Künstliche Intelligenz verlässt den Bildschirm. Neue Modellgenerationen, Vision-Language-Action-Modelle und deutlich leistungsfähigere Robotik bringen KI in reale Produktionsprozesse. Allein im ersten Halbjahr 2026 sind knapp 50 Milliarden US-Dollar in Physical-AI-Start-ups geflossen, rund viermal so viel wie im Vergleichszeitraum des Vorjahres. Für Industrieunternehmen stellt sich damit weniger die Frage, ob diese Technologien kommen, sondern welche Grundlagen sie jetzt legen müssen, um den Nutzen später auch zu realisieren.

‍

Marc Krüger-Sprengel (Co-Founder & CEO bei context/fab, zuvor Bosch Rexroth), Michael Pfeiffer (VP Chief Expert AI bei Bosch Research) und Robert Richarz (Scout bei Andreessen Horowitz) diskutieren im Gespräch mit Dr. Matthias Foerth (AI & Engineering Lead bei Tacto), was Physical AI technisch von Sprachmodellen unterscheidet, welche Datenarchitektur KI-Agenten in der Fertigung brauchen und woran Agenten-Rollouts in der Praxis scheitern.

‍

KI verlässt den Bildschirm. Was Physical AI technisch von Sprachmodellen unterscheidet

‍

Michael Pfeiffer trennt zu Beginn die Begriffe: Physical AI meint vor allem Robotik und autonomes Fahren, Industrial AI ist breiter und schließt Engineering, Einkauf und Fertigung mit ein. Technisch liegt beiden häufig derselbe Backbone zugrunde, bei Robotern ergänzt um Vision-Language-Action-Modelle, die Sprache, Bild und weitere multimodale Signale in Aktionen übersetzen. Entscheidend ist, dass Reasoning und Weltwissen der Sprachmodelle dabei erhalten bleiben. Früher musste für jedes Problem ein spezialisiertes Modell aufgebaut und über lange Zeit mit eigenen Daten trainiert werden, heute existiert eine Basis, die sich feintunen lässt. Parallel sind Compute, Roboter und Sensorik deutlich besser geworden. Marc Krüger-Sprengel ordnet ein, dass KI in der Produktion bereits seit über zwanzig Jahren im Einsatz ist, bislang allerdings als problemspezifische und gut vorhersagbare Machine-Learning-Lösung. Die eigentliche Innovation findet inzwischen weniger bei den Modellen statt als bei Governance, Guard Rails und Context Serving.

‍

Die Architektur hinter der Intelligenz. Kontext ist der limitierende Faktor

‍

Marc Krüger-Sprengel blickt auf die Industrie-4.0-Historie zurück: Die Annahme, es reiche, ein Ethernet-Kabel an jede Maschine zu stecken, habe vor allem große Mengen Datenmüll in mehr als 200 verschiedenen Silos produziert. Context/fab baut deshalb einen Datenlayer, der nicht mehr auf menschenlesbare Tabellen optimiert ist, sondern auf Agenten. In diesem Context Graph werden physische Zusammenhänge, Businessprozesse, Materialfluss, Prozessvarianten und Intralogistikwege abgebildet und mit Actions verknüpft, sodass sich auch steuern lässt, welcher Agent unter welchen Guard Rails welche Aktion in welchem Scope ausführen darf. Dieselbe Struktur macht die Daten am Ende auch für Menschen zugänglicher, eine Erkenntnis, zu der Tacto laut Matthias Foerth von der anderen Seite gekommen ist. Michael Pfeiffer sieht zusätzliches Potenzial darin, Agenten selbstlernend zu machen, etwa indem sie sich während der Arbeit ein eigenes Wiki über bereits gelöste Probleme aufbauen, denn industrielles Wissen liegt selten offen im Web, sondern verborgen in internen Dokumenten. Robert Richarz bringt es auf den Punkt: Die Fähigkeit von KI ist heute weniger durch die Intelligenz der Modelle begrenzt als durch den verfügbaren Kontext. Viel Wissen ist implizit, es wird in der Kaffeeküche ausgetauscht oder entsteht beim Gang durch die Produktionslinie. Dieses Wissen zu strukturieren, ist derzeit der größte limitierende Faktor.

