Physical AI ist in aller Munde - auf der Hannover Messe, in Investorenpräsentationen, in Pressemitteilungen von Chipherstellern. Doch hinter dem Begriff verbirgt sich oft wenig Konkretes. Was genau macht eine Maschine intelligent? Und welche Technologien müssen zusammenwirken, damit aus einem datengetriebenen System ein wirklich handlungsfähiger Akteur wird?
Die Antwort ist weniger spektakulär als die Marketingsprache vermuten lässt - aber wirtschaftlich umso relevanter.
Vom Datenanalyse-Tool zum physischen Akteur
Lange Zeit war Künstliche Intelligenz vor allem auf die Analyse vorhandener Daten beschränkt. Das ändert sich gerade grundlegend. [1] Physical AI erweitert diesen Ansatz um die direkte Interaktion mit der realen Welt: Kameras, Lidar und weitere Sensoren erfassen die Umgebung, KI-Systeme interpretieren die gewonnenen Informationen und leiten daraus konkrete Aktionen ab.
Im Unterschied zur klassischen Automatisierung müssen nicht mehr alle Regeln und möglichen Szenarien im Voraus programmiert werden. [1] Physical AI bildet einen geschlossenen Regelkreis aus Wahrnehmung, Interpretation, Entscheidung und Aktion - und soll auch dort handlungsfähig bleiben, wo die Situation nicht vollständig vorhersehbar ist.
Das ist der entscheidende Unterschied zu allem, was die Industrie bisher kannte.
Physical AI in Zahlen: Der globale Markt für Physical AI wird auf rund 7 Milliarden US-Dollar im Jahr 2026 geschätzt und soll bis 2035 auf über 82 Milliarden US-Dollar wachsen – bei einer jährlichen Wachstumsrate von rund 31 Prozent. Allein in der Robotik wurden weltweit im bisherigen Verlauf des Jahres 2026 bereits 18,8 Milliarden US-Dollar investiert – mehr als im gesamten Jahr 2025.
Die fünf Bausteine im Einzelnen
Erst wenn Sensorik, KI, Rechenleistung, Vernetzung und Robotik ineinandergreifen, entsteht aus einem datengetriebenen System ein handlungsfähiger Akteur - so die Einschätzung von Oliver Köth, Managing Director Technology & Innovation DACH bei NTT DATA. [1] Das klingt nach einer Binsenweisheit. Ist es aber nicht, denn in der Praxis scheitern viele Automatisierungsprojekte genau daran: Die Einzelkomponenten funktionieren, das Zusammenspiel nicht.
1. Sensorik und Sensorfusion: die Grundlage der Wahrnehmung
Physical AI beginnt mit der Fähigkeit, die reale Welt präzise zu erfassen. Moderne Sensorsysteme messen Temperatur, Druck, Vibrationen, Positionen oder optische Eigenschaften und wandeln physikalische Zustände in digitale Signale um. Entscheidend ist dabei nicht der einzelne Sensor, sondern das Zusammenspiel vieler Datenquellen.
Erst durch Sensorfusion entsteht ein konsistentes Gesamtbild, das Rückschlüsse auf komplexe Zusammenhänge erlaubt. In der industriellen Praxis bedeutet das: Zustände von Maschinen lassen sich nicht mehr isoliert bewerten, sondern müssen im Kontext mehrerer Parameter interpretiert werden. Ein Temperaturanstieg allein sagt wenig. Kombiniert mit Vibrationsdaten, Stromaufnahme und Produktionstakt ergibt sich ein Bild, das vorausschauende Wartung erst wirklich zuverlässig macht.
2. Edge Intelligence und energieeffiziente Chips: Entscheiden in Echtzeit
Physical AI muss Daten oft direkt dort verarbeiten, wo sie entstehen. [1] Edge Intelligence verlagert deshalb Rechenleistung in Sensoren, Maschinen und eingebettete Systeme. Machine-Learning-Modelle können direkt vor Ort ausgeführt werden - das verkürzt die Reaktionszeit und reduziert die Datenmengen, die über Netzwerke übertragen werden müssen.
Das ist keine akademische Überlegung, sondern eine harte technische Anforderung: Ein Roboterarm, der nach einem bewegten Objekt auf einem Förderband greift, muss seine Inferenz in Millisekunden abschließen - nicht in den Sekunden, die ein Cloud-API-Aufruf benötigt. Wer das unterschätzt, baut Systeme, die in der Praxis nicht funktionieren.
