Warum eine Erfolgsquote von 99 Prozent dennoch bei den meisten Robotereinsätzen zum Scheitern führt

Ein Roboter, der eine „Pick-and-Place“-Demonstration neun Mal hintereinander fehlerfrei absolviert, erscheint den meisten Zuschauern als ein gelöstes Problem. Wendet man dieselbe Erfolgsquote von 99 Prozent pro Schritt auf eine 100-Schritte-Schicht im Lager anstelle einer neunstufigen Bühnenvorführung an, sinkt die Wahrscheinlichkeit, die gesamte Schicht ohne einen einzigen Fehler zu absolvieren, auf etwa 37 Prozent. Genau in dieser Lücke zwischen einer scheinbar fehlerfreien Demonstration und einem Arbeitsablauf, den ein Käufer tatsächlich unbeaufsichtigt einsetzen kann, liegt im Oktober 2026 der eigentliche Engpass der humanoiden und industriellen Robotikbranche – und es ist nicht derjenige, auf den sich die meisten Finanzierungsrunden bei der Preisgestaltung stützen.

Der Engpass ist die Geschicklichkeit, definiert nicht als Anzahl der Finger oder als Komplexität der Antriebe, sondern als ein geschlossenes System aus Sensorik, Steuerung, Fehlerkorrektur und Entscheidungsfindung, das über eine gesamte Aufgabenabfolge hinweg funktionieren muss und nicht nur bei einer einzigen einstudierten Bewegung. Diese Sichtweise rückt vor dem Hintergrund dreier Unternehmen, die derzeit geschickte oder halbgeschickte Systeme in kostenpflichtigen Einsätzen statt in Labordemonstrationen betreiben, noch deutlicher in den Fokus. Eines davon, ANYbotics, ist den meisten Käufern außerhalb des Bereichs der industriellen Inspektion noch unbekannt: Das in Zürich ansässige Unternehmen ging 2016 aus dem Robotic Systems Lab der ETH Zürich hervor und baut den ANYmal-Quadrupeden, einen vierbeinigen Inspektionsroboter, der Messwerte abliest, auf Undichtigkeiten prüft und Anomalien auf Ölplattformen, in Windparks und in Stahlwerken meldet, ohne dass ein Mensch die Strecke zu Fuß zurücklegen muss. Bei einem seiner Einsätze wurden mehr als 33.000 abgeschlossene Inspektionen an 450 verschiedenen Punkten verzeichnet – ein Volumen, das nur dann von Bedeutung ist, wenn nahezu jede dieser Inspektionen tatsächlich korrekt abgeschlossen wurde.

Die Mathematik, die eine gute Demo zu einem schlechten Einsatz macht

Die Rechenweise hinter dieser 37-Prozent-Zahl ist nicht kompliziert, und genau deshalb kann sie von einem Beschaffungsteam so leicht übersehen werden. Eine einzelne Aktion, die in 99 Prozent der Fälle erfolgreich ist, klingt intuitiv nach einem System, das im Grunde genommen ausgereift ist. Multiplizieren Sie diese 99 Prozent nun mit 100 aufeinanderfolgenden Aktionen in einer realen Schicht – Aufnehmen, Ablegen, Umgehen eines Hindernisses,

Das erneute Aufnehmen eines heruntergefallenen Gegenstands, und die Wahrscheinlichkeit, die gesamte Abfolge ohne einen einzigen Fehler abzuschließen, sinkt auf etwa 0,99 hoch 100, was ungefähr 36,6 Prozent entspricht. Erhöht man die Zuverlässigkeit pro Schritt auf 99,9 Prozent, steigt die Erfolgsquote der gesamten Abfolge auf etwa 90,5 Prozent. Erhöht man sie auf 99,99 Prozent – eine Schwelle, die derzeit nur verschwindend wenige eingesetzte Systeme über alle Teilaufgaben hinweg in einer realen Umgebung erreichen –, so liegt die Zuverlässigkeit der gesamten Abfolge bei etwa 99,0 Prozent. Jede zusätzliche „Neun“ bei der Zuverlässigkeit ist keine marginale Verbesserung; sie ist der Unterschied zwischen einem Roboter, der jederzeit einen menschlichen Aufpasser in der Nähe benötigt, und einem, der dies tatsächlich nicht tut.

