Physical AI und die neue Energiegleichung in der Fertigung

Die meisten Menschen denken beim Thema Energiewende an Solarmodule, Windkraftanlagen und Elektrofahrzeuge. Diese Maßnahmen sind zwar wirksam, lassen jedoch den Sektor mit dem weltweit größten Energieverbrauch unbeachtet: die Industrie. Auf den Industriesektor entfielen fast 40 % des weltweiten Endenergiebedarfs, also der größte Anteil aller Sektoren beim Endverbrauch.¹ Und obwohl die Industrie zunehmend auf Elektrifizierung setzt, geschieht die Umstellung nicht schnell genug: Die weltweite Elektrifizierungsraten stagnieren bei etwa 20 % (was bedeutet, dass rund 80 % des Bedarfs nach wie vor mit fossilen Brennstoffen gedeckt werden müssen).²

Darüber hinaus entfällt auf die Industrie auch der Löwenanteil des gesamten Wachstums des Energiebedarfs (rund zwei Drittel), weshalb sie ein vorrangiges Ziel für Maßnahmen zur Verbesserung der Energieeffizienz ist.³ In diesem Zusammenhang entwickelt sich eine neue Generation von Technologien, insbesondere die physikalische KI, zu einem entscheidenden Wegbereiter für die weitere Elektrifizierung, mehr Energieeffizienz und Energiesicherheit (durch eine geringere Abhängigkeit von fossilen Brennstoffen) in allen Branchen, insbesondere in der industriellen Fertigung.

Die physische KI läutet einen grundlegenden Wandel in der Industrietechnologie ein und bringt die KI aus digitalen Umgebungen in Fabriken, Gebäude und Stromnetze. Dank einer Kombination aus Sensorik, Vernetzung und Echtzeit-Inferenz sind Maschinen nun in der Lage, ihre physische Umwelt wahrzunehmen und autonom Entscheidungen zu treffen und zu handeln.

Die Einführung physischer KI verläuft in drei Phasen. Die erste Phase, die „Pick-and-Place“-Automatisierung, vorausschauende Instandhaltung sowie industrielle Sensorik umfasst, ist bereits weitgehend abgeschlossen. In der zweiten Phase, die derzeit aktiv erprobt wird, liegt der Schwerpunkt auf KI-gestütztem Design, fortschrittlicher Prozessüberwachung und digitalen Zwillingen. Die dritte Phase sieht die Zusammenarbeit mehrerer Roboter und Menschen sowie „Weltmodell“-Simulationen an der neuen technologischen Front vor, bei denen die KI physikalische Bedingungen so gut erfassen kann, dass sie ganze Werksumgebungen autonom steuern kann (siehe Abbildung 2). Ein Anteil im mittleren einstelligen bis niedrigen zweistelligen Prozentbereich der Gesamtumsätze führender Fabrikautomationsanbieter wird bereits mit KI-Funktionen erzielt, und KI ist in einem erheblichen Teil neu eingeführter Produkte integriert.⁴

Bei Gesprächen mit führenden Industrietechnologieanbietern hat sich gezeigt, dass ein Wettlauf um die Kontrolle über den physischen KI-Stack im Gange ist, wobei dem Energiemanagement zentrale Priorität eingeräumt wird. Siemens* positioniert sich beispielsweise als tragende Säule unter dem Motto „KI für die reale Welt“. Der humanoide Roboter auf Rädern des Unternehmens erzielte in einer realen Elektronikfabrikumgebung hohe Erfolgsraten bei der autonomen Ausführung von Logistikaufgaben wie dem Kommissionieren, Transportieren und Handhaben von Behältern.⁵

Der in Kürze erscheinende „Digital Twin Composer“ von Siemens kombiniert die Omniverse-Simulation von NVIDIA* mit Echtzeit-Konstruktionsdaten und ermöglicht so groß angelegte industrielle Metaverse-Umgebungen, in denen KI-Agenten Prozessänderungen mit physikalischer Genauigkeit simulieren, bevor Änderungen in der Realität vorgenommen werden.⁶ In ersten Pilotprojekten wurden bereits eine nahezu vollständige Konstruktionsvalidierung sowie erhebliche Einsparungen bei Investitionsausgaben erzielt.

Auch der französische Industriegigant Schneider Electric* nutzt GPUs von NVIDIA und Omniverse, um digitale Zwillinge fortschrittlicher Stromversorgungssysteme zu erstellen. Diese Simulationsmodelle demonstrieren den Strombedarf vom Versorgungsnetz bis hin zu einzelnen Chips und ermöglichen so eine präzise Planung der Stromverteilung und der Ausfallsicherheit auf Anlagenebene.⁷ Der japanische Industriekonzern Hitachi* setzt bereits KI-Agenten ein, um Probleme in Industrieanlagen mit hoher Genauigkeit und sehr kurzen Reaktionszeiten zu diagnostizieren. In Stromnetzen wurde die betriebliche Effizienz mit KI-gestützter Überwachung erheblich verbessert.⁸ Nexans*, ein in Frankreich ansässiger Spezialist für Kabel und Stromübertragung, setzt KI in ähnlicher Weise ein und integriert KI und Sensoren in die gesamte Netzwerkinfrastruktur, um Ausfälle besser vorhersagen zu können und den Stromfluss in Echtzeit zu optimieren.⁹

