Am 1. Oktober 2026 habe ich den vbw Kongress „Industrieroboter, Cobots, Humanoide – Robotik in der Produktion“ im Haus der Bayerischen Wirtschaft in München besucht.
Mit Bertram Brossardt (vbw), Bayerns Wissenschaftsminister Markus Blume, Prof. Dr.-Ing. Rüdiger Daub (TUM), Dr.-Ing. Georg von Wichert (Siemens), Jörg Rommelfanger (Yaskawa) und Florian Obermeier (FMC3 Robotics) kamen Perspektiven aus Wirtschaft, Politik, Wissenschaft, etablierter Industrie und Start-up-Welt zusammen.
Eine Erkenntnis zog sich für mich durch viele Beiträge:
Die vielleicht wichtigste Entwicklung in der Robotik ist derzeit nicht der Humanoid. Es ist die zunehmende Fähigkeit von Maschinen, ihre Umgebung wahrzunehmen, sich anzupassen und neue Aufgaben zu erlernen.
Und daraus ergibt sich eine zweite Frage, über die aus meiner Sicht noch zu wenig gesprochen wird: Wie kommt diese Technologie eigentlich in die individuelle Produktionsrealität eines Unternehmens?
Der Humanoid bekommt die Aufmerksamkeit – die Intelligenz könnte entscheidender sein
Humanoide Roboter erzeugen verständlicherweise Aufmerksamkeit. Die Vorstellung einer Maschine, die sich ähnlich wie ein Mensch durch bestehende Produktionsumgebungen bewegt und unterschiedliche Tätigkeiten übernimmt, ist greifbar.
Für die industrielle Praxis ist die menschliche Form aber nicht zwangsläufig das Entscheidende.
Aus dem Beitrag von Jörg Rommelfanger von Yaskawa habe ich vor allem einen Gedanken mitgenommen: Für die industrielle Anwendung ist weniger die Kategorie des Roboters entscheidend als die Frage, welche Fähigkeiten ein System für den jeweiligen Use Case benötigt.
Meine Schlussfolgerung daraus: Der „Body“ folgt der Anwendung. Entscheidend wird zunehmend die Intelligenz dahinter.
Ein klassischer Industrieroboter ist hervorragend darin, präzise und zuverlässig einen definierten Prozess immer wieder auszuführen. Menschen waren Maschinen bislang insbesondere dort überlegen, wo Anpassungsfähigkeit, Wahrnehmung und der Umgang mit unerwarteten Situationen gefragt waren.
Physical AI beginnt diese Grenze zu verschieben.
Die interessante Frage lautet deshalb nicht nur: Was kann ein Roboter automatisieren? Sondern zunehmend: Was kann ein Roboter lernen?
Automatisierung automatisieren
Auch der Vortrag von Prof. Dr.-Ing. Rüdiger Daub von der TUM hat diesen Gedanken aus einer anderen Richtung aufgegriffen.
Wir müssen nicht auf eine Zukunft warten, in der perfekte Humanoide durch Fabrikhallen laufen. KI kann bereits vorhandene Robotik intelligenter und flexibler machen.
Besonders interessant fand ich dabei den Gedanken, gewissermaßen die Automatisierung selbst zu automatisieren – so habe ich einen zentralen Impuls des Vortrags für mich zusammengefasst.
Denn eine der großen Hürden klassischer Automatisierung liegt nicht zwingend darin, dass eine Tätigkeit technisch unmöglich zu automatisieren wäre. Das Problem ist häufig der Aufwand davor: Ein Prozess muss analysiert, programmiert, eingerichtet und getestet werden.
Bei hohen Stückzahlen und über Jahre identischen Abläufen kann sich dieser Aufwand schnell rechnen. Bei kleineren Losgrößen, wechselnden Produkten und variablen Aufgaben sieht die Rechnung anders aus.
Wenn Systeme Aufgaben schneller erlernen, mit Abweichungen umgehen und vorhandene Fähigkeiten wiederverwenden können, erweitert sich potenziell auch der Kreis der Prozesse, bei denen Automatisierung wirtschaftlich sinnvoll wird.
Von einzelnen Fähigkeiten zur „Skill Library“
Besonders greifbar wurde dieser Gedanke für mich im Vortrag von Florian Obermeier von FMC3 Robotics.