Dieser kumulative Effekt ist auch der Grund, warum der beste einzelne Democlip eines Anbieters als Indikator für die Zuverlässigkeit nahezu nutzlos ist und warum Käufer, die sich darauf verlassen, regelmäßig bereits nach sechs Monaten im Pilotbetrieb enttäuscht werden. Ein zehnsekündiges Video zeigt eine kurze Sequenz, die einmal unter vom Anbieter kontrollierten Bedingungen ausgeführt wurde. Es kann nicht zeigen, ob das zugrunde liegende System dieselbe Erfolgsquote auch bei der hundertsten Wiederholung des Tages, bei schwacher Beleuchtung am Ende einer Schicht oder bei einer leicht abweichenden Kistengeometrie aufweist – eine Geometrie, mit der ein menschlicher Mitarbeiter ohne nachzudenken umgeht, die ein Roboter jedoch noch nie gesehen hat. Die ehrliche Zuverlässigkeitsangabe, die ein Käufer benötigt, lautet nicht „Funktioniert es?“, was mittlerweile fast jeder glaubwürdige Anbieter demonstrieren kann, sondern „Wie viele aufeinanderfolgende Wiederholungen unter realen Bedingungen, bei wie großen natürlichen Schwankungen, sind möglich, bevor ein Ausfall eintritt?“, was fast niemand freiwillig veröffentlicht.

Warum die Wiederherstellbarkeit wichtiger ist als die in den Schlagzeilen angegebene Erfolgsquote

Wenn die Berechnung der Zuverlässigkeit die unangenehme Mathematik ist, dann ist die Wiederherstellungsfähigkeit die umsetzbarere technische Antwort darauf. Ein System, das einen rutschenden Griff, ein falsch ausgerichtetes Teil oder einen Navigationsfehler früh genug erkennt, um ihn zu korrigieren, bevor der Fehler zu einem Stillstand der Produktionslinie führt, muss nicht schon beim ersten Versuch perfekt sein; es muss gut darin sein, zu erkennen, wann der erste Versuch schiefgeht. Das rückt die gesamte Bewertung in ein neues Licht

Eine Frage, die ein Käufer einem Anbieter stellen sollte. Anstelle von „Wie hoch ist Ihre Erfolgsquote?“ lautet die sinnvollere Frage: „Welcher Anteil Ihrer Fehler wird vom System selbst erkannt und korrigiert, bevor ein Mensch eingreifen muss?“, denn diese Zahl gibt Aufschluss darüber, wie viel Überwachungsaufwand ein Einsatz tatsächlich erfordert – und genau dieser Posten entscheidet in der Regel darüber, ob sich die Automatisierung einer Aufgabe überhaupt rechnet.

Starship Technologies, der Betreiber von Lieferrobotern für den Gehwegverkehr, ist hier ein nützliches Fallbeispiel, gerade weil seine Aufgabe von außen betrachtet trügerisch einfach erscheint: einen kleinen Roboter auf Rädern von einem Geschäft bis zur Haustür zu rollen. Nach mehr als 10 Millionen abgeschlossenen autonomen Lieferungen war das eigentliche technische Problem des Unternehmens nie die nominelle Fahraufgabe; sondern in der Entwicklung eines Systems, das die Vielzahl realer Störungen – wie ein quer über einer Bordsteinabsenkung geparktes Auto, einen angeleinten Hund oder ein geschlossenes Tor – erkennen und bewältigen konnte, ohne jeden Sonderfall an einen menschlichen Fernoperator weiterleiten zu müssen. Eine Lieferzahl im zweistelligen Millionenbereich ist nur deshalb eine beeindruckende Zahl, weil die darunterliegende Wiederherstellungsebene die Rate menschlicher Eingriffe so niedrig hielt, dass die Stückkosten bei diesem Umfang rentabel blieben.

