Humanoide Roboter: Die Datenkosten schlagen die Hardware

Der Roboterkörper ist nicht mehr der Engpass

Der Flaschenhals der Humanoiden hat den Ort gewechselt: Er sitzt jetzt in den Kosten der Robotertrainingsdaten, gemessen pro einzelnem Szenario physischer Interaktion.

Aktuatoren, Hände, Lidar und Batterien werden seit Jahren billiger, entlang von Kurven, die dieser Schreibtisch Punkt für Punkt verfolgt. Der Körper wird zur industriellen Commodity. Das Teure steckt in der Geste: einer Maschine beizubringen, wie man einen echten Menschen hebt, ankleidet und stützt.

Eine Arbeit, die am 9. April 2026 auf arXiv eingereicht und am 22. September 2026 aktualisiert wurde, greift genau diesen Kostenpunkt an.

Sie heißt GenPHRI. Sie erzeugt vollständige Szenarien der Mensch-Roboter-Interaktion aus einem Satz in natürlicher Sprache. In jedem Szenario stecken der Raum, die Möbel, die Körperhaltung der Person und der Roboter, der die verlangte Aufgabe ausführt.

Der Konsens schaut auf die falsche Kennzahl

Der Konsens bepreist humanoide Robotik in Dollar pro Roboterstunde und in Stücklisten. Zwei korrekte Metriken – und blind für das Tempo.

Die Zahl, die die Adoption vorhersagt, liegt woanders: wie viele Stunden menschlicher Arbeit nötig sind, um dem Repertoire der Maschine eine neue Aufgabe hinzuzufügen. Diese Kosten entscheiden über die Breite des Katalogs. Der Katalog entscheidet über den Return on Investment.

Ein Humanoide, der kostenmäßig mit Fertigungsarbeit gleichzieht und drei Aufgaben beherrscht, bleibt ein Pilotprojekt für die Pressekonferenz.

Derselbe Körper mit dreihundert Aufgaben landet im industriellen Capex eines Krankenhauses oder eines Pflegeheims.

Die meisten Analysten beschreiben die Gegenwart gut und verschätzen sich bei der Geschwindigkeit des Wandels. Hier hängt die Geschwindigkeit von einer Software-Variablen ab, und Software wird schneller billiger als Stahl.

Drei Punkte auf der Kostenkurve pro Szenario

Eine Kurve braucht mindestens drei Punkte. Den ersten nennen die Autoren selbst: Die Entwicklung physischer Mensch-Roboter-Interaktion in der realen Welt ist teuer und langsam.

Der zweite Punkt ist die klassische Simulation. Sie senkt die Kosten deutlich. Sie verlangt aber weiterhin menschliche Authoring-Arbeit an Szene und Bewegung für jede Aufgabe und wächst damit proportional zur Zahl der Szenarien.

Der dritte Punkt bricht diese Proportionalität: 50 verschiedene Assistenzszenarien, in der Simulation mit null manuellem Eingriff erzeugt^[1], wie das Paper dokumentiert, das auch auf alphaXiv^[2] diskutiert wird. Die Grenzkosten von Szenario Nummer einundfünfzig nähern sich dem Preis der Token, die es beschreiben. Das ist keine inkrementelle Verbesserung mehr: Es ist ein Regimewechsel.

Die Tabellen der Arbeit führen Szenarien und Erfolgsquoten auf; Dollarbeträge bleiben außen vor. Dieser Schreibtisch liest die Kurve in der Einheit, auf die es wirklich ankommt: Personenstunden pro Szenario, von vielen über wenige bis null.

80 gegen 90 – und der Mechanismus dahinter

Die Zahl, die die These operativ macht, ist ein Paar: rund 80% Aufgabenerfüllung in realen Zero-Shot-Versuchen gegenüber etwa 90% in der Simulation, für visuelle Policies, die auf den erzeugten Szenarien trainiert wurden.

Zwölf Teilnehmende haben zwei dieser Aufgaben in einer Nutzerstudie getestet. Sie bewerteten das Verhalten des Roboters als stimmig zum Text des ursprünglichen Prompts.

Synthetische Daten übertragen sich, und zehn Punkte Abstand zwischen Simulation und Realität sind eine akzeptable Abgabe. Das schreibt die Mathematik jedes Humanoiden-Programms neu.

Der Mechanismus bleibt einfach und wiederholbar: Generator-Agenten und Kritiker-Agenten iterieren über jede Komponente der Szene, während ein Orchestrator die Entscheidungen zwischen den Phasen steuert. Vision-Language-Modelle erledigen die Arbeit, die vorher einen Animationstechniker erforderte.

Die Ahnenreihe führt über Arbeiten wie BLIP-2 aus dem Jahr 2023^[3], das es günstig gemacht hat, Bilder und Text mit eingefrorenen Encodern zu verknüpfen. Metriken wie CLIPScore aus dem Jahr 2021^[4] bewerten die Übereinstimmung zwischen einem Bild und seiner Beschreibung und machen die Prompt-Treue messbar.

