← Zurück zur Ausgabe vom 15. November 2026

Reportage

Navigator oder Fahrer? Warum OpenAI sein Robotik-Team auflöst – und was Käufer und Investoren von „Roboter-Gehirnen“ erwarten dürfen

OpenAI wettet, dass ein großes Allzweck-Modell Roboter steuern kann, und löst dafür sein Robotik-Team auf. Die Daten dahinter sind dünner, als die Schlagzeile klingt: 18 Sekunden Bedenkzeit, 36 Dollar pro erfolgreichem Griff, Simulation statt Werkhalle. Eine Bestandsaufnahme zwischen Allzweck-Modellen, spezialisierten Reflex-Modellen und der Frage, wer die Daten besitzt.

Von Stefan Lange-Hegermann · · 8 Minuten

Der leere Stand auf der CoRL

Auf der Robotikkonferenz CoRL in Austin stand in dieser Woche ein OpenAI-Stand mit der Nummer 208. Als die Fortune-Reporterin Wen Shao ihn besuchte, war er leer, ohne Logo und ohne Demo. Wenige Tage später bestätigte OpenAI, was das erklärte: Das eigenständige Robotik-Team gibt es nicht mehr. Die Forschung läuft künftig im Hauptforschungsteam unter Mark Chen, Hardware und angewandte Robotik gehören zur Produktorganisation unter Greg Brockman. Eine Mitarbeiterzahl nennt OpenAI nicht.

Die Begründung ist eine technische Wette: Anfang 2026 habe man gedacht, man müsse auf Videomodelle wie Sora setzen, die Physik implizit lernen. Inzwischen habe sich gezeigt, dass das allgemeine Spitzenmodell GPT-6 Astra sich direkt auf Roboter anwenden lasse. Als Beleg zitiert Fortune eine Nvidia-Studie: 74,8 Prozent Erfolg in einem simulierten Test, gegenüber 51,0 Prozent für das beste spezialisierte Robotikmodell.

Für Entscheider lohnt es sich, hinter diese Zahl zu schauen. Sie ist der Aufhänger für eine Frage, die über Millioneninvestitionen entscheidet: Braucht ein Roboter ein eigenes Gehirn, oder reicht ein gutes Allzweck-Modell?

Die Fußnote im Kleingedruckten: 18 Sekunden Bedenkzeit

Die Studie heißt „Astranomy“ und stammt aus Nvidias Robotiklabor in Seattle. Getestet wurden 120 simulierte Greif-und-Ablege-Aufgaben mit einem Roboterarm, je fünf Durchläufe. Die 74,8 Prozent erreichte eine Variante, in der Astra als „Agent“ in einer dauerhaften Programmiersitzung arbeitet: Dafür verbrauchte das Modell im Schnitt 30,9 Millionen Token, rund 36 Dollar pro erfolgreichem Durchlauf, bei 13 Sekunden Latenz. Die einfachste Variante mit direkten Modellaufrufen kam auf 66,3 Prozent, benötigte aber 18,6 Sekunden pro Aufruf. Zum Vergleich: Das verbreitete Spezialmodell π0.5 schaffte 28,0 Prozent bei 47 Millisekunden.

Zwei Einschränkungen gehören dazu. Erstens pausiert die Simulation, während das Modell nachdenkt: Die Welt wartet. In einer echten Halle wäre das nicht so. Zweitens zeigt die Studie nur Greifaufgaben, und fünf Durchläufe pro Aufgabe sind wenig; Nvidia räumt selbst ein, die Streuung zwischen Aufgaben nicht belastbar zu erfassen.

Eine Analogie macht den Unterschied anschaulich. Ein Allzweck-Modell ist wie ein brillanter Beifahrer, der die Karte liest, aber 18 Sekunden pro Anweisung braucht. Bei Tempo 130 braucht man zusätzlich einen Fahrer, dessen Hände in 47 Millisekunden reagieren. Gute Robotik braucht beides: den langsamen Planer und den schnellen Reflex.

Unabhängige Messungen an echter Hardware, die das Portal Humanoids Daily im September dokumentierte, zeichnen ein gemischtes Bild. Astra legte in 19 von 20 Versuchen einen Klotz in eine Schale, für 0,94 Dollar pro Versuch. Bei einer Einsteckaufgabe im Submillimeterbereich gelang es nur in 2 von 20 (10 Prozent). In ausgewählten Zweiarm-Aufgaben erreichte Astra allein 26 Prozent; als Aufpasser über π0.5 waren es 48 Prozent. Die Mischung schlägt also die reine Lehre. Dazu kommt ein Sicherheitsbefund: In einem Test setzte Astra 97 von 100 gefährlichen Anweisungen zumindest an und führte 60 aus (Humanoids Daily, 20. September; nur fünf Laborszenen). Auch Anthropic meldet für Claude Fable 5.2 einen Spitzenwert in einem Robotik-Benchmark, doch die Zahlen stammen aus der eigenen Messung des Herstellers.

Das Gegenlager: Reflexe, Standortwissen und die Datenfrage

Wer das Gegenteil von OpenAI vertritt, argumentiert mit Reflexen und Daten. Nvidia stellte auf der CoRL GR00T 2 vor, ein Modell mit zwei Milliarden Parametern, das künftige Videobilder und Roboteraktionen gemeinsam vorhersagt; die Gewichte sollen im Dezember erscheinen. Nvidias Jim Fan sagte laut Humanoids Daily sinngemäß, weder Astra noch GR00T könnten die Aufgabe allein lösen, und Labore müssten die schnelle Ebene lokal besitzen, statt von der WLAN-Verbindung abzuhängen. Google DeepMind gab am 10. November Gemini Robotics 2.5 an Partner (Agile Robots, Apptronik, Boston Dynamics) frei, eine Programmierschnittstelle gibt es noch nicht. In einem Pilotversuch bei Mercedes-Benz erreichte der Apptronik-Roboter beim Teile-Kommissionieren 96 Prozent Erfolg; DeepMinds Kanishka Rao nennt die letzten vier Prozent eine „steile Straße“.

