Robotik und Physical AI: 6 Investitionsprognosen für 2026

• Die Robotikbranche befindet sich derzeit auf dem Niveau von GPT-2.5: Foundation-Modelle zeigen reale Fähigkeiten, aber zwischen Erfolgen im Labor und dem Einsatz vor Ort besteht weiterhin eine große Lücke
• Selbst die von Goldman Sachs binnen eines Jahres um das Sechsfache angehobene Prognose eines 38-Milliarden-Dollar-Markts im Jahr 2035 hält Bessemer für konservativ; allein die Kosten für Robotikdaten dürften in den kommenden zwei Jahren branchenweit mehr als 3 Milliarden US-Dollar betragen
• 48 % der Gründer US-amerikanischer Robotikunternehmen stammen von vier Institutionen: Stanford, MIT, Berkeley und CMU, was die Dynamik eines Winner-takes-most-Markts weiter beschleunigen dürfte
• Der Median der Series-A-Finanzierungen von Defense-Robotikunternehmen liegt mit 105 Millionen US-Dollar doppelt so hoch wie bei Nicht-Defense-Unternehmen; zudem wird erwartet, dass aus diesem Bereich der erste IPO mit mehr als 50 Milliarden US-Dollar hervorgeht, etwa angesichts von Andurils 60-Milliarden-Dollar-Bewertung
• In den vergangenen fünf Jahren haben nur 42 Robotikunternehmen mehr als 30 Millionen US-Dollar eingesammelt – nur ein Achtzehntel des Niveaus von Software –, was eher auf strukturelle Unterinvestition als auf eine Robotikblase hindeutet

---

Strukturelle Nachfrage und Marktausblick für Robotik

• Die Nachfrage nach dem Ersatz menschlicher Arbeitskraft bei repetitiver körperlicher Arbeit oder in gefährlichen Arbeitsumgebungen steigt aufgrund des demografischen Wandels in den USA, Europa, Japan und China weiter an
• Einige Analysten prognostizieren, dass der Robotikmarkt bis 2035 auf 38 Milliarden US-Dollar anwachsen wird; Goldman Sachs hat diese Prognose innerhalb eines Jahres um das Sechsfache nach oben korrigiert
• Bessemer hält selbst diese Prognose sowohl beim Tempo als auch beim Umfang für konservativ
• Bessemer-Partner Jeremy Levine sagte: „In den nächsten 10 bis 20 Jahren werden auf der Erde 100.000-mal mehr Roboter als heute existieren.“
• Bessemer sieht Investitionschancen an einem Punkt, an dem sich Talentbewegungen, technologische Durchbrüche und struktureller Rückenwind gleichzeitig beschleunigen; zum Portfolio gehören Waymo, Mind Robotics, Foxglove, Breaker, Noda, Voxel51, DroneDeploy, Auterion, Perceptron und ANYbotics

Prognose 1: Der ChatGPT-Moment der Robotik nähert sich, ist aber noch nicht da

• Die Robotikbranche befindet sich in einer Phase, die einem GPT-2.5-Moment entspricht: Foundation-Modelle zeigen praktische Fähigkeiten und Skalierungsgesetze werden sichtbar, doch die Lücke zwischen Forschungsdemos und produktivem Einsatz ist weiterhin groß
• Das π0-Modell von Physical Intelligence hat es geschafft, Wäsche mit menschlicher Geschicklichkeit zu falten
• Das im Februar 2026 veröffentlichte EgoScale-Paper belegt, dass sich die Policy-Leistung mit dem Umfang der Vortrainingsdaten vorhersagbar verbessert, und liefert den ersten starken Nachweis dafür, dass Robotik-Foundation-Modelle denselben datengesteuerten Verbesserungskurven wie LLMs folgen
• Es gibt zwei zentrale ungelöste Fragen
  • Wie viele Daten nötig sind, um die Lücke zwischen Laborleistung und der für den produktiven Einsatz erforderlichen Zuverlässigkeit von 99,9 % zu schließen
  • Wie der ChatGPT-Moment der Robotik aussehen wird, wenn er eintritt
• Anders als bei Chatbots lässt sich die Fähigkeit nicht einfach in einem Textfeld beweisen; der Beleg wird ein Roboter sein, der ohne menschliches Eingreifen in unbekannten Umgebungen komplexe Aufgaben ausführt
• Bereits kommerzialisiert sind Bereiche wie Lagerautomatisierung, Operationsassistenz, Last-Mile-Lieferung und industrielle Inspektion – also zweckgebundene Systeme für begrenzte Umgebungen, die schon heute Umsatz erzielen
• Perceptron-CEO Armen Aghajanyan: „Der Kern der Robotik in der realen Welt ist nicht ein besserer Kontrollalgorithmus, sondern ein Foundation-Modell, das die physische Welt versteht; die Robotersteuerung ist darüber nur eine dünne Schicht.“

