Physical AI: Die nächste Evolutionsstufe der künstlichen Intelligenz

In den vergangenen Jahren dominierte ein Thema die Technologiedebatte: Generative AI. Werkzeuge wie ChatGPT, Bildgeneratoren und Copiloten zeigen, wie leistungsfähig KI im Umgang mit Sprache, Code und Daten geworden ist. Doch so gut diese Systeme digitale Inhalte erzeugen, eine Grenze überschreiten sie nicht: Sie wirken nicht direkt auf die physische Welt ein.

Genau dort setzt die nächste Entwicklungsstufe an: Physical AI. Unsere These für die kommenden Jahre lautet: Die eigentliche KI-Revolution beginnt dort, wo KI nicht mehr nur antwortet, sondern handelt.

In diesem Beitrag erklären wir, was Physical AI ist, warum sie gerade jetzt den Sprung in die Praxis schafft und was Unternehmen in Produktion und Logistik heute schon tun können, um vorbereitet zu sein. ‍

Was ist Physical AI? Eine Definition

Physical AI bezeichnet KI-Systeme, die die reale Welt über Sensoren wahrnehmen, physikalische Zusammenhänge aus Daten lernen und auf dieser Grundlage autonom handeln. Dazu gehören Eigenschaften wie Reibung, Gewicht und Trägheit, aber auch Ursache und Wirkung einer Bewegung.

Statt nur Texte oder Bilder zu verarbeiten, lernt Physical AI aus Echtzeit-Sensordaten: wie sich ein Objekt beim Greifen verhält, wie viel Kraft ein Handgriff braucht, ohne Material zu beschädigen, oder wie sich Menschen im Raum bewegen. Daraus leitet sie Vorhersagen und Handlungen ab.

Der entscheidende Unterschied zu bisherigen KI-Generationen: Physical AI bleibt nicht im Digitalen. Sie arbeitet als „Gehirn“ in physischen Systemen, etwa in Industrierobotern, autonomen mobilen Robotern, humanoiden Robotern oder Fahrzeugen, und verändert ihre Umgebung unmittelbar.  

Eng verwandt ist der Begriff Embodied AI („verkörperte KI“). Er stammt aus der Forschung und betont, dass Intelligenz durch einen Körper und dessen Interaktion mit der Umwelt entsteht. Physical AI ist der breitere, stärker anwendungsorientierte Begriff, der sich vor allem in der Industrie durchgesetzt hat.
‍

Die Entwicklungsstufen der KI: Von der Wahrnehmung zur Handlung

Warum Physical AI gerade jetzt marktreif wird, zeigt ein Blick auf die Entwicklung der letzten gut zehn Jahre. Die Grundlage für alles war Accelerated Computing: spezialisierte Hardware wie GPUs, ohne deren Rechenleistung moderne KI-Modelle weder trainiert noch betrieben werden könnten. Darauf bauen vier Stufen auf, wie sie unter anderem NVIDIA beschreibt:

1. Perception AI: KI lernt, Bilder, Sprache und Muster zu erkennen. Typische Beispiele sind Bilderkennung und Spracherkennung.

2. Generative AI: KI versteht Zusammenhänge und erzeugt daraus neue digitale Inhalte wie Texte, Bilder oder Code. Diese Stufe prägt das öffentliche Bild von KI bis heute.

3. Agentic AI: KI-Agenten planen eigenständig mehrstufige Aufgaben und nutzen dabei digitale Werkzeuge, etwa um Recherchen durchzuführen oder Abläufe in Software zu steuern.

4. Physical AI: KI überträgt Wahrnehmung, Verständnis und Planung in die reale Welt und handelt dort über Roboter und Maschinen.
   

Auf der CES 2026 erklärte NVIDIA-CEO Jensen Huang, der Wendepunkt für Physical AI sei erreicht: Maschinen begännen, die reale Welt zu verstehen und in ihr zu handeln. Forbes ordnete das im Nachgang als bewussten Phasenwechsel ein, in dem sich Physical AI von der Forschung in die industrielle Anwendung bewegt.

Warum die eigentliche KI-Revolution erst jetzt beginnt

Generative AI verändert die digitale Wissensarbeit. Doch ein großer Teil der Wertschöpfung entsteht nicht am Bildschirm, sondern auf dem Shopfloor: in der Produktion, im Lager, in der Intralogistik und im Gesundheitswesen. Hier konnte KI bisher kaum helfen, weil ihr das Verständnis für physische Abläufe fehlte. Drei Entwicklungen ändern das gerade gleichzeitig:

• Foundation Models für Robotik: KI-Modelle lernen allgemeine Fähigkeiten wie Greifen oder Navigieren, statt für jede Aufgabe einzeln programmiert zu werden.