Das im Vortrag vorgestellte Konzept einer wachsenden „Skill Library“ könnte für Physical AI eine wichtige Rolle spielen. Vereinfacht gesprochen muss ein Roboter nicht für jede neue Aufgabe wieder bei null beginnen.
Bestimmte elementare Fähigkeiten – „Atomic Skills“ – können einmal erlernt, gespeichert und anschließend für andere Aufgaben wiederverwendet oder miteinander kombiniert werden.
Aus einzelnen Fähigkeiten entstehen komplexere Abläufe. Mit jeder neuen Anwendung wächst potenziell der Bestand dessen, was ein Robotersystem bereits beherrscht.
Das erinnert an einen Compounding-Effekt: Je größer die vorhandene Skill Library wird, desto weniger muss bei einer neuen Aufgabe vollständig neu entwickelt oder gelernt werden.
Wenn sich dadurch der Aufwand für die nächste Automatisierungsaufgabe reduziert, können Anwendungen interessant werden, die sich mit klassischer Robotik bisher nicht gerechnet haben.
Der Flaschenhals könnte außerhalb des Roboters liegen
An diesem Punkt stellt sich allerdings eine entscheidende Frage:
Woher weiß ein Technologieanbieter, was der Roboter in einem konkreten Unternehmen lernen muss?
Eine Produktionshalle ist kein standardisiertes Software-Environment. Maschinen, Werkstücke, Prozesse, Qualitätsanforderungen, Materialflüsse und historisch gewachsene Abläufe unterscheiden sich teilweise erheblich.
Genau deshalb dürfte Physical AI auf die Bereitschaft der Unternehmen angewiesen sein, sich gegenüber ihren Technologiepartnern stärker zu öffnen.
Der Anbieter benötigt Zugang zu realen Problemen und Prozessen. Das produzierende Unternehmen wiederum muss bereit sein, relevantes Prozesswissen zu teilen und gemeinsam mit dem Anbieter herauszufinden, welche Tätigkeiten sinnvoll automatisiert werden können.
Damit wird Kooperation zu einem Teil der Technologieentwicklung. Physical AI muss nicht nur im Labor funktionieren. Sie muss in der individuellen Realität des Kunden funktionieren.
Wer schlägt die Brücke zwischen Technologie und Produktion?
Und genau an dieser Stelle wird das Thema aus meiner Perspektive als Headhunter für Vertriebspositionen besonders interessant.
Wer übersetzt zwischen beiden Welten?
Ein Entwickler kann eine hervorragende technische Lösung bauen. Ein Produktionsleiter kennt seine Fertigung bis ins Detail. Dazwischen braucht es aber Menschen, die ausreichend technisches Verständnis besitzen, um die Möglichkeiten der Technologie zu verstehen – und gleichzeitig nah genug am Kunden sind, um die tatsächlichen Probleme im Betriebsalltag zu erkennen.
Das verändert aus meiner Sicht auch die Anforderungen an Vertrieb.
Bei erklärungsbedürftigen und zunehmend individualisierten Technologien besteht guter Vertrieb nicht darin, einen Produktkatalog zu präsentieren. Er muss Fragen stellen, Prozesse verstehen, Anwendungsfälle identifizieren, den wirtschaftlichen Nutzen herausarbeiten, Vertrauen schaffen und Erkenntnisse vom Kunden wieder zurück zu Produktentwicklung und Engineering tragen.
Der Vertrieb wird damit selbst Teil des Lernprozesses zwischen Technologieanbieter und Anwender.
Technical Sales und Customer Success werden Teil der Skalierung
Damit verschwimmen auch klassische Grenzen zwischen Sales, Sales Engineering, Business Development, Application Engineering und Customer Success.
Der Vertragsabschluss ist bei komplexen Physical-AI-Lösungen nicht das Ende der Kundenbeziehung. Er kann der Beginn des eigentlich entscheidenden Teils sein.
Die Technologie muss in die Produktionsumgebung integriert werden. Erfahrungen entstehen. Neue Use Cases werden sichtbar. Anforderungen verändern sich. Fähigkeiten werden erweitert.