Prognose 2: Skalierungsgesetze kommen – Daten sind teuer, Kapital ist der Burggraben, und World Models könnten die Abkürzung sein

• LLMs konnten auf Hunderte Billionen Text-Token aus dem Internet zugreifen, doch in der Robotik gibt es kein entsprechendes Korpus
• Das weltweite Datenvolumen für Roboter-Manipulation wird auf rund 300.000 Stunden geschätzt; verglichen mit etwa 1 Milliarde Stunden Internetvideo und 300 Billionen Token Text besteht hier eine strukturelle Lücke
• Bessemer schätzt, dass die branchenweiten Kosten für Robotikdaten in den nächsten zwei Jahren mehr als 3 Milliarden US-Dollar betragen werden
  • Einschließlich Teleoperation, egozentrischem Video, Simulation und der Erfassung physischer Demonstrationen
  • Roboterdaten lassen sich nicht scrapen oder einkaufen, sondern müssen für jede Aufgabe und jede Umgebung direkt erzeugt werden
• Zeromatter-CEO Ian Glow: „Mit Teleop allein lässt sich keine erfolgreiche Datenstrategie aufbauen; man muss über Reinforcement Learning Daten aus dem Internet oder aus Simulatoren holen, um die nötige Größenordnung und Vielfalt zu erreichen.“
• World Models: neuronale Netze, die physikalische Gesetze aus internetweitem Videomaterial lernen
  • V-JEPA 2 von Meta erreichte nach Training auf mehr als 1 Million Stunden Video und nur 62 zusätzlichen Stunden Roboterdaten an einem realen Roboterarm 80 % Zero-Shot-Erfolgsrate bei Pick-and-Place
  • Allerdings nutzte Cosmos von NVIDIA für das Training 10.000 H100-GPUs über drei Monate, was zeigt, dass auch World Models ein kapitalintensiver Ansatz sind
• Simulation und Reinforcement Learning: Für Fortbewegung (locomotion) funktioniert sim-to-real gut, bei Manipulation bleibt es wegen Problemen bei der Wiedergabetreue von weichen Objekten, Stoffen und Flüssigkeiten weiterhin ein ungelöstes Forschungsthema
• Voxel51-CEO Brian Moore: „Was in Physical AI die Führenden von den Blendern trennt, ist die Besessenheit von Datenqualität; schlechte Daten sind nicht ineffizient, sondern gefährlich.“

Prognose 3: Talentkonzentration entscheidet schnell über die Gewinner – das ist kein Markt, in dem 50 Unternehmen erfolgreich werden

• Von US-Robotikunternehmen, die in den vergangenen fünf Jahren gegründet wurden und mehr als 30 Millionen US-Dollar aufgenommen haben, verfügen 43 % der Gründer über einen PhD
• Davon stammen 48 % von vier Institutionen: Stanford, MIT, Berkeley und CMU
• 56 % haben mindestens einen Mitgründer mit PhD, 43 % wurden von Gründern direkt aus der Wissenschaft mitgegründet
• Der Talent-Burggraben erzeugt einen Zinseszinseffekt entlang der Kette Talent → Kapital → Datenpartnerschaften → Kundenbeziehungen → proprietäre Datensätze, wodurch sich Winner-takes-most-Strukturen schneller herausbilden als die meisten erwarten
• Im LLM-Bereich hat Open Source (Llama, Mistral) den Zugang zu Fähigkeiten demokratisiert; in der Robotik wachsen Open-Source-Projekte wie LeRobot, Genesis und Isaac Lab, aber es bleibt die physische Reibung bestehen, dass man „immer noch einen Roboter braucht“
• Teams mit der tiefsten Expertise in sim-to-real, Manipulation, Fortbewegung und Sensorfusion bauen Vorteile auf, die sich nicht einfach durch Open-Source-Releases kopieren lassen

Prognose 4: Full-Stack-Unternehmen schaffen kurzfristig Wert – reine Foundation-Model-Unternehmen müssen warten

