Robotik- und Physical-AI-Unternehmen haben 2026 bislang fast 48 Milliarden US-Dollar eingesammelt, umgerechnet rund 42,8 Milliarden Euro. Das geht aus PitchBook-Daten hervor, die die Financial Times zitiert.
Das Kapital fließt nicht nur in neue Roboter und größere Modelle. Ein wachsender Teil der Branche investiert in etwas, das für Physical AI zunehmend zum Engpass wird: reale Trainingsdaten.
Anders als Sprachmodelle können Robotermodelle nicht einfach auf einen riesigen Bestand öffentlich verfügbarer Daten aus dem Internet zugreifen. Greifkräfte, Berührungen, Bewegungsabläufe und räumliche Entscheidungen müssen erst in der physischen Welt aufgezeichnet werden.
Physical AI hat kein eigenes „Internet“
Genau darin unterscheidet sich Robotik fundamental von generativer KI. Text-, Bild- und Videomodelle konnten auf bereits vorhandene Datensätze zurückgreifen. Für Roboter fehlen vergleichbare Daten zu physischen Interaktionen.
Unternehmen versuchen deshalb, diese Lücke selbst zu schließen. Trainingszentren, Teleoperation, menschliche Videoaufnahmen und reale Robotereinsätze werden zunehmend zu eigenen Datenquellen.
Das deutsche Unternehmen NEURA Robotics baut dafür ein Netzwerk sogenannter NEURA Gyms auf. Dort werden reale Arbeitsabläufe mit Robotern, Teleoperation und Sensordaten erfasst. NEURA argumentiert, dass Berührung, Kraft und räumliche Erfahrung nicht einfach aus bestehenden Internetdaten gewonnen werden können.
Auch bei Tesla zeigt sich derselbe Trend. Für Optimus werden in Grünheide gezielt Trainingsdaten aus menschlichen Arbeitsabläufen gesammelt.
Figure sammelt Millionen menschlicher Videos
Figure verfolgt einen anderen Ansatz. Das Unternehmen hat mit Index eine globale Plattform aufgebaut, über die Menschen Videos alltäglicher Tätigkeiten hochladen.
Bei der Vorstellung Ende August meldete Figure mehr als 16 Millionen hochgeladene Videos, über 44.000 wöchentlich aktive Nutzer und bereits 15 Millionen US-Dollar an Auszahlungen an Teilnehmer. Wenige Wochen später erklärte das Unternehmen, dass Index rund 35 Minuten neue menschliche Erfahrung pro Sekunde erfasst.
Diese Daten werden genutzt, um Helix auf neue Umgebungen und Aufgaben vorzubereiten. Figure demonstrierte zuletzt, dass sein Modell nach dem Training auf menschlichen Daten in 30 zuvor unbekannten Wohnungen Aufgaben wie Bettenmachen und Aufräumen ausführen konnte.
Die Strategie zeigt, warum Daten zunehmend als eigener Wettbewerbsvorteil betrachtet werden. Wer eine größere und vielfältigere Sammlung realer Verhaltensdaten besitzt, kann Modelle möglicherweise schneller auf neue Aufgaben übertragen.
Neue Firmen entstehen allein für Roboterdaten
Parallel entsteht eine eigene Industrie rund um Datenerfassung und Datenaufbereitung.
Das Startup Mecka sammelte Anfang Oktober 60 Millionen US-Dollar, rund 53,5 Millionen Euro, in einer Series-B-Runde unter Führung von Sequoia Capital ein. Zu den Investoren gehören Nvidia, Microsofts M12, Qualcomm Ventures und Samsung.
Mecka positioniert sich ausdrücklich als Daten- und Deployment-Infrastruktur für Physical AI. Das Unternehmen sammelt menschliche Aktivitäten in realen Umgebungen und bereitet die Daten für Robotermodelle auf.
Auch Skild AI versucht, die Abhängigkeit von klassischer Teleoperation zu reduzieren. Das Unternehmen trainiert seine Modelle unter anderem mit menschlichen Videos, weil reine Roboterdemonstrationen aus seiner Sicht nicht schnell genug auf die benötigte Größenordnung skalieren.
48 Milliarden Dollar sind keine 48 Milliarden für Daten
Die Zahl von fast 48 Milliarden Dollar sollte trotzdem nicht falsch interpretiert werden. Sie umfasst die Finanzierung von Robotik- und Physical-AI-Unternehmen insgesamt. PitchBook veröffentlicht in diesem Zusammenhang keine Aufschlüsselung, welcher Anteil direkt für Datenerfassung verwendet wird.
Die Financial Times berichtet jedoch, dass ein erheblicher Teil des Kapitals inzwischen in Geräte, Infrastruktur und Prozesse zur Erzeugung von Trainingsdaten fließt.
Damit verschiebt sich der Wettbewerb in Physical AI. Gute Hardware und leistungsfähige Modelle bleiben wichtig, aber zunehmend entscheidet auch der Zugang zu realen Daten darüber, wie schnell ein System neue Aufgaben lernen und in unbekannten Umgebungen funktionieren kann.
Das gilt besonders für World Models und generalistische Robotermodelle, die aus großen Mengen unterschiedlicher Erfahrungen lernen sollen.
Für die Branche entsteht damit eine ähnliche Dynamik wie zuvor bei großen Sprachmodellen, allerdings mit einem entscheidenden Unterschied: Roboterdaten lassen sich nicht einfach herunterladen. Sie müssen erzeugt werden. Genau das macht sie teuer und möglicherweise zu einem der wichtigsten strategischen Assets der kommenden Physical-AI-Welle.