Obwohl es sich hierbei um unterschiedliche Anwendungsfälle handelt, nutzen sie alle Plattformen für „Digitale Zwillinge“, um Simulationen auf der Grundlage realer Fabrikdaten zu erstellen, in Maschinen und Anlagen integrierte Edge-KI für Anpassungen der Fertigung in Echtzeit und letztlich autonome KI-Agenten, die mit schneller Geschwindigkeit Produktionsabläufe und Prozesse auf der Grundlage unternehmensweiter Daten zusammenstellen können. Jeder KI-Layer reduziert den Energieverbrauch und Abfall und macht eine künftig klimaneutrale Fertigung greifbarer (siehe Abbildung 3).

Wenn KI eine schnelle Datenverarbeitung und Inferenz ermöglicht, also als Gehirn fungiert, dann entsprechen die Aktuatoren in Robotern den Muskeln. Antriebe, die Energie in Bewegung umwandeln, sind ein zwar weniger beachteter, aber sich rasch entwickelnder Aspekt der Energieeffizienz in Fabriken. Jeder Industrieroboter, Roboterarm und humanoide Roboter besteht letztendlich aus einer Anordnung von Bewegungssteuerungssystemen (Aktuatoren, Motoren, Getriebe und Antriebe usw.). Die Energieeffizienz dieser Komponenten rückt zunehmend in den Blick der Investoren.

Elektromotoren in Robotergelenken erreichen isoliert betrachtet einen Wirkungsgrad von etwa 80 %, doch dieser Wert sinkt auf etwa 40 %, sobald Getriebe und Kraftübertragungssysteme mit einbezogen werden.¹⁰ Bei einer weltweit installierten Basis von rund 4,3 Millionen Industrierobotern¹¹ dürfte der Energieverlust insgesamt beträchtlich sein. KI-optimierte Bewegungsplanung ist ein wirkungsvoller Hebel zur Steigerung der Effizienz, ebenso wie Hardware-Upgrades. So erreichten Ingenieure beispielsweise mithilfe von mit Fanuc*-Industrierobotern vernetzten digitalen Zwillingen eine Reduzierung des Energieverbrauchs bei Bestückungsvorgängen um 74,8 %.¹²

Humanoide Roboter, die Dutzende von Aktuatoren sowie weitere energieverbrauchende Komponenten enthalten können, sind eine Verkörperung der energetischen Herausforderung. So haben beispielsweise Teslas „Optimus“, „Digit“ von Agility Robotics und „Apollo“ von Apptronik bei Mercedes-Benz* eine Laufzeit von nur zwei bis vier Stunden pro Ladung, was auf den ineffizienten Einsatz der Aktuatoren, Wärmeverluste und Batterien mit geringer Energiedichte zurückzuführen ist.¹³

Diese Faktoren beeinträchtigen die Produktivität, die Effizienz und letztlich die Wirtschaftlichkeit von humanoiden Robotern in realen Fabrikumgebungen. Die technischen Gegenmaßnahmen werden jedoch immer besser. Aktuatoren der nächsten Generation mit Quasi-Direktantrieb (QDD) bieten im Vergleich zu herkömmlichen Gleitkeilgetrieben ein drei- bis fünfmal höheres Drehmoment-Gewichts-Verhältnis¹⁴, und neue Magnetgetriebetechnologien und extrem effiziente bürstenlose Motoren steigern den Wirkungsgrad der Aktuatoren auf über 90 %.¹⁵

Unternehmen mit Lösungen für das Energieproblem – z. B. fortschrittlichen Motorkonstruktionen, Leistungselektronik und KI-gestützter Bewegungsoptimierung – sichern sich einen technologischen Wettbewerbsvorteil für die nächste Ära der Industrie.

Auf die Industrie entfallen 40 % des Energiebedarfs, was sie zum idealen Anwendungsfeld für Technologien wie physikalische KI macht, die eine Steigerung der Energieeffizienz und eine Reduzierung von Verschwendung erzielen sollen. Es geht jedoch nicht nur um die Einführung von KI. Die führenden Industrieunternehmen der nächsten Generation wird sich dadurch auszeichnen, wie effizient sie physische KI einsetzen – indem sie intelligente „Gehirne“ mit energieintensiven „Muskeln“ kombinieren.

Auf Werksebene sind die „Muskeln“ der physischen KI – Aktuatoren, Motoren und Robotersysteme – die Faktoren, die über den Energiebedarf entscheiden. Das verdeutlicht die Notwendigkeit effizienterer industrieller Prozesse und Antriebstechnologien. Wegen der zunehmenden Elektrifizierung der Fertigung und der immer stärkeren Automatisierung durch künstliche Intelligenz entwickelt sich der Stromverbrauch zu einem zentralen Wettbewerbsfaktor.

