Reden wir über den Elefanten im Reinraum. Während Risikokapitalgeber übereinander stolpern, um das nächste bipedale Wunderkind zu finanzieren, verbirgt sich eine ernüchternde Wahrheit direkt vor unseren Augen: Trotz investierter Milliarden ist die tatsächliche Arbeit, die diese neue Welle fortschrittlicher Roboter leistet, gelinde gesagt kaum der Rede wert.
In einem aktuellen, brutal ehrlichen Lagebericht hat Dyna-Mitbegründer Yang York den Hype mit chirurgischer Präzision seziert – und das Bild, das er zeichnet, ist alles andere als schmeichelhaft. Vergessen Sie die glatten Demo-Videos, in denen Roboter Parkour laufen oder vorsichtig Eier jonglieren. Die wahre Geschichte steckt in den Zahlen, und sie erzählen von einer tiefen Entkoppelung zwischen Anspruch und Wirklichkeit. Zwischen 2022 und 2025 hat die Robotikbranche über 18 Milliarden US-Dollar an Fördergeldern verschlungen. Doch Stand Anfang 2026 ist der reale Einfluss auf die Weltwirtschaft verschwindend gering.
York nimmt die Vorzeigeprojekte des Hardware-Booms ins Visier. Tesla-Chef Elon Musk gab im Januar 2026 bei einer Bilanzkonferenz zu, dass im Grunde kein einziger Optimus-Roboter in seinen Fabriken produktive Arbeit verrichtet. Und Unitree, der wohl weltweit größte Versender humanoider Roboter, offenbarte im Börsenprospekt für den März-IPO, dass stolze 73,6 % des Umsatzes aus dem Bildungs- und Forschungssektor stammen. Der tatsächliche industrielle Einsatz? Mageren 9 %, wovon der Großteil auf “Empfangsdienste und Museumsführungen” entfällt. Der Umsatz mit echten Fertigungsaufgaben belief sich auf läppische 2 Millionen Euro.
Diese Kluft zwischen finanzieller Erwartung und physischer Realität bezeichnet York als die Blase. Dabei geht es ihm nicht darum, ob die Technik irgendwann funktioniert. Es geht um den Zeitplan. Wie er es ausdrückt: „Eine Blase ist die Lücke zwischen der aktuellen technischen Leistungsfähigkeit und den menschlichen Erwartungen, multipliziert mit der Zeit.“
Deine LLM-Analogie ist schlecht (und du solltest dich schlecht fühlen)
Ein Kernpunkt von Yorks Argumentation ist, dass die Robotikbranche auf dem falschen Trip ist – berauscht von schlechten Analogien. Investoren und Gründer, benebelt vom exponentiellen Wachstum der Large Language Models (LLMs), versuchen das gleiche Playbook auf die Welt der Atome anzuwenden. Und sie scheitern damit spektakulär.
LLMs konnten in Lichtgeschwindigkeit skalieren, weil sie reine Software sind, die über das Internet sofort an Milliarden Menschen verteilt werden kann. Roboter hingegen sind physische Objekte. Sie gehen kaputt. Sie müssen gewartet werden. Sie müssen sich im schmutzigen, unvorhersehbaren Chaos der echten Welt zurechtfinden.
Die verlockende, aber ebenso fehlerhafte Analogie ist die Industrie für autonomes Fahren (AV). Doch selbst die passt nicht. Ein Auto ist auch ohne Selbstfahrfunktion nützlich; es ist eine etablierte Produktkategorie, ein Vertriebskanal, der nur auf ein KI-Upgrade wartet. Ein nicht-intelligenter Humanoid hingegen ist laut York „eine 27 Kilo schwere Maschine mit 28 Freiheitsgraden und absolut keinem Zweck“. Es gibt keine eingebaute Nutzerbasis. Es gibt keine installierte Basis, die man upgraden könnte. Die Branche versucht gerade, die App, das Telefon und das Mobilfunknetz gleichzeitig zu erfinden.
Das bedeutet: Die Robotik wird keine LLM-typische Startkurve erleben. Sie wird nicht einmal eine Kurve wie bei den autonomen Fahrzeugen haben. Sie wird eine Robotik-Kurve haben – und die Weigerung der Branche, dies zu akzeptieren, ist ihr teuerster Fehler.
Die drei großen Täuschungen der modernen Robotik
York identifiziert drei grundlegende Denkfehler, die die Hype-Blase stützen. Es sind die süßen kleinen Lügen, die sich die Branche erzählt, während sie den nächsten Scheck im neunstelligen Bereich einlöst.