• Bei LLMs konnte selbst ein Zwei-Personen-Team mit einem einzigen API-Endpunkt wie GPT-4 sofort Frontier-AI-Produkte bauen; in der Robotik braucht es dagegen domänenspezifische Datenerfassung, umgebungsspezifisches Fine-Tuning, Hardware-Integration und Betriebsinfrastruktur
• Die heutigen Burggräben liegen weniger in der Modellarchitektur als in proprietären Datenpipelines, Domänenexpertise, Deployment-Infrastruktur und Kundenbeziehungen, die Feedback-Loops erzeugen
• Sinkende Hardwarekosten beschleunigen diese Dynamik
  • DroneDeploy-CEO Mike Winn: „Bodenroboter für die Baubranche sind pro Einheit von 100.000 US-Dollar auf unter 15.000 US-Dollar gefallen, Docking-Drohnen von 200.000 US-Dollar auf unter 20.000 US-Dollar – damit wird gerade der Schwellenwert für skalierbaren Rollout überschritten.“
• Der Stack teilt sich in drei Ebenen
  • Infrastruktur-Layer: Foundation-Modelle, World Models
  • Applikations-Layer: Full-Stack-Unternehmen mit eigener Hardware (Humanoide, Industriesysteme) plus Full-Stack-Unternehmen, die AI auf kommerzielle Off-the-Shelf-Plattformen anwenden
• Wert konzentriert sich im Applikations-Layer, weil der Infrastruktur-Layer noch nicht allgemein genug ist, um End-to-End-Deployments eigenständig zu tragen
• Wenn sich Foundation-Modelle verbessern und sim-to-real reift, wird der API-Moment der Robotik kommen – aber das ist eine Geschichte für nach 2028; im aktuellen Zeitfenster entsteht nachhaltiger Wert durch vertikale Integration
• Foxglove-CEO Adrian Macneil: „Der entscheidende Vorteil in Physical AI ist nicht die Neuheit des Modells, sondern die Qualität der Dateninfrastruktur; je stärker sich Modelle angleichen, desto eher gewinnen Unternehmen mit dem stärksten Daten-Flywheel.“

Prognose 5: Defense-Robotik wird den ersten IPO der Kategorie mit mehr als 50 Milliarden US-Dollar anführen

• Der Median der Series-A-Finanzierungen von Defense-Robotikunternehmen liegt 2025 bei 105 Millionen US-Dollar und damit mehr als doppelt so hoch wie die 50 Millionen US-Dollar bei Nicht-Defense-Unternehmen; diese Lücke ist seit 2021 jedes Jahr größer geworden
• Anduril schloss im März 2026 zu einer Bewertung von 60 Milliarden US-Dollar ab, Saronic nahm im selben Monat eine Series D über 1,75 Milliarden US-Dollar für autonome Schiffstechnik auf
• Beschaffungszyklen im Verteidigungsbereich sind lang, aber planbar; Vertragsvolumina sind hoch, Verlängerungsraten stark und Wechselkosten erheblich
• Anders als in der kommerziellen Robotik operieren Käufer im Verteidigungsbereich nicht nach ROI, sondern nach einer anderen Logik: dem Risiko für die nationale Sicherheit
• Geopolitik verstärkt dies: Rund 90 % aller 2025 weltweit verkauften humanoiden Roboter stammen aus China
• Chinesische AI-Modelle liegen im Schnitt etwa 7 Monate hinter den US-Modellen, holen aber stetig auf; zugleich beginnt die US-Regierung, Robotik als Erfordernis der nationalen Sicherheit zu behandeln
• Unter dem Aspekt Dual Use bauen die defensivsten Unternehmen keine Waffensysteme mit nur einem Einsatzzweck, sondern autonome Plattformen, Wahrnehmungssysteme und Entscheidungsinfrastruktur, die auch kommerziell einsetzbar sind
• Breaker-Mitgründer Matthew Buffa: „Die spannendsten Unternehmen entscheiden sich nicht zwischen Defense und kommerziell, sondern bauen Systeme, die den Anforderungen im Verteidigungsbereich genügen und zugleich kommerziell innovativ sind.“

Prognose 6: Es gibt keine Robotikblase – vielmehr fließt noch nicht genug Kapital in diesen Bereich

• In den vergangenen fünf Jahren haben 745 Softwareunternehmen mehr als 30 Millionen US-Dollar aufgenommen, in der Robotik waren es 42 – also 18-mal weniger
  • Gleichzeitig ist der zugrunde liegende Robotikmarkt 30-mal größer als die weltweiten Softwareausgaben
• Selbst unter Berücksichtigung der Kapitalintensität von Hardwaregeschäften handelt es sich im Verhältnis zur Chance um eine strukturelle Unterinvestition
• Die meisten Analysten erwarten in den kommenden 10 Jahren ein 50-faches Branchenwachstum, doch Bessemer hält selbst das für eine Schätzung, die auf die Automatisierung bestehender Workflows beschränkt ist und die neuen Kategorien wirtschaftlicher Aktivität, die universelle Roboter schaffen könnten, nicht abbildet
• Nicht jedes finanzierte Unternehmen wird erfolgreich sein, einige Bewertungen sind überzogen, und Kapital wird sich auf eine kleine Zahl von Marktführern konzentrieren
• Doch Selektivität und Knappheit sind zwei verschiedene Dinge: Das gesamte Investitionsniveau in Robotik liegt gemessen an der Größe der Chance und der Geschwindigkeit des Fähigkeitsfortschritts weiterhin deutlich zu niedrig
• Jetzt ist das Zeitfenster, um in Schlüsselunternehmen zu investieren – vor dem ChatGPT-Moment und bevor die Talentkonsolidierung abgeschlossen ist; wer auf den Beweis des Wendepunkts wartet, verpasst die Chance
• Flexion-CEO Nikita Rudin: „Die meisten Roboter, die in fünf Jahren weltweit im Einsatz sein werden, stammen nicht von den heute bekannten Startups, sondern von Unternehmen, die noch nicht einmal mit dem Bau von Robotern begonnen haben, aber wissen, wie man in großem Maßstab baut.“

