Physical AI: Warum lernende Roboter weniger Ausfälle haben

Ein Reinigungsroboter fährt seit Wochen dieselbe Route durch einen Flur. Jeden Morgen um sechs steht der Flur leer, die Route ist frei. An einem Dienstag steht dort ein Wagen mit Frühstücksgeschirr, den ein Kollege fünf Minuten früher als sonst dort abgestellt hat. Für ein rein wegpunktbasiertes System ist das kein Detail, sondern ein Abbruchgrund: Die Route ist blockiert, ein definierter Alternativweg existiert im Skript nicht, das System hält an und meldet einen Fehler.

Aus Betreibersicht sieht das wie ein Defekt aus. Ist es nicht. Der Roboter tut exakt das, wofür er programmiert wurde – nur eben nicht das, was in dem Moment gebraucht würde. Genau diese Lücke zwischen „programmiert für die Karte“ und „tauglich für den echten Flur“ ist der Ursprung eines Großteils der Ausfallmeldungen, die als Hardwareproblem eskaliert werden, aber keine sind.

Physical AI beschreibt keine Zauberformel, sondern eine andere Grundlage für Bewegungsentscheidungen: statt ausschließlich vorab kartierten Wegpunkten zu folgen, wertet das System laufend Sensordaten aus und verallgemeinert daraus ein Verhalten, das über die exakt trainierte Situation hinausgeht. Ein Hindernis wird nicht nur als „unbekanntes Objekt, Stopp“ erkannt, sondern als „Hindernis, umfahrbar“ oder „Tür zu, warten oder Alternativroute prüfen“.

Das ist kein Freibrief für vollständige Autonomie in jeder Situation – ein System, das eine Tür nicht öffnen kann, öffnet sie weiterhin nicht selbst. Der Unterschied liegt darin, wie viele der alltäglichen Abweichungen als lösbarer Fall statt als Abbruchgrund behandelt werden. Genau diese Quote entscheidet am Ende über die tatsächliche Verfügbarkeit im Betrieb, nicht das Datenblatt.

Physical-AI-Reife unterscheidet sich erheblich zwischen Herstellern und sogar zwischen Modellgenerationen desselben Herstellers. Ein Betreiber, der sich an einen einzelnen Anbieter bindet, kauft dessen Stand der Technik zum Zeitpunkt des Vertragsabschlusses – und trägt das Risiko, wenn dieser Anbieter in der Wahrnehmungsfähigkeit zurückbleibt.

werob wählt als herstellerunabhängiger Systemintegrator aus mehr als 44 OEM-Partnern das System, dessen tatsächliche Wahrnehmungs- und Reaktionsfähigkeit zum jeweiligen Einsatzprofil passt – nicht das mit der besten Marketingfolie. Das schließt eine nüchterne Prüfung ein: Wie reagiert das System nachweislich auf die Abweichungen, die im konkreten Gebäude tatsächlich vorkommen, nicht nur auf die Szenarien aus der Produktdemo.

Eine belastbare, öffentlich verfügbare Kennzahl für „wie viel seltener fällt ein Physical-AI-System pro Störfall aus“ gibt es bislang nicht – kein Hersteller und kein Integrator veröffentlicht diese Zahl, werob eingeschlossen. Was sich sauber belegen lässt, ist das Ergebnis auf Flottenebene: Über die aktuell mehr als 200 im Einsatz befindlichen Roboter hinweg verzeichnet werob einen Produktivitätsgewinn von über 35 Prozent innerhalb der ersten zwölf Monate.

Diese Zahl ist eine Aggregatkennzahl über viele Standorte, Aufgaben und Robotertypen hinweg – kein Versprechen für den einzelnen Vorfall. Aber sie ist der ehrlichere Indikator als eine Einzelfallstatistik: Sie misst, was am Ende beim Betreiber ankommt, nachdem Wahrnehmung, Integration und Betriebsführung zusammen gewirkt haben.

Die Frage, die in den meisten Ausschreibungen fehlt, ist nicht „wie genau navigiert das System“, sondern: „Was passiert, wenn die Realität von der Karte abweicht – und wer trägt dann den manuellen Eingriff?“ Ein System, das bei jeder Abweichung eine Rückmeldung an einen Menschen braucht, erzeugt genau die Personalbindung, die die Investition eigentlich vermeiden sollte.

Ein realistischer Test vor der Kaufentscheidung: den Roboter absichtlich mit einer kleinen, alltäglichen Abweichung konfrontieren – einem verstellten Gegenstand, einer ungewohnten Tageszeit, einem geänderten Ablauf – und beobachten, ob er umgeht, wartet oder wirklich anhält. Diese zehn Minuten sagen mehr über die Betriebstauglichkeit aus als jedes Datenblatt.