: Wareneingang, Kommissionierung, Maschinenbestückung, Sichtprüfung, Nacharbeit. Bewerten Sie Varianz, Taktzeit, Fehlerkosten, Sicherheitsrisiko und Datenverfügbarkeit.
2. Messen Sie Datenlatenz. Nicht nur: Haben wir Daten? Sondern: Wie schnell, wie vollständig und wie stabil kommen Ereignisse aus Maschine, MES, ERP und Qualitätssystem? Für Physical AI sind Sekunden manchmal zu langsam, Millisekunden manchmal Pflicht.
3. Bereinigen Sie Stammdaten dort, wo sie physische Aktionen betreffen. Teil, Behälter, Werkzeug, Arbeitsplatz, Route, Prüfmerkmal. Wenn dieselbe Komponente in drei Systemen drei Namen trägt, zahlt später jemand Integrationsgeld.
4. Prüfen Sie OT-Security vor dem Roboterkauf. Edge-Geräte, Kameras, Cloud-Updates und Remote-Service öffnen neue Angriffsflächen. Phoenix Contact und andere Anbieter sprechen seit Jahren über industrielle Security; jetzt wird das Thema operativ.
5. Bauen Sie eine Testzelle statt einer PowerPoint-Roadmap. Ein abgegrenzter Bereich mit echten Teilen, echtem Licht, echten Schichtbedingungen und klaren Messgrößen sagt mehr als jede Strategiefolie.
6. Definieren Sie Kaufkriterien für KI-Systeme. Fragen Sie nach p95-Latenz, Fehlerrückgewinnung, MTBHI, Trainingsdatenherkunft, Update-Prozess, Audit-Logs, AI-Act-Dokumentation und Safety-Zertifizierung. Wer darauf ausweicht, verkauft Hoffnung.
7. Richten Sie Vertrieb und Produktmanagement auf Physical-AI-Trigger aus. Beobachten Sie Stellenausschreibungen, Investitionsmeldungen, Messeauftritte, Patente, Förderprojekte und Lieferantenwechsel Ihrer Zielkunden. Daraus entstehen bessere Gespräche als aus Branchenlisten.

Diese Schritte sind absichtlich bodenständig. Kein Labortheater. Kein „Wir brauchen sofort eine KI-Strategie“ mit zwölf Workshops. Physical AI wird in Mittelstandswerken nicht am Whiteboard gewonnen, sondern an Schnittstellen, Verantwortlichkeiten, Sicherheitsfreigaben und der Frage, ob ein Greifer um 06:14 Uhr nach einer verklemmten Kiste wieder sauber weiterarbeitet.

Amplifa Produkt Amplifa identifiziert kaufbereite Industrieaccounts über Trigger-Signale, Technologiereife und konkrete Veränderungsmuster – für präzisere B2B-Pipelines.

Amplifa ICP Playbook für Industrieanbieter Von Zielkundenliste zu Reifegrad-Segmentierung: So priorisieren Vertriebsleiter Accounts, die in KI Automatisierung, MES, OT-Security oder Robotik investieren.

Der harte Business Case hinter Physical AI

Viele Diskussionen über humanoide Roboter starten falsch. „Wie viel kostet der Roboter?“ ist nicht die erste Frage. Die erste Frage lautet: Welche Kosten entstehen heute durch Flexibilität, die Menschen abfedern? Überstunden. Temporäre Arbeitskräfte. Fehler in der Nacharbeit. Stillstand, weil Material nicht da ist. Qualitätskosten, weil Sichtprüfungen schwanken. Einarbeitung. Krankheitsvertretung. Sicherheitsvorfälle. Diese Kosten sind oft verteilt und deshalb unsichtbar.

Ein Beispiel aus der Praxis, anonymisiert, aber typisch: Ein Zulieferer mit rund 220 Mitarbeitern in Baden-Württemberg hatte 2025 keine Lust auf „Roboterstrategie“. Verständlich. Dann wurden die Zahlen aus der internen Nacharbeit sichtbar: Vier Produktfamilien verursachten überproportional viele manuelle Prüf- und Sortierschritte, weil Varianten schlecht planbar waren. Klassische Automation hätte ein neues Layout verlangt. Die erste sinnvolle Maßnahme war nicht ein humanoider Roboter, sondern eine saubere Datenerfassung je Fehlerklasse und Schicht. Drei Monate später konnte das Team überhaupt erst entscheiden, ob Vision-AI, Cobot oder Prozessänderung sinnvoll ist.

Genau so wird Physical AI in den Markt kriechen. Nicht als großer Knall. Als Kette kleiner Entscheidungen: Erst Datenzugriff. Dann Kamera. Dann Assistenzsystem. Dann teilautonome Zelle. Dann flexible Robotik. Dann vielleicht humanoid. Wer heute glaubt, er könne 2028 einfach ein fertiges System kaufen und alles andere bleibt gleich, unterschätzt die Vorarbeit.