Ungelöste Aufgaben und offene Debatten

• Zuverlässigkeitslücke: Die Verbesserung von 80 % auf 99,9 % Aufgabenerfolg ist kein lineares Problem
  • Dafür sind grundsätzlich andere Ansätze nötig, etwa taktiles Sensoring, Force Feedback und sim-to-real für Manipulation
  • Argus-Systems-CEO Lisa Yan: „Aus meiner Erfahrung bei Waymo wird realer Rollout mit der Zeit schwieriger und zeigt spezialisierte Probleme der Datenkuratierung; die Lücke von 99 % auf 99,9 % zu schließen dauert länger, als die meisten erwarten.“
• Problem der Inferenzkosten: World Models und große Vision-Language-Action-Modelle sind in Echtzeit teuer im Betrieb
  • Textmodelle können Tausende gleichzeitige Nutzer auf gemeinsamer Infrastruktur im Batch bedienen, Robotikmodelle müssen jedoch für jeden Roboter alle paar Millisekunden den Umgebungszustand erzeugen und brauchen deshalb faktisch dedizierte GPU-Pipelines
  • Die Inferenzkosten von LLMs sind innerhalb von drei Jahren um rund den Faktor 1.000 gefallen; ob Robotik einer ähnlichen Kurve folgt, wird über die kommerzielle Umsetzbarkeit von Foundation-Model-Ansätzen entscheiden
• Interpretierbarkeit entwickelt sich zum Infrastruktur-Layer der nächsten Generation
  • Allein im 1. Quartal 2026 flossen rund 6 Milliarden US-Dollar in 6 bis 7 World-Model-Unternehmen
  • Vayu-Robotics-Mitgründer Mahesh Krishnamurthi: „Je reifer die Branche wird, desto mehr wird Interpretierbarkeit zu einem nicht verhandelbaren Faktor; derzeit sind diese Modelle Black Boxes, und ich erwarte eine Welle von Startups, die Werkzeuge bauen, um sie zu öffnen.“
• Open Source vs. Closed: Bei LLMs hat Open Source die Entwicklung des Ökosystems stark beschleunigt, doch ob dieselbe Dynamik in der Robotik gilt, wo physische Daten und Deployment-Infrastruktur genauso wichtig sind wie die Modellarchitektur, ist noch offen
  • Open Source wird Modellarchitekturen womöglich schneller als erwartet zur Commodity machen, aber die Daten- und Deployment-Layer könnten lange genug proprietär bleiben
  • Unternehmen, die verstehen, welche Teile des Stacks sie öffnen und welche sie schützen, werden sich einen strategischen Vorteil sichern

Das Nebeneinander zweier Wahrheiten

• Cobot-CEO Brad Porter: „Der ChatGPT-Moment der Robotik kommt schneller, als die meisten denken, und wenn er da ist, wird Produktionszeit (echte Roboter, echte Aufgaben, echte Umgebungen) der Engpass sein; Unternehmen, die nicht auf Demos, sondern auf Deployment optimieren, werden sich entscheidend absetzen.“
• Philipp Wu, Mitgründer eines Stealth-Robotikunternehmens: „Die Zeitleiste ist deutlich länger, als die meisten erwarten; allgemeine Robotik ist noch mehr als fünf Jahre entfernt.“
• Diese beiden Perspektiven widersprechen sich nicht, sondern beschreiben unterschiedliche Dimensionen: Porter spricht über den Weg zum Wendepunkt, Wu darüber, wie weit dieser Wendepunkt tatsächlich entfernt ist
• Die Implikation für Gründer: jetzt entschlossen deployen, aber mit dem allgemeinen Moment am Horizont bauen
• Der Wendepunkt rückt näher: Talente wechseln, Hardware wird zur Commodity, Dateninfrastruktur entsteht – und die Unternehmen, die Physical AI im nächsten Jahrzehnt definieren werden, werden genau jetzt gegründet und finanziert

[ragingwind]

Ich bin gespannt, welche Unternehmen auftauchen werden.