Laplace Intelligence unterzieht Roboter vor ihrer Auslieferung einem Red-Team-Test

Laplace Intelligence, ein Start-up aus Ann Arbor, Michigan, das automatisierte Red-Team-Tests für Roboter und selbstfahrende Autos entwickelt, präsentierte sich am 13. Oktober 2026 auf der Bühne des „Startup Battlefield 200“ im Rahmen der TechCrunch Disrupt 2026 und vertrat die Ansicht, dass physische KI-Systeme dieselbe Art von gezielten, angriffsorientierte Stresstests benötigen, wie sie Cybersicherheitsteams seit Jahrzehnten für Software durchführen – nur dass diese Tests auf Maschinen abzielen, die bei einem Ausfall physischen Schaden anrichten können. Die Prämisse des Unternehmens ist konkret und beunruhigend: Die derzeitige Antwort der Branche auf die Frage, ob ein Roboter oder ein autonomes Fahrzeug sicher genug für den Einsatz ist, beruht größtenteils auf einer internen Ermessensentscheidung, und Laplace setzt darauf, dass die einzig glaubwürdige Möglichkeit, diese Frage zu beantworten, darin besteht, ein KI-System gezielt und systematisch versuchen zu lassen, den Roboter zum Versagen zu bringen, bevor ein menschlicher Bediener, ein Versicherer oder eine Aufsichtsbehörde jemals in der Praxis mit diesem Versagen konfrontiert wird.

Laplace wurde vor einem Jahr an der University of Michigan von Geschäftsführer Howie Sun und Chefwissenschaftler Henry Liu, Suns ehemaligem Doktorvater, gegründet. Das Unternehmen baut auf Forschungsergebnissen auf, die die beiden im Jahr 2023 veröffentlichten und die es auf die Titelseite von „Nature“ schafften – es ging dabei um die Herausforderung autonomer Fahrsysteme in der Simulation. Dieses wissenschaftliche Ergebnis weckte ursprünglich das Interesse von Herstellern autonomer Fahrzeuge – ein Interesse, das Sun schließlich davon überzeugte, die Forschung aufzugeben und die Idee in ein Produkt umzusetzen. Das Unternehmen hat seinen Namen von Laplaces Dämon, dem Gedankenexperiment aus dem Jahr 1814, in dem der französische Gelehrte Pierre-Simon Laplace sich vorstellte, dass die vollständige Kenntnis jedes Teilchens im Universum die Zukunft vollkommen vorhersehbar machen würde – ein Rahmenkonzept, das Sun bewusst verwendet: Laplace nutzt, wie er es ausdrückt, Simulationen, um die Zukunft der realen Welt vorherzusagen, bevor ein Roboter sie durchleben muss.

Die Realität rekonstruieren, um einen Roboter absichtlich zum Versagen zu bringen

Im Zentrum des Produkts von Laplace steht eine hochpräzise Simulationsumgebung, die auf einer nachtrainierten Version der Welt-Simulationsplattform „Cosmos“ von Nvidia basiert und auf realen Daten fundiert ist

Daten anstelle von synthetischen oder rein manuell erstellten Szenen. Das Unternehmen rekonstruiert reale Schauplätze – Sun nennt als Beispiele eine Autobahn in Arizona und einen Fußgängerüberweg in Paris –, indem es reale Kartendaten mit Referenzbildern kombiniert, bei denen es sich um so einfache Aufnahmen wie Google Street View handeln kann. Diese Rekonstruktion dient dann als Bühne, auf der ein KI-Agent das Verhalten eines Roboters oder Fahrzeugs kontinuierlich auf Schwachstellen und Fehlerquellen überprüft. Entwickler können den Simulator in natürlicher Sprache anweisen, Bedingungen in Echtzeit zu ändern – beispielsweise durch Hinzufügen von Nachmittagsverkehr zu einer Szene –, wodurch ein Testingenieur Grenzfälle untersuchen kann, deren Nachstellung in der realen Welt kostspielig, zeitaufwendig oder schlichtweg unsicher wäre.

Das Ziel besteht, wie Sun es beschrieb, darin, Probleme für Kundenunternehmen bereits vor der Inbetriebnahme zu erkennen und zu beheben, um anschließend schrittweise eine gemeinsame Evidenzbasis aufzubauen, auf die sich Kunden, Versicherer und Aufsichtsbehörden gleichermaßen verlassen können. Dieses letzte Detail ist der Aspekt, den man über die reine Verkaufspräsentation hinaus ernst nehmen sollte: Sun positioniert die Ergebnisse von Laplace ausdrücklich nicht nur als internes Entwicklungswerkzeug, sondern als glaubwürdige Sicherheitsnachweise durch Dritte, auf die sich ein Versicherungsunternehmer oder eine Aufsichtsbehörde letztendlich stützen könnte, wenn es darum geht, zu entscheiden, ob eine physische KI-Implementierung versichert oder genehmigt wird. Der Aufbau einer solchen vertrauenswürdigen Evidenzebene – sofern Laplace dies tatsächlich leisten kann – würde eine echte Lücke in der Branche schließen: Derzeit gibt es für Robotikunternehmen keine standardisierte, unabhängig überprüfbare Möglichkeit, ihre Sicherheitsleistung gegenüber Dritten nachzuweisen, so wie es in anderen Branchen durch Crashtest-Bewertungen oder Penetrationstestberichte zur Cybersicherheit geschieht.