Die Analogie dafür: der Reflex. Die Hand verlässt die heiße Herdplatte, bevor das Gehirn den Schmerz verarbeitet hat. Das Onboard-Modell ist der Reflex, das große Cloud-Modell die Großhirnrinde. Ein Roboter ohne Reflexebene ist bei jedem Funkloch gelähmt.

Das zweite Argument sind Daten. Russ Tedrake, MIT-Professor und CEO von Walden Robotics, verweist laut Fortune darauf, dass Robotikfirmen auf realen Fabrikböden „Arbeitserfahrung“ sammeln, die KI-Labore nicht haben. Das ist die Londoner-Taxi-Logik: Jeder kluge Mensch kann einen Stadtplan lesen, aber der Fahrer, der jede Straße kennt, weiß, welche bei Regen überflutet. Bessere Basismodelle machen standortspezifische Daten eher wertvoller. Entsprechend aggressiv sammeln alle: Figure zahlt über eine App Beitragende für Videos und nennt über eine Milliarde Dollar Daten- und Rechenbudget binnen zwölf Monaten; DoorDash bezahlt Kuriere, Hausarbeit zu filmen; Hyundai und Boston Dynamics bauen ein dauerhaftes Trainingszentrum. 1X-Chef Bernt Børnich sagte, derzeit schlage ein aufgabenspezifisches Modell sogar 1Xs eigenes allgemeines Weltmodell beim Wäschefalten, und er erwarte den Wechsel zur Allgemeinintelligenz erst 2027.

Zahlen statt Demos: Was Fabriken wirklich bezahlen

Die Preisschilder auf dem Markt laufen den Erlösen voraus. Skild AI meldet laut The Next Web 100 Millionen Dollar laufenden Jahresumsatz und eine Bewertung von 14 Milliarden Dollar; hunderte Roboter laufen bei mehr als 60 Firmen. Physical Intelligence führt laut Bloomberg Gespräche über mindestens eine Milliarde Dollar bei rund 20 Milliarden Dollar Bewertung, angeblich ohne Umsatz. Figure ist in Verhandlungen bei rund 39,5 Milliarden Dollar; The Inference berichtet unter Berufung auf Forbes, BMW zähle derzeit ein bis drei Figure-Roboter im Einsatz (diese Berichterstattung ist umstritten). Tesla verschob externe Optimus-Auslieferungen laut Electrek auf Ende 2027; Musk räumte Probleme bei Händen und Haltbarkeit ein.

Handfester sind schmale Aufgaben. Agility Robotics, seit dem 5. November an der Nasdaq, nennt über 100.000 bewegte Behälter bei GXO und 300 Millionen Dollar an bedingten Bestellungen für rund 1.000 Digit-Roboter. UBTech verkaufte im ersten Halbjahr 921 Humanoide bei einem Nettoverlust von 338,8 Millionen Yuan, ein Kunde steht für 24 Prozent des Umsatzes (Zusammenfassung einer Börsenmeldung). Die Muster sind klar: bezahlt wird Messbares und Eng-Umrissenes, nicht das Allzweck-Versprechen.

Was Entscheider jetzt tun sollten

Käufer: Fragen Sie nach der Erfolgsquote auf Ihrer Aufgabe bei Echtzeit-Geschwindigkeit, nicht nach Benchmarks. Fragen Sie, wo die Inferenz läuft und was bei Netzausfall passiert, und nach den Kosten pro Aufgabe. 96 Prozent klingen hoch, reichen in einem Autowerk aber nicht. Planen Sie menschliche Aufsicht ein und bevorzugen Sie enge, bezahlte Pilotprojekte mit meilensteinbasierten Bestellungen, wie sie Agility und Apptronik vorleben.

Investoren: Bewertungen laufen den offengelegten Umsätzen voraus. Die Modellschicht kann zur Massenware werden, wenn die großen Labore weiter aufholen; haltbare Vermögenswerte sind Einsatzdaten, Flottenbetrieb und Hardwarezuverlässigkeit. J.P. Morgan setzt laut Humanoids Daily kurzfristig eher auf Komponentenlieferanten.

Technikverantwortliche: Bauen Sie auf eine Zwei-Ebenen-Architektur und tauschbare Modelle. Verlangen Sie Benchmarks von Dritten: Fast jede Zahl in dieser Debatte stammt aus dem Messaufbau des Anbieters.

Haftung: Normen zertifizieren heute den Körper des Roboters, nicht das gelernte Verhalten (Activant Research). Hersteller, Modellentwickler, Integrator und Betreiber teilen sich einen möglichen Schaden; ein Modell auf vielen Robotern erzeugt korrelierte Risiken. Die EU-Maschinenverordnung gilt ab 20. Januar 2027 und erfasst KI-basierte Sicherheitsfunktionen erstmals ausdrücklich (The Next Web).

Die offene Frage ist, ob OpenAI mit seiner Wette recht behält. Der Test steht für 2027 an: Dann will Sam Altman die erste öffentliche Demo des eigenen Humanoiden zeigen. Bis dahin ist die plausibelste Lesart die vermittelnde: ein Allzweck-Modell als Navigator, ein kleines schnelles Modell als Reflex, und darunter Daten, die nur besitzt, wer im Einsatz ist. Noch ein Hinweis zum Kontext: Nvidia, dessen offener Software-Stack vieles in diesem Feld trägt, ist selbst gerade ohne festen Chef. GR00T 2 erschien trotzdem planmäßig.

Quellen