Customer Success bekommt in diesem Umfeld deshalb eine andere Bedeutung als bei einem weitgehend standardisierten Produkt. Es geht nicht nur um Kundenzufriedenheit oder Vertragsverlängerung, sondern darum, gemeinsam mit dem Kunden immer mehr Wert aus einer Technologie herauszuholen.
Je besser dieser Kreislauf funktioniert, desto schneller kann aus technologischer Innovation ein skalierbares Geschäftsmodell entstehen.
Technologische Skalierung braucht kommerzielle Skalierung
Für mich liegt darin eine häufig unterschätzte Herausforderung vieler Deep-Tech-Unternehmen.
Hervorragende Technologie allein garantiert noch keinen Markterfolg. Gerade wenn eine Lösung erklärungsbedürftig ist und individuell in bestehende Prozesse integriert werden muss, braucht es auf der kommerziellen Seite Menschen, die deutlich mehr können als klassisches Verkaufen.
Gefragt sind Profile, die mehrere Welten verbinden:
- Technologieverständnis
- Branchen- und Prozessverständnis
- Consultative Selling
- Business-Case-Denken
- Kommunikation mit Engineering und Management
- Entwicklung langfristiger Kundenbeziehungen
Je komplexer die Technologie, desto wichtiger wird diese Übersetzungsleistung. Und je stärker Physical AI von realen Anwendungsfällen und betrieblichem Wissen lernt, desto wichtiger werden diejenigen, die den Zugang zu genau diesen Anwendungsfällen schaffen.
Bayern hat dafür eine besondere Ausgangsposition
Bayern bringt für diese Entwicklung viele Voraussetzungen mit: eine starke industrielle Basis, Maschinenbau, Automatisierung, Forschung, KI-Kompetenz, Start-ups und zahlreiche mittelständische Unternehmen mit tiefem Produktionswissen.
Entscheidend wird allerdings sein, aus dieser technologischen Kompetenz auch skalierbare industrielle Wertschöpfung zu schaffen.
Der von Bertram Brossardt auf dem Kongress formulierte Dreiklang ist mir deshalb besonders im Gedächtnis geblieben:
Entwickeln. Herstellen. Anwenden.
Ich würde einen vierten Aspekt ergänzen: Vermarkten.
Denn technologische Souveränität entsteht langfristig nicht allein dadurch, dass wir hervorragende Technologien entwickeln. Es müssen daraus auch erfolgreiche Unternehmen entstehen, die Kunden gewinnen, Anwendungen skalieren und international wachsen können.
Fazit: Physical AI ist auch eine People-Frage
Die Entwicklung von Physical AI wird von Modellen, Daten, Sensorik, Mechatronik und leistungsfähiger Hardware geprägt.
Ob daraus im industriellen Maßstab erfolgreiche Anwendungen und Geschäftsmodelle entstehen, wird aber auch von Menschen abhängen.
Von Menschen, die Technologie entwickeln. Von Menschen, die ihre Produktionsprozesse öffnen. Und von Menschen, die zwischen diesen beiden Welten die Brücke schlagen.
Technischer Vertrieb und Customer Success sind deshalb für mich bei Physical AI nicht nur kommerzielle Funktionen am Ende der Wertschöpfungskette. Sie können zu einem Teil der Technologieskalierung selbst werden.
Und genau diese Schnittstelle zwischen technologischer Innovation, industrieller Anwendung und kommerziellem Erfolg dürfte in den kommenden Jahren ausgesprochen spannend werden.
Hinweis
Dieser Beitrag gibt meine persönlichen Eindrücke und Schlussfolgerungen aus dem Kongress wieder. Inhalte einzelner Vorträge werden teilweise sinngemäß zusammengefasst und sind, sofern nicht ausdrücklich gekennzeichnet, nicht als wörtliche Zitate zu verstehen.
Sollte eine Aussage oder Zuordnung in diesem Beitrag nicht korrekt wiedergegeben sein, freue ich mich über einen kurzen Hinweis an gg@sales.bayern. Eine entsprechende Korrektur wird zeitnah vorgenommen.
Über Sales.Bayern
Sales.Bayern unterstützt Technologieunternehmen, Scale-ups und den industriellen Mittelstand bei der Besetzung von Schlüsselfunktionen im Vertrieb – von operativen Sales-Rollen und Technical Sales bis zur Vertriebsleitung.