KI
Teknosfera-Redaktion
KI

OpenAIs Robotik-Wette: Skalierung gewinnt, doch wer erklärt die Fehler?

Robotik in allgemeine Modelle aufzulösen mag effizient sein, doch es löst auch die Spezialisten auf, die wüssten, warum ein Roboter die Flasche fallen ließ. Das wiegt schwerer als der Benchmark.

Veröffentlicht
14. November 2026
Lesezeit
3 min
Kategorien
KI

Foto: Cwoo4792 / Wikimedia Commons (CC BY-SA 3.0)

Wie nennt man ein Robotikprogramm ohne Robotik-Team? Entweder die selbstbewussteste Strategie der KI-Branche oder eine sehr elegante Art, Kosten zu senken. Wahrscheinlich beides.

Laut einer Exklusivmeldung von Fortune hat OpenAI sein eigenständiges Robotik-Team aufgelöst. Die Forscher berichten nun an Chief Research Officer Mark Chen, während das Personal für angewandte Robotik und Hardware unter Präsident Greg Brockman gewechselt ist. Das Unternehmen betont, Robotik bleibe ein zentraler Bestandteil seiner langfristigen Vision, und Sam Altman peilt Berichten zufolge 2027 eine erste öffentliche Demo eines eigenen Humanoiden an.

Als Begründung wird genannt, dass allgemeine Frontier-Modelle, darunter GPT-6 Astra, inzwischen direkt auf Roboter angewendet werden können. Fortune zitiert eine Nvidia-Studie, in der ein von Astra gesteuerter Agent in einem simulierten Manipulations-Benchmark 74,8 % erreichte, gegenüber 51,0 % für die besten spezialisierten Robotermodelle in dieser Rangliste.

Die Wette auf Skalierung ist glaubwürdiger, als sie klingt

Man kann leicht spotten, doch wir halten die Logik für stimmig. Guanya Shi von der Carnegie Mellon University sagte Fortune, er lese den Schritt als Zeichen dafür, dass OpenAI Robotik „nicht mehr als Sonderproblem“ sehe, sondern als weitere nachgelagerte Anwendung allgemeiner Intelligenz, ähnlich wie Programmier- oder Rechtswerkzeuge. Wenn dasselbe Modell, das Code schreibt, auch eine Flasche an unerwarteter Stelle oder bei merkwürdigem Licht greifen kann, wirkt ein separates Team für das Roboter-Gehirn wie doppelte Arbeit.

Das ist auch die Geschichte der vergangenen Jahre in der KI: Spezialisierte Systeme verlieren immer wieder gegen größere, allgemeine. Ein Abstand von fast 24 Punkten in einem Benchmark lässt sich schwer abtun. Unser Vorbehalt: Es handelt sich um einen simulierten Benchmark, nicht um eine Fabrikhalle, und Benchmarks sind genau das Terrain, auf dem allgemeine Modelle meist am besten aussehen.

Das Geldthema liegt offen auf der Hand

Das ist nicht als reine Wissenschaft zu lesen. Fortune verweist darauf, dass OpenAI unter Druck steht, die Kosten zu senken, „Nebenprojekte“ (darunter Sora) aufgegeben hat, im jüngsten Quartal Berichten zufolge 10,9 Milliarden US-Dollar operativen Verlust gemacht hat und einen möglichen Börsengang Anfang 2027 ins Auge fasst. Ein eigenständiges Robotik-Team wirkt auf uns wie ein Lehrbuchbeispiel für ein Nebenprojekt. „Allgemeine Modelle können es besser“ ist ein wunderbarer Befund, wenn man gerade das Organigramm vereinfachen muss.

Wir behaupten nicht, der Befund sei falsch. Doch wenn eine technische Schlussfolgerung und ein Budgetbedarf in dieselbe Richtung weisen, sollten Leser beides im Blick behalten. Es ist zudem das zweite Mal, dass OpenAI ein Robotik-Team schließt, nach der Abwicklung 2020, die laut Fortune Mitgründer Wojciech Zaremba mit begrenzten Roboterdaten begründete.

Wer weiß, warum der Roboter versagt hat?

Hier liegt unser eigentlicher Einwand. Ein Sprachmodell, das sich irrt, liefert einen schlechten Absatz. Ein Roboter, der sich irrt, kann einen Teller zerbrechen oder Schlimmeres. Die Fehlersuche erfordert vermutlich Leute, die täglich mit Aktuatoren, Latenz, Kalibrierung und Kontaktphysik arbeiten. Verteilt man diese Leute auf allgemeine Forschung und angewandte Teams, verliert man ihre Fähigkeiten vielleicht nicht über Nacht, wohl aber den Ort, an dem die Fehleranalyse die ganze Aufgabe war.

Das Gegengewicht liefert Russ Tedrake, Professor am MIT sowie Mitgründer und CEO von Walden Robotics. Er argumentiert, Robotikfirmen besäßen etwas, das Labore nicht haben: Einsatzerfahrung an realen Arbeitsplätzen und standortspezifische Daten, die mit besseren Foundation-Modellen wertvoller werden. Das halten wir für den eigentlichen Burggraben. Wer Roboter in Fabriken im Einsatz hat, lernt, warum sie scheitern, und ein allgemeines Modell allein kann das nicht sagen.

Die Startups, die Milliarden mit der Annahme eingesammelt haben, Roboter bräuchten eigene Gehirne, sind also nicht tot, doch ihr Pitch muss sich wohl ändern. Ihr Wert liegt in Daten und Betrieb, weniger im Modell.

Unser Fazit

Wir halten es für wahrscheinlich, dass OpenAI recht hat: Allgemeine Modelle werden den Großteil der „Gehirn“-Arbeit übernehmen, und eigene Teams für Robotermodelle sind der am stärksten gefährdete Teil. Doch der Humanoide von 2027 wird in der physischen Welt beurteilt, nicht in einer Rangliste. Wenn OpenAI will, dass diese Demo überzeugt, muss es Expertise für Fehler in der physischen Welt irgendwo mit echter Entscheidungsbefugnis halten, nicht bloß mit einer Berichtslinie. Darauf sollte man achten: nicht auf die Benchmark-Werte, sondern darauf, ob das Unternehmen öffentlich erklären kann, was schiefgeht, wenn seine Roboter scheitern.

Diskussionsthemen

Noch keine Themen: Eröffne das erste.

Weitere Artikel