1. Hardware ist kein Vertriebskanal
Das teuerste Missverständnis ist der Glaube, dass die Auslieferung eines physischen Roboters bereits den Aufbau eines Vertriebskanals bedeutet. Die Logik dahinter: Bring die Hardware erst mal zum Kunden, der Rest ergibt sich von selbst. Ein fataler Irrtum.
Ein echter Kanal schafft wiederkehrenden Wert. Wenn ein Roboter eine Demo zeigt und danach Staub ansetzt, weil er die ROI-Hürde nicht reißt, hat man keinen Kanal. Man hat einen sehr teuren Briefbeschwerer. York argumentiert, dass ein wahrer Robotik-Vertriebskanal ein Full-Stack-Deployment-System ist: Standortanalyse, Aufgabendefinition, Datenerfassung, Remote-Debugging und kontinuierliche Updates.
„Der Test für einen Kanal ist, ob das nächste Deployment schneller geht als das letzte“, schreibt York. „Wenn nicht, hast du keinen Kanal gebaut. Dann hast du nur Lagerbestand und PR produziert.“
2. Dein „Foundation Model“ besteht fast nur aus Fundament
Der zweite Fehler ist ein Missverständnis darüber, wie KI-Modelle eigentlich gut werden. Die gesamte Diskussion in der Robotik dreht sich um das Pre-Training auf massiven Datensätzen. Doch das Geheimnis moderner LLMs ist nicht nur das Pre-Training, sondern die enge, iterative Schleife zwischen Pre-Training und domänenspezifischem Feedback nach dem Training (Post-Training).
In der Robotik hat diese Schleife kaum begonnen. Die meisten Teams stopfen ihre Modelle mit immer mehr Daten voll und beten, dass daraus Fähigkeiten erwachsen. Aber ohne das Post-Training-Signal aus echten Einsätzen – von Robotern, die in der Fabrikhalle tatsächlich scheitern – können die Modelle nicht reifen. Es gibt keine einheitliche Metrik wie die „Perplexity“ bei LLMs, gegen die man optimieren könnte. Ein Modell, das im Labor Benchmarks knackt, ist wertlos, wenn es mit den Lichtverhältnissen in einem echten Lagerhaus nicht klarkommt.
3. Das Schwungrad besteht aus langweiligem Kleinkram
Dies führt zum meistunterschätzten Teil des Stacks: der Deployment-Infrastruktur. Hier geht es nicht um glanzvolle Sales-Pitches, sondern um die harte, unglamouröse Ingenieursarbeit, ein einmaliges Projekt in ein skalierbares Asset zu verwandeln. Es sind die Werkzeuge für Ferndiagnose, Daten-Routing und zuverlässige Updates.
Ohne dieses „Schwungrad“ (Flywheel) kommt das gesamte System zum Erliegen. Der Roboter gelangt nicht in reale Umgebungen. Das Modell erhält nicht die Realdaten, die es zur Verbesserung braucht. Die Lernkurve flacht ab, egal wie viel Rechenleistung man darauf wirft. Die Blase, so York, „lebt in der Lücke zwischen den Teams, die das verstanden haben, und jenen, die immer noch Benchmark-Zahlen und Demo-Videos optimieren.“
Der einzige Weg führt mitten hindurch
Angesichts dieser Realität hat sich das Feld gespalten. Einige setzen auf „Model-first“ und wetten darauf, dass ein ausreichend mächtiges „Gehirn“ das Problem lösen wird und Hardware zur Massenware verkommt. Andere setzen auf „Hardware-first“ in dem Glauben, dass der perfekte Körper der Schlüssel ist und Open-Source-Software die Lücken füllen wird.
York und Dyna gehören fest zum dritten Lager: vertikale Integration. Nicht, weil es trendy ist, sondern weil sie nach einem Jahr des Einsatzes ihres DYNA-1-Modells festgestellt haben, dass es anders nicht geht. Sie haben auf die harte Tour gelernt, dass Deployments nicht durch Zauberei einfacher werden. Die Feedbackschleife muss gleichzeitig über Forschung, Hardware und Deployment geschlossen werden.
Das ist die Arbeit, die vor uns liegt. Es geht nicht darum, dem nächsten viralen Video hinterherzujagen. Es geht um den mühsamen Prozess, ein System zu bauen, das den zehnten Einsatz schneller und zuverlässiger macht als den ersten. Das erste Team, das diesen Code wirklich knackt, wird den Markt nicht nur gewinnen – es wird ihn definieren. Bis dahin schauen wir alle nur einer sehr teuren Wissenschaftsmesse zu.