• Simulation und synthetische Daten: Roboter können in virtuellen Umgebungen millionenfach üben, bevor sie in der realen Halle arbeiten.

• Günstigere Hardware: Sensoren, Antriebe und Rechenleistung am Gerät sind deutlich preiswerter und leistungsfähiger geworden.
  

Erst wenn KI wahrnehmen, entscheiden und physisch eingreifen kann, entfaltet sie ihre Wirkung dort, wo Unternehmen den Großteil ihrer Prozesse organisieren. Mehr zu den technischen Bausteinen lesen Sie in unserem Beitrag Der Physical AI-Stack.

Warum Physical AI zuerst Prozessdaten braucht

Physical AI ist nur so gut wie ihr Verständnis der Arbeit, die sie übernehmen soll. Ein Roboter, der Waren kommissioniert oder Material an die Linie bringt, muss wissen, wie diese Tätigkeiten heute tatsächlich ablaufen: welche Wege gegangen werden, wie oft gegriffen, gehoben oder gewartet wird und wo Menschen körperlich besonders belastet sind. Genau diese Daten fehlen in den meisten Unternehmen. ERP- und Lagerverwaltungssysteme zeigen, was erledigt wurde, aber nicht, wie die manuelle Arbeit im Detail aussieht. Prozessaufnahmen per Stoppuhr oder Beobachtung liefern nur Stichproben und sind kaum vergleichbar.

Daraus ergeben sich drei konkrete Fragen, die vor jedem Physical-AI-Projekt beantwortet sein sollten:

• Wo lohnt sich Automatisierung? Erst objektive Daten zu Zeitanteilen, Wegen und Wiederholungen zeigen, welche Tätigkeiten das größte Potenzial haben.

• Wo entlastet sie Menschen am meisten? Ergonomiedaten machen sichtbar, wo schweres Heben, ungünstige Körperhaltungen oder hohe Wiederholraten auftreten.

• Hat sie sich gelohnt? Ohne Ausgangsmessung lässt sich der Effekt eines Roboters nach der Einführung nicht belegen.
  

Genau hier liegt unser Schwerpunkt: Mit datengetriebener Prozess- und Bewegungsanalyse machen wir sichtbar, wie Menschen und Prozesse sich in der physischen Welt tatsächlich bewegen.

Physical AI in Zahlen: ein Markt im Aufbau

Alle großen Marktforschungsinstitute erwarten für humanoide Roboter und Embodied AI ein starkes Wachstum, sind sich über dessen Tempo aber uneinig. Die folgenden Prognosen beziehen sich auf diese Teilmärkte, nicht auf Physical AI insgesamt:

Die Spannweite ist selbst eine Aussage: Zwischen der vorsichtigsten und der optimistischsten Prognose liegt ein Faktor von rund vier. Das zeigt, wie früh wir in dieser Entwicklung stehen. Sicher ist die Richtung, offen sind Tempo und Reihenfolge, in der einzelne Branchen profitieren.

Was Unternehmen jetzt konkret tun können

Wer heute die Grundlagen legt, kann Physical AI später gezielt einsetzen, statt Pilotprojekten hinterherzulaufen. Erste reale Anwendungen entstehen vor allem in der Fertigung und der Intralogistik, etwa bei der Kommissionierung, beim Transport von Behältern oder bei der Materialbereitstellung an der Linie. Für Entscheider ergeben sich daraus vier Schritte:

1. Prozesse messbar machen: Erfassen Sie, wie manuelle Tätigkeiten heute ablaufen, mit objektiven Daten statt Schätzungen.

2. Kandidaten identifizieren: Suchen Sie nach Tätigkeiten mit hoher Wiederholrate, langen Wegen oder hoher körperlicher Belastung. Dort ist der Nutzen von Automatisierung am größten.

3. Piloten klar abgrenzen: Starten Sie mit einem überschaubaren Bereich und definieren Sie vorab, woran Sie Erfolg messen.

4. Ergebnisse belegen: Vergleichen Sie nach der Einführung mit der Ausgangsmessung. Nur so wird aus einem Pilotprojekt eine belastbare Investitionsentscheidung.

5. So lässt sich realistisch einschätzen, wo Physical AI die eigene Wertschöpfung entlastet und wo (noch) nicht.
   
   

Fazit

Physical AI verschiebt den Fokus der KI vom Erzeugen digitaler Inhalte hin zum Wahrnehmen, Entscheiden und Handeln in der realen Welt. Wie schnell sich das in einzelnen Branchen auswirkt, ist noch offen, wie die stark abweichenden Marktprognosen zeigen. Klar ist aber: Den größten Vorsprung haben Unternehmen, die ihre physischen Prozesse schon heute genau kennen.

Sie möchten wissen, wo Physical AI in Ihren Prozessen ansetzen kann? ‍

Jetzt Robot Use Case besprechen!