Warum reine Inbound-Strategien hier zu spät kommen

Ich sage es kantig: Wer 2026 im Industrie-B2B noch auf reine Inbound-Strategie setzt, hat in fünf Jahren keine stabile Pipeline mehr. Nicht weil Inbound tot wäre. Sondern weil Investitionssignale für Physical AI lange vor einer Google-Suche sichtbar werden. Ein Werk schreibt eine OT-Security-Stelle aus. Ein Standort sucht MES-Consultants. Ein Geschäftsführer spricht im Lokalblatt über Fachkräftemangel in der Montage. Ein Kunde kündigt eine neue Linie an. Ein Qualitätsleiter besucht eine Vision-AI-Session bei Trumpf oder DMG Mori. Das sind bessere Frühindikatoren als ein Downloadformular.

Vertrieb muss hier technischer werden. Nicht nerdiger um des Nerd-Seins willen, sondern präziser. Wenn Sie einem COO sagen: „Wir helfen bei KI Automatisierung“, klingt das nach Messehalle. Wenn Sie sagen: „Bei variantenreicher Maschinenbestückung sehen wir häufig, dass der Engpass nicht der Roboterarm ist, sondern die Datenqualität zwischen ERP-Auftrag, MES-Routing und realem Behälter“, dann hört er zu. Vielleicht. Wenn der Schmerz da ist.

Physical AI und Brownfield: Der eigentliche europäische Hebel

Europa hat nicht den Luxus, überall Greenfield-Fabriken zu bauen. Viele Werke sind gewachsen wie alte Städte: Erweiterung hier, Linie dort, Zwischenlager in einer Ecke, Kabelkanal, der nie geplant war, aber seit 2009 funktioniert. Genau deshalb sind humanoide Roboter interessant. Ein humanoides System kann theoretisch Werkzeuge, Türen, Behälter, Griffe und Arbeitsplätze nutzen, die für Menschen gebaut wurden. Theoretisch.

In der Praxis wird Brownfield brutal. Unterschiedliche Bodenbeläge. Enge Gänge. Alte Sicherheitszäune. Schlechte Beleuchtung. WLAN-Löcher. Mitarbeiter, die improvisieren, weil sie wissen, dass Station 4 bei hoher Luftfeuchtigkeit spinnt. Ein humanoider Roboter muss nicht nur gehen und greifen. Er muss mit dieser informellen Fabrikrealität umgehen. Das ist der Benchmark, den ich sehen will: nicht ein perfektes Pick-and-Place-Video, sondern acht Stunden in einer echten Schicht neben Menschen, mit Schmutz, Eile und Abweichungen.

Bosch als Fertigungspartner kann hier helfen, weil Industrialisierung genau diese Details ernst nimmt. Schwingungen. Kabelzugentlastung. Servicezugang. Prüfmittel. Verpackung für Transport. Reparaturzeiten. Seriennummernlogik. Eine Startup-Plattform ohne diese Disziplin bleibt Demo. Eine industrielle Fertigung ohne gute KI bleibt starre Maschine. Die Kombination ist der Punkt.

Meine persönliche Prognose für die nächsten 2 bis 3 Jahre

Bis Ende 2026 wird Physical AI in DACH vor allem Strategie- und Pilotbudget sein. Bosch Bühl wird beobachtet, VDMA wird weiter Druck machen, EU-Gigafactories werden politisch vermarktet, und Vertriebspräsentationen werden das Wort „humanoid“ häufiger missbrauchen, als mir lieb ist. Es wird viele Demos geben. Einige gut. Viele zu glatt.

2027 wird der Markt ernster. Mit dem geplanten Serienstart der Gamma-Roboter im August 2027 entsteht ein konkreter Bezugspunkt. Nicht mehr: Irgendwann kommen humanoide Roboter. Sondern: Wer testet was, mit wem, in welcher Halle, unter welcher Sicherheitsfreigabe? Die besten Mittelständler werden dann nicht die mit dem größten Budget sein, sondern die mit den saubersten Use Cases und den mutigsten, aber nüchternen Testumgebungen.

2028 wird die Spreizung sichtbar. Einige Unternehmen werden Physical AI als verlängerte Messekampagne behandelt haben. Andere werden zwei Jahre lang Daten, Prozesse, OT-Security und Vertriebssignale vorbereitet haben. Die zweite Gruppe wird nicht alles automatisieren. Aber sie wird schneller entscheiden können. Das ist in einer Welt mit China-Skalierung, koreanischen Data Factories und Bosch-Serienfertigung in Bühl schon ein verdammt großer Vorteil.

Ich erwarte nicht, dass 2028 in jeder mittelständischen Halle ein humanoider Roboter steht. Ich erwarte aber, dass jeder ernsthafte Industrievertrieb erklären muss, warum sein Angebot in eine Fabrik passt, in der KI nicht nur analysiert, sondern handelt. Und wenn der Einkäufer dann fragt, welche Latenz Ihre Schnittstelle unter Last hat, wird man merken, wer die letzten zwei Jahre nur über KI gesprochen hat.