‍

KI-Agenten bei der Arbeit. Woran Rollouts in der Fertigung scheitern

‍

Nach Erfahrung von Marc Krüger-Sprengel scheitern Agenten-Rollouts selten an der Technik, sondern am Timing der Stakeholder. Häufig komme aus Werksleitung oder Operational Excellence der Vorschlag, die Ergebnisse erst für sich sprechen zu lassen und die IT später dazuzuholen. Davon rät er ausdrücklich ab, weil genau diese IT später die Security-Konzepte verantwortet und bei On-Premise-Deployments Teile des Betriebs übernimmt. Michael Pfeiffer ergänzt die Akzeptanzfrage: Mit dem Maximalszenario Dark Factory zu beginnen, hält er für keine kluge Strategie, ebenso wenig, Beschäftigte mit Sensoren auszustatten, damit sie die Daten für ihre eigene Ablösung sammeln. Ein Humanoid ist ohnehin selten die erste Lösung, oft genügen mobile Manipulatoren auf Rädern, ein Cobot oder ein einzelner Arm. Der erste Schritt bleibt für ihn eine Datenstrategie: Daten aus den Werken zugänglich machen, explizites Wissen aus Designhandbüchern und Vorschriften nutzbar machen und danach das implizite Wissen heben. Beide warnen vor Insellösungen. Intelligente Roboterinseln, die sich selbst optimieren, während der Rest der Fabrik nicht mitzieht, bringen wenig. Marc Krüger-Sprengel formuliert es mit Verweis auf die Theory of Constraints so: Wer fünf Prozent eines Prozesses doppelt so effizient macht, ohne den Rest anzupassen, steht am selben Punkt wie vorher.

‍

Der Blick auf die nächsten drei Jahre. Was Industrieunternehmen jetzt tun sollten

‍

Robert Richarz sieht KI in Dokumentation, Reporting und Finanzprozessen inzwischen als Grundwerkzeug. Als Nächstes werden weitere Teile der Wissensarbeit folgen, etwa das Verstehen technischer Zeichnungen und Zusammenhänge im Engineering, bevor sich der Nutzen Stück für Stück in die physische Produktion übersetzt. Mit flächendeckend eingesetzten humanoiden Robotern rechnet er in den nächsten drei Jahren nicht. Seine Empfehlung an Industrieunternehmen lautet deshalb, die kommenden 24 Monate für die Grundlagen zu nutzen und zu klären, welcher Kontext im eigenen Haus der relevante ist und wie er zugänglich gemacht wird. Michael Pfeiffer sieht Bosch dabei doppelt im Spiel, über die eigene Effizienz in der Fertigung und über Robotik als Geschäftsfeld, und verweist auf die Ausgangslage in Deutschland: eigene Werke, konkrete Use Cases und Domänenwissen bis in den Mittelstand hinein, das sich mit moderner KI kombinieren lässt. Marc Krüger-Sprengel beobachtet, dass Industrieunternehmen bei diesen Themen kaum noch Berührungsängste gegenüber jungen Anbietern haben, weil die Entwicklungsgeschwindigkeit ihnen oft keine andere Option lässt.

‍

Fazit

‍

Die Diskussion von context/fab, Bosch Research und Andreessen Horowitz verdeutlicht, dass der Engpass für KI in der Industrie nicht mehr das Modell ist, sondern der Kontext. Wer Daten sowie explizites und implizites Wissen jetzt so aufbereitet, dass Agenten damit arbeiten können, schafft die Voraussetzung dafür, den Nutzen später auch in der physischen Produktion zu realisieren. Es kommt darauf an, Prozesse Ende zu Ende zu denken, statt einzelne intelligente Inseln zu bauen.

‍

Marc Krüger-Sprengel (Co-Founder & CEO bei context/fab), Michael Pfeiffer (VP Chief Expert AI bei Bosch Research) und Robert Richarz (Scout bei Andreessen Horowitz) diskutieren mit Matthias Foerth (AI & Engineering Lead bei Tacto), wie Künstliche Intelligenz die industrielle Wertschöpfung verändert: die Abgrenzung von Physical AI und Industrial AI, die Datenarchitektur hinter KI-Agenten, typische Stolpersteine bei Agenten-Rollouts in der Fertigung und die Frage, welche Grundlagen Industrieunternehmen in den nächsten 24 Monaten legen sollten. Zur Einordnung: Allein im ersten Halbjahr 2026 flossen knapp 50 Milliarden US-Dollar in Physical-AI-Start-ups.

‍