Das Schwierigste beim Robotereinsatz war nie die Hardware
NEURA Robotics hat ein KI-Modell gestartet, das Robotern hilft, neue Aufgaben schneller zu lernen — und das verändert die Wirtschaftlichkeit der Automatisierung für alle, die noch auf Handarbeit angewiesen sind.
- 5
- Roboterkörper teilen ein KI-Modell
- up to $1.4B
- Series-C-Finanzierung im Juni 2026
- >$1B
- Auftragsbestand
- 11 min
- autonome Demo in Berlin geplant
Für die meisten Unternehmen war das Schwierige immer das Anlernen des Roboters, nicht der Bau. Jede neue Aufgabe — eine andere Verpackungsform, ein geänderter Montageschritt — bedeutete wochenlange Arbeit und teure Spezialisten. NEURA Robotics, ein deutsches Unternehmen, das von Schaeffler, Bosch, Amazon und NVIDIA unterstützt wird, hat am 14. Oktober ein neues KI-Modell namens Neuron AI vorgestellt, das diese Anlernzeit deutlich verkürzen soll.
Frühere Roboter-KI-Systeme verließen sich hauptsächlich auf Kameras. Neuron AI ergänzt Tastsinn, Gehör und Gedächtnis — es kann fühlen und hören, nicht nur sehen. Es kann zum Beispiel per Ton prüfen, ob ein Schloss offen ist, bevor es weitermacht. Wenn etwas aus dem Blickfeld gerät, weiß der Roboter trotzdem, dass es noch da ist. Das Modell läuft direkt auf dem Roboter ohne Internetverbindung, sodass Produktionsdaten die Fabrik nie verlassen.
NEURA misst Fortschritt mit einer Kennzahl namens Time-to-Skill: wie schnell ein Roboter eine neue Aufgabe erlernt und sie zuverlässig ausführt. Ein einziges Modell läuft auf fünf verschiedenen NEURA-Roboterkörpern. Kunden können es mit eigenen Daten anpassen. Je weniger Zeit das Anlernen dauert, desto mehr Aufgaben lohnen sich zu automatisieren — und diese Rechnung verändert sich gerade schnell.
Für alle, die Betriebe führen, die noch auf menschliche Hände angewiesen sind — Verpackung, Qualitätskontrolle, Montage — verschiebt sich die Frage. Früher lautete sie: Kann ein Roboter das überhaupt? Jetzt lautet sie: Wie lange dauert das Anlernen des Roboters, und rechnet sich das? Mit sinkender Time-to-Skill wird Automatisierung auch für kleinere Serien und häufig wechselnde Aufgaben sinnvoll — nicht nur für hochvolumige Massenproduktion.