Warum dies heute wichtiger ist als noch vor zwei Jahren

Suns ausdrücklicher Bezugspunkt dafür, warum diese Arbeit gerade jetzt von Bedeutung ist, ist der jüngste Vorfall, bei dem ein mit OpenAI verbundener Agent unvorhersehbar mit der Infrastruktur von Hugging Face interagierte – ein Vorfall, der verdeutlichte, wie sich ein KI-Agent auf eine Weise verhalten kann, die selbst seine eigenen Entwickler

hatte selbst in einer rein digitalen Umgebung nicht damit gerechnet. Sein Argument, das er direkt gegenüber Reportern auf der Disrupt-Konferenz vorbrachte, lautet, dass dieselbe Unvorhersehbarkeit grundsätzlich gefährlicher wird, sobald KI-Agenten Maschinen steuern, die sich im physischen Raum bewegen, anstatt Software, die lediglich Daten verarbeitet. Roboter und autonome Fahrzeuge entwickeln sich von kontrollierten Pilotprogrammen hin zum allgemeinen kommerziellen Einsatz – und zwar in einem Tempo, das die Fähigkeit der Branche übersteigt, die Vielzahl von Situationen, die eine reale Umgebung letztendlich hervorbringt, systematisch zu testen. Genau diese Lücke kann Laplace nutzen, sofern sich seine simulationsbasierten Tests als streng genug erweisen, um das aufzufangen, was interne Teams übersehen.

Für ein Beschaffungs- oder Risikomanagementteam, das einen Anbieter von Robotik- oder autonomen Fahrzeuglösungen bewertet, ist das Auftauchen von Laplace ein Signal, das es zu verfolgen lohnt, noch bevor das Unternehmen über ein ausgereiftes kommerzielles Produkt verfügt: Dies deutet darauf hin, dass systematische, adversarische Sicherheitstests zu einer eigenständigen Dienstleistungskategorie werden, die vom internen Qualitätssicherungsprozess eines Anbieters getrennt ist – in etwa so, wie unabhängige Penetrationstests zu einer Standardanforderung bei der Beschaffung von Unternehmenssoftware wurden, sobald interne Sicherheitsgarantien allein nicht mehr ausreichten. Ein Einkäufer, der heute einen Anbieter physischer KI-Lösungen bewertet, hat keine wirkliche Möglichkeit, die Sicherheitsehrlichkeit konkurrierender Anbieter über die Marketingaussagen der einzelnen Unternehmen hinaus zu vergleichen; eine unabhängige „Red-Teaming“-Ebene würde den Einkäufern – sofern sie sich als Branchenstandard etabliert – eine konkrete Grundlage für diesen Vergleich bieten.

Wie sich Red-Teaming von den Sicherheitsprüfungen unterscheidet, die Einkäufer bereits kennen

Die meisten Käufer physischer KI-Lösungen planen bereits eine Form der Sicherheitsvalidierung ein: Zertifizierungsstellen, aus der industriellen Automatisierung abgeleitete Standards für funktionale Sicherheit sowie von Anbietern betriebene Teststrecken für autonome Fahrzeuge sind allesamt etablierte Bestandteile einer Checkliste für die Inbetriebnahme. Was den Ansatz von Laplace von diesem bestehenden Instrumentarium unterscheidet, ist die integrierte adversarische Herangehensweise

die Prüfung selbst. Im Rahmen eines Zertifizierungsprozesses wird in der Regel überprüft, ob ein System unter den erwarteten Bedingungen eine festgelegte Spezifikation erfüllt; ein Red-Teaming-Agent versucht hingegen ausdrücklich, jene Bedingungen aufzudecken, die niemand festgelegt hat, indem er bewusst solche Grenzfälle inszeniert – etwa einen Fußgänger, der in einem ungewöhnlichen Winkel hinter einem geparkten Lieferwagen hervorkommt, eine plötzliche Änderung der Oberflächenreibung oder ein teilweise verdecktes Hindernis –, die ein spezifikationsgesteuerter Testplan niemals berücksichtigen würde. Diese Unterscheidung spiegelt fast genau wider, wie sich die Cybersicherheitspraxis vor Jahrzehnten in konformitätsorientierte Audits und echte Penetrationstests aufgespalten hat, und die Kluft zwischen diesen beiden Disziplinen in der Softwaresicherheit ist ein plausibler Vorgeschmack auf die Kluft, von der Laplace annimmt, dass sie sich auch bei physischen KI-Sicherheitstests auftun wird.