Den Roboter an die Aufgabe anpassen, statt nach menschlicher Ähnlichkeit zu streben

Die derzeitige Fixierung der Branche auf universell einsetzbare, menschenähnliche Roboter verkompliziert dieses Bild eher, als dass sie es vereinfacht, denn ein zweibeiniger Humanoid muss gleichzeitig Probleme der Geschicklichkeit, des Gleichgewichts und der Fortbewegung lösen, was die Zuverlässigkeitsberechnungen über mehr Teilsysteme hinweg erschwert, als dies bei einer zweckgebundenen Plattform der Fall wäre. Agility Robotics, der in Oregon ansässige Hersteller des zweibeinigen Roboters „Digit“, hat sich gezielt auf den Einsatz im Lager bei der Handhabung von Transportbehältern konzentriert, da dieser Anwendungsfall es dem Unternehmen ermöglicht, die Anforderungen an die Geschicklichkeit von „Digit“ auf eine überschaubare Teilmenge einzugrenzen: das Gehen auf ebenen Lagerböden sowie das Aufnehmen und Absetzen von Transportbehältern bekannter Abmessungen – anstatt der uneingeschränkten Manipulation, wie sie ein allgemeiner Haushaltshumanoid erfordern würde.

irgendwann benötigen werden. Diese Eingrenzung ist keine Einschränkung, für die man sich entschuldigen müsste. Sie ist die richtige technische Antwort auf komplexe Zuverlässigkeitsberechnungen, und es ist derselbe Instinkt, der ANYbotics dazu veranlasste, eine vierbeinige Inspektionsplattform anstelle einer zweibeinigen zu entwickeln – für Gelände, in dem Stabilität Vorrang vor einem menschenähnlichen Gang hat –, und Starship dazu brachte, einen Lieferroboter auf Rädern anstelle eines gehenden Modells zu bauen – für Gehwege, auf denen Beine überhaupt nicht erforderlich sind.

Die relevante Frage für ein Beschaffungsteam lautet nicht, welcher dieser Formfaktoren in einem abstrakten Sinne fortschrittlicher ist. Es geht um die „minimal ausreichende Geschicklichkeit“: Was ist der engste Satz an Manipulations-, Fortbewegungs- und Sensorfähigkeiten, der diese spezifische, wirtschaftlich wertvolle Aufgabe tatsächlich zuverlässig erfüllt – und zwar zu Kosten, die unter denen liegen, die ein Mensch für dieselbe Arbeit verursachen würde? Ein Roboter, der auf dieses Minimum ausgelegt ist und über eine starke Ausfallsicherheit verfügt, die genau auf die Fehlermodi zugeschnitten ist, denen er bei seiner enger gefassten Aufgabe ausgesetzt ist, wird die Zuverlässigkeitshürde schneller und kostengünstiger nehmen als eine Allzweckplattform, die jedes dieser Probleme auf einmal löst – selbst wenn die Allzweckplattform in einem Messevideo beeindruckender wirkt.

Was der Praxiseinsatz lehrt, was kein Labor-Benchmark vermag

Das derzeitige Zuverlässigkeitsniveau jedes dieser drei Unternehmen ist das Ergebnis des Einsatzes in der Praxis, nicht von Labor-Benchmarks. Eine kontrollierte Laborumgebung kann nicht die spezifischen, chaotischen Ausfallarten simulieren – den Gegenstand, der in einem leicht falschen Winkel herunterfällt, das durch Kondenswasser teilweise verdeckte Messgerät, die durch Bauarbeiten blockierte Lieferroute –, die tatsächlich darüber entscheiden, ob ein System die Lücke zwischen 99 Prozent und 99,99 Prozent ausreichend geschlossen hat, um unbeaufsichtigt als zuverlässig zu gelten. Deshalb fungiert der Einsatz selbst derzeit in dieser Branche als das eigentliche Trainingssignal – mehr noch als jede einzelne neue Modellversion oder jedes Sensor-Upgrade: Jeder Ausfall, den ein System im Feld übersteht und behebt, wird zu einem Datenpunkt, der die Sensorik, Steuerung und

Wiederherstellungslogik, die sich entgegen der oben dargestellten Zuverlässigkeitsberechnung auswirkt, wobei jede im Einsatz befindliche Einheit effektiv weitere Belege für die nächsten neun liefert.