Gleichzeitig bestimmen die „Gehirne“ – Halbleiter, KI-Modelle und Steuerungssoftware – darüber, wie effektiv diese Energie genutzt wird, was die Nachfrage nach energieeffizienten Chips, fortschrittlichen Steuerungssystemen und Optimierungssoftware stärkt. Physische KI-Systeme benötigen hochwertige Betriebsdaten aus realen Anwendungen, um die Leistung unter realen Rahmenbedingungen zu optimieren. Viele etablierte Unternehmen, die über Daten- und Fertigungsplattformen verfügen, nutzen diese Chance und gehen Partnerschaften mit führenden Anbietern von KI-Technologie ein, um sich einen Wettbewerbsvorteil zu verschaffen.

KI-gestützte Produktivität lässt sich jedoch auch auf andere Bereiche anwenden, die den Fabrikbetrieb unterstützen, zum Beispiel auf die Energieverteilung und das Energiemanagement über intelligente Stromnetze sowie Speicher- und Leistungselektronik, die eine zuverlässige und flexible Stromversorgung ermöglichen. Angesichts des immer umfassenderen Einsatzes künstlicher Intelligenz wird die langjährige Erfahrung des Teams der Smart Energy-Strategie in allen Bereichen der Energiewertschöpfungskette dabei helfen, genau die Unternehmen zu identifizieren, die am besten positioniert sind, um durch die Integration und Nutzung von KI-Technologien ihren Energiehaushalt und ihr künftiges Wachstum zu optimieren.

*Alle in diesem Artikel dargestellten Unternehmen dienen nur zur Veranschaulichung der Anlagestrategie zum angegebenen Datum. Die Unternehmen sind nicht notwendigerweise Teil der Strategie, und ihre künftige Integration ist nicht garantiert. Es handelt sich hierbei weder um eine Kauf-, Verkaufs- oder Halteempfehlung, noch soll ein Rückschluss auf die zukünftige Entwicklung dieser Unternehmen gezogen werden.

Fußnoten

¹ IEA website, “Industry — Energy Efficiency 2025.
² IEA, World Energy Outlook 2025
³ IEA, Energy Efficiency Market Report, November 2025. Der gesamte Endverbrauch belief sich im Jahr 2024 auf über 450 EJ und ist seit 2019 um rund 25 EJ gestiegen. Mit fast 40 % entfällt der größte Anteil dieses Bedarfs auf die Industrie. In der Industrie wurde seit 2019 der stärkste Zuwachs verzeichnet, und sie war für zwei Drittel des gesamten Anstiegs des weltweiten Energiebedarfs verantwortlich.
⁴ Unternehmensanalyse von Robeco; Angaben Hannover Messe 2025. Produkte mit integrierter KI: Anteil am Umsatz führender Fabrikautomatisierungsanbieter im mittleren einstelligen bis niedrigen zweistelligen Prozentbereich.
⁵ Unternehmensanalyse von Robeco; Angaben der Geschäftsführung von Siemens, Hannover Messe 2025. Ein humanoider Roboter auf Rädern führte in einer realen Fabrikumgebung autonom Kommissionier-, Transport- und Handling-Aufgaben durch.
⁶ Unternehmensanalyse von Robeco; Meldung zum „Siemens Digital Twin Composer“, 2025. Die Einführung ist für Mitte 2026 über den Siemens Marketplace geplant; basiert auf NVIDIA Omniverse.
⁷ Unternehmensanalyse von Robeco; Angaben von Schneider Electric, AVEVA und NVIDIA. Mit der ETAP-Software modellierter digitaler Zwilling „Grid-to-Chip“.
⁸ Unternehmensanalysen von Robeco; Angaben der Geschäftsführung von Hitachi. Diagnose durch KI-basierte Agenten in Industrieanlagen und Stromnetzen.
⁹ Unternehmensanalyse von Robeco; Angaben der Geschäftsführung von Nexans. KI-gestützte Analysen zur Störungsvorhersage und Netzoptimierung in Echtzeit.
¹⁰ Qviro, in Articsledge zitierte technische Analyse, „AI Humanoid Robots 2026“, 2026.
¹¹ International Federation of Robotics, World Robotics 2024.
¹² Springer Nature, „Digital Twin-Based Self-Learning Decision-Making Framework for Industrial Robots“, IJAMT, Juni 2025. FANUC ER-4iA Bestückungsroboter: 74,79 % Energieeinsparung durch Bayessche Optimierung.
¹³ GlobalSpec, „Humanoid Robots Are Tripping Over Their High Energy Demands“, September 2025. Aktuelle Laufzeiten: 2–4 Stunden pro Ladung.
¹⁴ Intel Market Research, „Humanoid Robot Rotary Actuator Market Outlook 2025–2032“, 2025. QDD-Aktuatoren: 3- bis 5-mal höheres Drehmoment-Gewichts-Verhältnis im Vergleich zu Gleitkeilgetrieben.
¹⁵Intel Market Research, 2025. Bürstenlose Motoren und magnetische Getriebetechnik steigern den Wirkungsgrad der Aktuatoren auf über 90 %.
¹⁶ McKinsey & Company, „Turning humanoid supply chain constraints into billion-dollar wins“, April 2026.