Dafür braucht es Prozessoren, die viel Rechenleistung auf wenig Raum und mit möglichst geringem Energieverbrauch bereitstellen. Eine intelligente Maschine muss nicht nur etwas erkennen können - sie muss es schnell genug erkennen, um noch reagieren zu können. [1]
3. KI-Modelle: vom Mustererkenner zum Entscheider
Die eigentliche Wertschöpfung von Physical AI entsteht durch die Fähigkeit, Daten nicht nur zu sammeln, sondern in verwertbares Wissen zu überführen. Hierfür kommen Verfahren des maschinellen Lernens, der Mustererkennung und zunehmend auch generative KI-Modelle ins Spiel.
Besonders relevant sind sogenannte Foundation Models und Vision-Language-Action-Modelle (VLA). Anstatt jede Anwendung mit großen Mengen spezifischer Daten von Grund auf neu zu trainieren, können Unternehmen auf bereits vortrainierte Modelle aufbauen und diese gezielt für komplexe Einsatzszenarien anpassen. [1] Das verkürzt Entwicklungszeiten erheblich - ein Faktor, der für den deutschen Maschinenbau mit seinen oft kleinen Losgrößen und hoher Variantenvielfalt besonders ins Gewicht fällt.
NVIDIAs Isaac GR00T N1.7, 2026 veröffentlicht, gilt als eines der führenden offenen VLA-Modelle, das Kamerafeeds und Sensordaten als Eingabe nimmt und direkt Motorsteuerbefehle ausgibt.
4. Konnektivität: 5G, 6G und industrielle Standards
Intelligenz entsteht nicht in der Einzelmaschine, sondern im vernetzten System. In der Industrie kommt es dabei nicht allein auf Geschwindigkeit an - ebenso wichtig ist, dass die beteiligten Systeme die ausgetauschten Informationen auch verstehen. Proprietäre Protokolle sind hier ein strukturelles Problem.
Industrielle Kommunikationsstandards wie OPC UA, TSN (Time-Sensitive Networking) und zunehmend auch 5G-Campusnetze schaffen die Grundlage für eine zuverlässige, latenzarme Datenübertragung zwischen Maschinen, Steuerungen und übergeordneten Systemen. Cloud-Roundtrips addieren 800 bis 2.400 Millisekunden Verzögerung; echtzeitfähige Robotersteuerung erfordert Reaktionszeiten unter 10 Millisekunden. Wer Physical AI ernsthaft einsetzen will, kommt an einer durchdachten Konnektivitätsstrategie nicht vorbei.
5. Fortschrittliche Robotik und adaptive Aktorik: Entscheidungen in Bewegung umsetzen
Sensorik und KI übernehmen die Wahrnehmung und Entscheidungsfindung. Die physische Umsetzung erfolgt durch Robotik und Aktorik. Moderne Roboter sind nicht mehr ausschließlich auf starre Abläufe ausgelegt. Präzisere Steuerungssysteme, leistungsfähigere Aktoren und die enge Integration von KI ermöglichen es ihnen, ihre Bewegungen an wechselnde Bedingungen anzupassen.
Kollaborative Roboter, autonome Transportsysteme und adaptive Greifsysteme können ihre Bewegungen dynamisch anpassen und auch in unstrukturierten Umgebungen zuverlässig agieren. [1] Damit schließt sich der Regelkreis: Systeme erfassen ihre Umwelt, interpretieren die Daten und setzen Entscheidungen unmittelbar in physische Aktionen um.
Photo: Simon Kadula / UnsplashWas das für den deutschen Maschinenbau bedeutet
Der eigentliche Fortschritt von Physical AI liegt weniger darin, dass Maschinen plötzlich "denken". Entscheidend ist, dass Wahrnehmung, Entscheidung und Handlung enger miteinander verbunden werden. [1] Das klingt nach einer Nuancierung - ist aber ein fundamentaler Paradigmenwechsel.
Klassische speicherprogrammierbare Steuerungen (SPS) basieren auf klaren, deterministischen Logiken. Physical-AI-Anwendungen hingegen interpretieren unstrukturierte Sensordaten und leiten daraus kontextabhängige Entscheidungen ab. Das schafft neue Möglichkeiten - aber auch neue Anforderungen an Sicherheit, Robustheit und Systemdesign.
Für Produktionsplaner und Einkäufer ergibt sich daraus eine konkrete Handlungslogik:
- Kein Einzelbaustein reicht. Wer nur in neue Sensoren investiert, ohne die KI-Schicht und die Konnektivität mitzudenken, kauft teure Datenquellen ohne Mehrwert.