Die Grenze benennen die Autoren selbst: Die direkte Ausführung der erzeugten Trajektorien, ohne Training, zahlt bei der Kontaktabdeckung drauf. Wer zertifizierte Sicherheit beim Kontakt mit Menschen verkauft, hat noch Jahre physischer Arbeit vor sich.

Cliff Event: der Aufgabenkatalog im Jahr 2028

Die Verbreitung generalistischer Roboter wird sprunghaft wachsen. Der Grund ist betriebswirtschaftlich. Jede Aufgabe, die nahezu kostenlos hinzukommt, erweitert den bedienten Markt bei unverändertem Körper.

Cliff Event: Szenariengenerierung zu nahezu null Grenzkosten in den Pipelines der drei führenden westlichen Humanoiden-Programme, bis 2028. Messbares Ergebnis: Aufgabenkataloge, die innerhalb von achtzehn Monaten von Dutzenden auf Tausende wachsen.

Das Datum entsteht aus der Kreuzung zweier bereits sichtbarer Kurven. Der Preis der Inferenz fällt um eine Größenordnung pro Jahr. Die Kosten humanoider Hardware folgen dem Profil der Solarenergie, mit einer Parität gegenüber Fertigungsarbeit, die dieser Schreibtisch in den Jahren 2028-2029 verortet.

In der Richtung unausweichlich, im Zeitpunkt offen: Diese Unterscheidung wiegt schwer für alle, die jetzt mehrjährige Verträge unterschreiben.

Drei Kategorien, die bis 2029 ihre Form verlieren

Drei Geschäftskategorien verlieren ihre heutige Form, sobald Interaktionsdaten zu generiertem Text werden.

Die erste: die Datenfabriken für Teleoperation. Stunden menschlicher Operatoren mit Anzug und Headset zu verkaufen, verliert an Marge, sobald ein Prompt fünfzig deploymentfertige Szenarien ausgibt.

Die zweite: die industriellen Simulationsumgebungen. Sie bleiben Infrastruktur für Rendering und Physik. Der Wert wandert in die agentische Schicht, die die Szenen schreibt – genau so, wie der Wert der Foundation Models in vertikale Anwendungen mit Data Moat wandert.

Die dritte: die Assistenzrobotik. Die am besten finanzierten Programme, von Figure bis Apptronik, setzen auf Fabrik und Logistik, während die strukturelle Nachfrage mit chronischem Personalmangel in der Pflege von Menschen liegt. Die physische Interaktion mit einem gebrechlichen Körper war die am schwersten trainierbare Aufgabe überhaupt. Sie wird zur am besten generierbaren.

Was sich für alle ändert, die jetzt entscheiden

Wer Technologie verantwortet, sollte den Stack der Datenerhebung sofort neu bewerten. Das Zeitfenster schließt sich, sobald die Entscheidung für alle offensichtlich ist. Heute Teleoperationsflotten aufzubauen heißt, ein Asset zu kaufen, das an Wert verliert, während es abgeschrieben wird.

Wer investiert, hat eine Wette vor sich, die unmöglich aussieht: Unternehmen für generative Simulation in der Robotik, kleine Teams, keine eigene Hardware. Die Daten sagen, dass der Flaschenhals genau dorthin gewandert ist, wo sie sitzen.

Wer Dreijahrespläne schreibt, sollte eine in den Modellen implizite Annahme überprüfen: dass Servicerobotik erst nach 2032 kommt. Diese Welt verschwindet gerade von der Bühne, während der Plan verabschiedet wird.

Wer Technologie einkauft, riskiert, mehrjährige Gebühren auf Plattformen für manuelles Authoring festzuzurren. Eine Ausstiegsklausel nach vierundzwanzig Monaten ist mehr wert als ein Rabatt auf den Listenpreis.

Die Position, die Prognose und das Kill Signal

Die Position dieses Schreibtischs: Der Engpass der Humanoiden sind inzwischen die Kosten pro Szenario für Interaktionsdaten. Die generative Simulation drückt diese Kosten auf ein nahezu null Grenzkostenniveau. Hohe Confidence bei der Technologie, mittlere beim Markt-Timing.

Was mich umstimmen würde: unabhängige Replikationen mit Policies, die auf erzeugten Szenarien trainiert wurden und bei Kontaktaufgaben unter 50% realer Erfüllung bleiben – oder Sicherheitsvorfälle, die Regulierer dazu bringen, an echten Personen erhobene Daten zu verlangen.

Prognose: Bis zum 31. Dezember 2027 werden mindestens drei erstklassige Humanoiden-Programme öffentlich dokumentieren, dass sie Policies auf Interaktionsszenarien trainieren, die von Vision-Language-Modellen erzeugt wurden. Confidence: 70. Horizont: 462 Tage.

Kill Signal: Zum 31. Dezember 2027 haben weniger als drei dieser Programme generierte Szenarien als Trainingsquelle dokumentiert, während menschliche Teleoperation als primäre Datenquelle genannt wird.