Marktkommentar: New Frontiers of AI: Kapitalströme in der physischen Welt und die Grenzen des Datenwachstums

Der Kapitalzufluss in Robotik und physische KI hat in den Jahren 2025 und 2026 ein neues Höchstniveau erreicht. Nach Daten von Crunchbase flossen 2025 rund 15 Milliarden US-Dollar in Robotik-Start-ups; zur Jahresmitte 2026 lag das Volumen mit etwa 18,8 Milliarden US-Dollar bereits über dem gesamten Vorjahr. Fasst man die Abgrenzung weiter und zählt angrenzende Bereiche der physischen KI hinzu, weist etwa PitchBook für 2025 rund 27,6 Milliarden US-Dollar aus¹ – annähernd doppelt so viel wie im Vorjahr. Dahinter steht ein Wahrnehmungswandel: Robotik galt lange als hardware-lastige Wette, gilt heute aber zunehmend als Trägerin von „Embodied AI“. Der Engpass ist nicht die Mechanik, sondern die Intelligenz, die sie steuert.

Im Zentrum dieser Entwicklung stehen sogenannte „Robot Foundation Models“ oder „Large Behavior Models“. Anders als klassische, für eine einzelne Aufgabe programmierte Steuerungen zielen sie auf ein einziges universelles Modell ab. Gewissermaßen ein „Gehirn“, das auf einer Vielzahl unterschiedlicher Roboterkörper eingesetzt werden kann, und, anders als ein Large Language Model, welches auf sprachliche Aufgaben trainiert ist, diese Roboter steuern und physische Aktionen ausführen kann. Auf Basis großer, diverser Datenmengen verknüpfen solche Vision-Language-Action-Architekturen Wahrnehmung, Sprache und Handlung und sollen so auch Situationen bewältigen, für die sie nicht explizit trainiert wurden. Gelingt diese Generalisierung, verschiebt sich die Wertschöpfung von der einzelnen Maschine hin zur Softwareplattform, die beliebige Maschinen steuerbar macht – ein aus dem Software- und Plattformgeschäft vertrautes Muster, das erklärt, warum sich das Kapital zunehmend auf der Foundation-Ebene sowie bei den Zulieferern von Daten und Simulation bündelt, während die reine Roboter-Hardware zunehmend Kommodifizierung erfährt.

Anbieter solcher Robot Foundation Models stehen beispielhaft für die Wette auf ein universelles Roboter-Gehirn. Entscheidend ist dabei weniger der einzelne Name als das strukturelle Muster: Die Vielzahl des Kapitals fließt nicht in die Mechanik, sondern in die Steuerungsintelligenz und die zugrunde liegenden Daten.

Eng damit verbunden ist die Art des Trainings. Reale Interaktionsdaten wie Kräfte, Sensorwerte oder Verschleiß sind teuer und teils gefährlich zu erheben, entsprechend verlagert sich ein wachsender Teil des Trainings in simulierte 3D-Umgebungen, in denen sich tausende Varianten einer Aufgabe durchspielen lassen, bevor der erste reale Test erfolgt. Die zentrale Hürde bleibt der Simulation-to-Reality-Gap, also die Robustheit beim Übergang aus der idealisierten Simulation in eine weniger vorhersehbare Realität. Wer hochwertige Simulationsumgebungen und proprietäre Datensätze beherrscht, verfügt damit selbst über einen dauerhaften Wettbewerbsvorteil.

Parallel zeichnet sich eine strukturelle Grenze des bisherigen Wachstumsmodells ab. Der Fortschritt großer KI-Modelle beruhte bislang wesentlich auf immer größeren Mengen menschlich erzeugter Textdaten – einer endlichen Ressource. Das Analysehaus Epoch AI schätzt den nutzbaren Bestand an öffentlich verfügbarem menschlichem Text auf rund 300 Billionen Tokens und erwartet, dass die wachsenden Trainingsdatensätze ihn je nach Szenario zwischen 2026 und 2032 – im Median um 2028 – erreichen². In der Branche heißt dieser Punkt „Datenmauer“. Ilya Sutskever, Mitgründer von OpenAI, fasste die Verknappung auf der Konferenz NeurIPS in Worte: Daten seien der „fossile Brennstoff“ der KI, einmal endlich vorhanden und inzwischen weitgehend verbraucht.

Als Antwort gewinnen zwei Ansätze an Bedeutung: erstens synthetische, also maschinell erzeugte Trainingsdaten; zweitens Verfahren des rekursiven Lernens, bei denen Modelle sich eigene Aufgaben stellen, gegen sich selbst „spielen“ und sich anhand überprüfbarer Ergebnisse selbst korrigieren – besonders wirksam in Domänen wie Mathematik oder Programmierung, in denen Richtigkeit automatisch messbar ist.

Ein Teil der Antwort liegt darin, menschliche Tätigkeit selbst in Daten zu verwandeln. Rund um den Globus werden alltägliche Handgriffe, vom Zusammenbau elektronischer Geräte in der Fabrik bis zu Arbeiten im Haushalt, gefilmt, annotiert, also mit erklärenden Zusatzinformationen versehen, und verkauft, um daraus Trainingsmaterial für Roboter und Modelle zu gewinnen. Daten werden so zu einem monetarisierbaren Nebenprodukt menschlicher Arbeit.

So entsteht rund um die Datenmauer ein eigener Markt für synthetische Daten und für Trainingsumgebungen, in denen Modelle Erfahrung sammeln. Für Investoren folgt daraus ein klarer Befund: Proprietäre, verifizierbare Daten und spezialisierte Trainingsumgebungen entwickeln sich zu einem knappen und  wertvollen Gut des KI-Zyklus.

Beide Entwicklungslinien führen zu derselben Schlussfolgerung. Dauerhafter Wert entsteht heute seltener in der sichtbaren Hardware oder im größten Einzelprodukt, sondern vielmehr bei den Zulieferern der Grundlagen, also bei Daten, Simulation und Infrastruktur. Diese Enabler-Ebene stellt das größte Risiko für einen Engpass im System dar, kann aber zeitgleich ein großer Hebel für einen entscheidenden Wettbewerbsvorteil sein.

Für die Allokation bedeutet dies eine zunehmend engere Selektion und einen guten Zugang zu den richtigen Unternehmen. Entscheidend sind technologische Substanz, die Hoheit über die Daten und eine belastbare Profitabilitätsperspektive und nicht allein hohes Wachstum.

Mit unseren Venture- und Growth-Capital-Strategien investieren wir erfolgreich in führende Anbieter von KI-Lösungen – von der Infrastruktur- und Enablement-Ebene über führende KI-Labore bis hin zu prägenden branchenspezifischen Anwendungen.

¹ Pitchbook, „Robotics & Physical AI VC Trends“, 19.3.2026 Q4 2025 Robotics & Physical AI VC Trends - PitchBook

² Epoch AI (2024): „Will we run out of data? Limits of LLM scaling based on human-generated data", 6.6.2024 Will we run out of data to train large language models? | Epoch AI