Dies hat direkte Auswirkungen darauf, wie ein Käufer die Einsatzbilanz eines Anbieters im Vergleich zu dessen technischem Datenblatt bewerten sollte. Eine Plattform mit einer geringeren Anzahl auffälliger Funktionen, die jedoch über Jahre hinweg kontinuierlich im Einsatz war – wie die Inspektionsläufe von ANYbotics, das Liefervolumen von Starship oder die Pilotprojekte von Agility im Lagerbereich –, hatte mehr Gelegenheiten, die Vielzahl von Ausfällen in der Praxis zu erkennen und zu beheben, als eine Plattform mit einer auf den ersten Blick leistungsfähigeren Demo, die jedoch nur über wenig nachhaltige Praxiserfahrung verfügt. Technische Datenblätter beschreiben, was ein Roboter unter idealen Bedingungen leisten kann. Die Einsatzhistorie beschreibt, was er bereits unter Bedingungen bewiesen hat, die niemand im Voraus vorgesehen hatte – und letztere Zahl ist entscheidend dafür, ob aus einem Pilotprojekt ein verlängerter Vertrag wird.

Die Kennzahlensammlung, die das Demo-Reel ersetzen sollte

Nichts davon spricht gegen Ehrgeiz beim Roboterdesign; es spricht dafür, die richtigen Faktoren zu messen, bevor man ein Budget für eine bestimmte Plattform bereitstellt. Der Anteil der vollständigen Arbeitsabläufe, die ein System ohne menschliches Eingreifen abwickelt, seine selbstkorrigierende Wiederherstellungsrate, seine Leistung unter dokumentierten Umgebungsschwankungen statt in einer einzigen inszenierten Umgebung, seine Haltbarkeit bei Dauereinsatz und seine Kosten pro erfolgreich abgeschlossener Aufgabe – all diese Daten lassen sich von einem Anbieter schwerer zu erlangen als ein Democlip, und sie sind allesamt aussagekräftiger dafür, ob ein Einsatz sein erstes Jahr übersteht. Ein Käufer, der vor der Unterzeichnung eines Pilotvertrags diese fünf Kennzahlen einholt, erhält mehr Aufschluss darüber, ob ein System für den unbeaufsichtigten Betrieb bereit ist, als ein Dutzend weiterer Demovideos vermitteln könnten.

Die drei hier genannten Unternehmen sind nicht die einzigen, die dieses Experiment durchführen, und keines von ihnen würde behaupten, die Lücke zwischen Demo und Einsatz vollständig geschlossen zu haben. Was ein geschicktes System auszeichnet, das sich wirklich der Produktionsreife nähert

Die Einsatzbereitschaft einer Maschine, die sich noch in der Testphase für Investoren befindet, zeigt sich nicht in einem makellosen Video aus einer einzigen Aufnahme. Es handelt sich vielmehr um eine wachsende, dokumentierte Aufzeichnung einer im Einsatz befindlichen Maschine, die dieselbe unscheinbare Aufgabe tausende Male hintereinander ausführt, ihre eigenen Fehler erkennt, bevor diese zum Problem für andere werden, und still und leise weitere neun Aufgaben hinzufügt.

Diese Analyse fasst öffentliche Aussagen und dokumentierte Einsatzdaten der besprochenen Unternehmen zusammen und dient ausschließlich allgemeinen Informationszwecken; sie stellt keine Anlage-, Finanz-, Rechts- oder Fachberatung dar.

Bildnachweis für das Titelbild: Agility Robotics.