- Retrofit ist möglich. Viele Edge-AI-Lösungen lassen sich auf bestehende Maschinen aufsetzen - über Sensoren, Industrie-PCs oder nachrüstbare Systeme. Das Erfurter Siemens-Energy-Beispiel hat gezeigt, dass selbst 50 Jahre alte Maschinen digitalisierbar sind.
- Standards entscheiden über Skalierbarkeit. Wer heute auf proprietäre Protokolle setzt, verbaut sich morgen die Interoperabilität.
- Sicherheit ist kein Nachgedanke. Fehler oder Manipulationen in Physical-AI-Systemen wirken nicht nur digital, sondern können Schäden in der realen Welt verursachen. IT-Sicherheit und Anlagenschutz müssen von Anfang an zusammengedacht werden.
| Baustein | Funktion | Praxisbeispiel |
|---|---|---|
| Sensorik & Sensorfusion | Umgebungserfassung und Datenaggregation | Temperatur, Vibration, Optik kombiniert für Predictive Maintenance |
| Edge Intelligence & Chips | Lokale Echtzeit-Inferenz ohne Cloud-Latenz | ML-Modelle direkt auf CNC-Maschinen oder Robotern |
| KI-Modelle (Foundation/VLA) | Mustererkennung, Entscheidungsfindung, Aktionsplanung | Vortrainierte Modelle für Qualitätskontrolle und Greifplanung |
| Konnektivität (5G/OPC UA/TSN) | Latenzarme, interoperable Maschinenkommunikation | 5G-Campusnetz für autonome Transportsysteme |
| Robotik & adaptive Aktorik | Physische Umsetzung von KI-Entscheidungen | Kollaborative Roboter in unstrukturierten Montageszenarien |
Marktdynamik: Investitionsdruck steigt
Die Zahlen sprechen eine klare Sprache. Weltweit wurden im bisherigen Verlauf des Jahres 2026 bereits 18,8 Milliarden US-Dollar in Robotik-Startups investiert - mehr als im gesamten Jahr 2025 und deutlich über dem bisherigen Rekordjahr 2021. Der globale Physical-AI-Markt wächst je nach Abgrenzung mit jährlichen Raten zwischen 31 und 36 Prozent.
Für Europa - und speziell für den deutschen Maschinenbau - ist das ein zweischneidiges Signal. Einerseits entsteht hier ein riesiger Absatzmarkt für Automatisierungslösungen. Andererseits kommen die Plattformen, auf denen Physical AI läuft - die Chips, die Foundation Models, die Simulationsumgebungen - überwiegend aus den USA und aus Asien. Auf der CES 2026 kamen 25 der 38 Robotik-Aussteller mit Humanoid-Demonstrationen aus China.
Der Wettbewerbsvorteil des deutschen Maschinenbaus liegt traditionell in der Präzision der Mechanik und der Tiefe des Prozesswissens. Beides ist auch in einer Physical-AI-Welt wertvoll - aber nur, wenn es mit den neuen Softwareschichten verbunden wird. Wer das Zusammenspiel der fünf Bausteine versteht, hat die bessere Ausgangsposition.
Was unterscheidet Physical AI von klassischer Automatisierung?
Klassische Automatisierung basiert auf vorprogrammierten, deterministischen Regeln. Physical AI hingegen interpretiert unstrukturierte Sensordaten und leitet daraus kontextabhängige Entscheidungen ab – auch in Situationen, die nicht explizit vorprogrammiert wurden.
Ist Physical AI nur für Neuanlagen relevant?
Nein. Viele Edge-AI-Lösungen lassen sich auf bestehende Maschinen nachrüsten – über Sensoren, Industrie-PCs oder spezialisierte Retrofit-Systeme. Die Investition in neue Hardware ist oft nicht zwingend erforderlich.
Welche Rolle spielen 5G-Campusnetze?
5G-Campusnetze ermöglichen latenzarme, zuverlässige Kommunikation zwischen Maschinen, Robotern und Steuerungssystemen direkt auf dem Shopfloor – ohne Abhängigkeit von öffentlichen Netzen und mit kontrollierbarer Datensouveränität.
Wie sicher sind Physical-AI-Systeme?
Physical AI schafft neue Sicherheitsrisiken: Fehler oder Manipulationen auf Wahrnehmungsebene können direkte physische Schäden verursachen. IT-Sicherheit und Anlagenschutz müssen daher von Anfang an gemeinsam konzipiert werden – nicht als nachträgliche Ergänzung.