Die praktische Konsequenz für ein Beschaffungsteam besteht darin, dass Red-Teaming eine Ergänzung zu bestehenden Zertifizierungs- und Sicherheitsprozessen darstellt und diese nicht ersetzt. Ein Roboter oder Fahrzeug, das die entsprechende industrielle oder automobiltechnische Sicherheitszertifizierung bestanden hat, hat die Einhaltung einer bekannten Spezifikation nachgewiesen; ein System, das darüber hinaus anhaltende angreifersimulationstests überstanden hat, hat etwas Zusätzliches bewiesen: dass es außerhalb der Grenzen dieser Spezifikation kontrolliert oder zumindest vorhersehbar ausfällt. Einkäufer, die eine Auswahlliste von Anbietern für einen physischen KI-Einsatz in einer wirklich unstrukturierten Umgebung – einem öffentlichen Gehweg, einer überfüllten Verkaufsfläche oder einem gemeinsam genutzten Lagergang eine Auswahlliste von Anbietern für den physischen Einsatz von KI in einer wirklich unstrukturierten Umgebung zusammenstellen, sollten das Vorhandensein oder Fehlen dieser Art von adversarischen Testverfahren als bedeutendes Unterscheidungsmerkmal zwischen Anbietern betrachten, die lediglich die Mindestanforderungen der Zertifizierung erfüllt haben, und solchen, die selbst nach ihren eigenen Fehlermodi gesucht haben, bevor ein Kunde diese stattdessen entdeckt.

Was ein Käufer fragen sollte, bevor er einem Red-Team-Ergebnis vertraut

Die naheliegende Frage, die Laplaces Präsentation aufwirft – und die jeder Käufer, der sich auf deren Ergebnisse verlässt, letztendlich direkt beantwortet haben muss –,

ist, wie genau eine rekonstruierte Simulation tatsächlich der realen Welt entspricht, für die sie steht. Ein Simulator, der auf echten Kartendaten und Straßenbildern basiert, bildet eine wesentlich fundiertere Grundlage als eine rein synthetische Testumgebung; dennoch ist eine Simulation per Definition eher ein Modell der Realität als die Realität selbst, und der gesamte Wert von Laplaces „Red-Teaming“-Ansatz hängt davon ab, dass in der Simulation entdeckte Fehler tatsächlich Ausfälle vorhersagen, die in der Praxis auftreten würden. Suns eigene Formulierung, die sich an Laplaces Dämon anlehnt, macht die Grenzen dieser Prämisse offen deutlich: Perfekte Vorhersagekraft war schon immer ein Gedankenexperiment, kein erreichbarer technischer Standard, und ein Käufer sollte die Ergebnisse von Laplace eher als einen deutlich besseren Filter betrachten als gar keine adversarischen Tests, und nicht als Garantie dafür, dass ein System, das diese Prüfung besteht, im Einsatz niemals versagen wird.

Dieser Vorbehalt schmälert die wirtschaftliche Logik hinter Laplaces Ansatz nicht so sehr, als dass er vielmehr das angemessene Maß an Vertrauen definiert, das ein Käufer ihm heute entgegenbringen sollte. Ein Start-up, das erst seit einem Jahr aus einem Universitätslabor hervorgegangen ist und auf einer einzigen Präsentationsbühne mit zwanzig anderen Unternehmen um Aufmerksamkeit konkurriert, hat noch nicht die Erfolgsbilanz vorzuweisen, die es einem Versicherer oder einer Aufsichtsbehörde ermöglichen würde, seine Ergebnisse allein als endgültigen Beweis anzusehen. Was Laplace aufgebaut hat – eine an der realen Welt orientierte Simulationsschicht, gepaart mit einem KI-Agenten, der ausdrücklich darauf ausgelegt ist, die Schwachstellen eines Roboters aufzuspüren –, ist dennoch ein wirklich neuartiger Ansatz für ein Problem, das die physische KI-Branche bislang größtenteils dem internen Ermessen der einzelnen Unternehmen überlassen hat, und es handelt sich um eine Infrastruktur-Ebene, die es wert ist, im Auge behalten zu werden – unabhängig davon, ob Laplace selbst das Unternehmen wird, das sie standardisiert.

Diese Analyse fasst öffentliche Äußerungen auf der TechCrunch Disrupt 2026 sowie zum Zeitpunkt der Veröffentlichung vorliegende Unternehmensunterlagen zusammen und ist nicht als Anlage-, Finanz- oder Fachberatung zu verstehen; sie dient ausschließlich allgemeinen Informationszwecken.

nur.