KI-Roboter bestehen Fabrikstests — was das für alle bedeutet, die über Automatisierung nachdenken
Googles KI erreichte eine Erfolgsquote von 96 % beim Sortieren von Autoteilen in echten Mercedes-Benz-Werken — ein Zeichen dafür, dass KI-Roboter vom Demo-Stadium in echte Industriearbeit wechseln.
- 96%
- Erfolgsquote in echten Mercedes-Benz-Werken
- 200+
- getestete unterschiedliche Aufgaben
- 20–30%
- schneller als das Vorgängermodell
- Nov 10, 2026
- Veröffentlichungsdatum
Google DeepMind hat mit Gemini Robotics 2.5 etwas geschafft, das die meisten Robotervorführungen überspringen: Es lief auf einer echten Produktionslinie. In zwei Mercedes-Benz-Werken — einem in Kecskemét, Ungarn, und einem in Sindelfingen, Deutschland — sortierte ein Apollo-2-Humanoidroboter metallene Autoteile in Tabletts, in genau der Reihenfolge, in der jedes Fahrzeug sie benötigt. Er erledigte die Aufgabe 96 % der Zeit korrekt, was DeepMind als vielversprechenden Fortschritt in Richtung echtem Industrieeinsatz bezeichnet.
Diese Zahl ist wichtig, weil das Schwierige an industrieller Automatisierung nie darin bestand, einen Roboter im Labor zum Laufen zu bringen. Die Herausforderung ist, ihn in einer echten Fabrik zu betreiben — wechselndes Licht, täglich leicht veränderte Teile, Arbeiter in der Nähe. Dasselbe KI-Modell, das durch 200 verschiedene Aufgaben — Kleidung falten, Lebensmittel verpacken, Tassen aufhängen — allgemein gelernt hatte, ließ sich mit sehr wenig Anpassung auf eine echte Fabrik übertragen. Das ist der eigentliche Meilenstein.
DeepMind gibt an, dass das neue Modell Aufgaben 20–30 % schneller abschließt als die Vorgängerversion und je nach Aufgabe eine um 30–100 % höhere Erfolgsquote erzielt. Das Modell wird derzeit über Partner wie Apptronik, Agile Robots und Boston Dynamics eingeführt — eine öffentliche API gibt es noch nicht. Es wird mit einem separaten Planungsmodell kombiniert, das den Gesamtworkflow verfolgt, während Gemini Robotics 2.5 die präzisen Hand- und Armbewegungen steuert.
Für alle, die Betrieb leiten oder Automatisierungsprodukte entwickeln, ist das Signal klar: Das schwierigste Problem bei der physischen Automatisierung — der Umgang mit realer Varianz — wird gelöst. Dieselben Fortschritte, die KI beim Schreiben und Programmieren besser machen, machen Roboter nun zuverlässiger im Alltag. Wer in der Produktion, Logistik oder in einem Bereich tätig ist, der mit Kommissionieren, Sortieren oder Verpacken zu tun hat: Die Frage ist nicht mehr, ob diese Technologie funktioniert — sondern wann man anfangen sollte.