Boston Dynamics, Figure und 1X setzen humanoide Roboter in Lagern ein – die Ergebnisse sind komplexer als die Pressemitteilungen vermuten lassen

Sechs Monate später: Die operative Realität

Als Boston Dynamics Ende 2025 50 Atlas-Einheiten in einem BMW-Werk in Spartanburg, South Carolina, einsetzte, sorgte die Ankündigung weltweit für Schlagzeilen. Der Deal von Figure mit BMW kam zuerst, dann Boston Dynamics, dann der Einsatz von 1X Technologies bei einem großen 3PL-Fulfillment-Betreiber in Columbus, Ohio. Bis zum ersten Quartal 2026 hatten alle drei Deployments genügend Betriebsdaten generiert, um sie ernsthaft bewerten zu können.

Das Fazit aus diesen Daten: Humanoide Roboter sind in bestimmten, klar definierten Aufgaben innerhalb der Logistikumgebung wirklich nützlich. Sie sind keine Generalisten. Die Lücke zwischen dem, was die Demos zeigen, und dem, was in der Produktion Bestand hat, ist signifikant – aber sie ist eine überbrückbare Lücke, keine grundsätzliche.

Was die Daten pro Deployment zeigen

Boston Dynamics Atlas bei BMW Spartanburg

Atlas-Einheiten übernahmen im BMW-Werk Teiletranportaufgaben – den Transport von Komponenten aus Lagerregalen zu Montagelinien. Nach sechs Monaten meldete Boston Dynamics eine 87 %ige Aufgabenerfüllungsrate bei den Ziel-Workflows, gegenüber 71 % im zweiten Monat. Die mittlere Zeit zwischen Interventionen (eine wichtige Betriebskennzahl) erreichte 4,2 Stunden. Das bedeutet, dass ein menschlicher Bediener etwa alle vier Stunden pro Roboter eingreifen muss – nicht autonom, aber im Maßstab handhabbar.

Aufgaben, die Atlas nicht zuverlässig bewältigen konnte: alles, was flexible Komponenten betrifft (Kabelbäume, stoffummantelte Teile) und jede Aufgabe, die mehr als drei aufeinanderfolgende Greif- und Platzierungsvorgänge ohne menschlichen Checkpoint erfordert. Die Geschicklichkeit des Roboters bei starren Teilen ist solide. Verformbare Objekte bleiben ein schwieriges Problem.

Figure 02 im BMW Logistics Center München

Der Einsatz von Figure konzentrierte sich auf das Entladen von Containern – eine der körperlich anstrengendsten und verletzungsanfälligsten Aufgaben im Lagerbetrieb. Figure 02-Einheiten erreichten einen Durchsatz von 340 Paketen pro Stunde unter kontrollierten Bedingungen, etwa 85 % der durchschnittlichen menschlichen Arbeitsrate. In der Produktion, unter Berücksichtigung von Fehlerbehebung und Umgebungsvariabilität, lag die nachhaltige Rate bei 270 Paketen pro Stunde – etwa 67 % des menschlichen Durchsatzes.

Die Wirtschaftlichkeit spricht dennoch für Figure im großen Maßstab: Eine Figure 02-Einheit arbeitet zu Kosten von umgerechnet etwa 17 Dollar pro Stunde, amortisiert über einen Zeitraum von drei Jahren (Hardwarekosten + Wartung + Softwarelizenzen). In Märkten, in denen Lagerarbeit inklusive Zusatzleistungen 22–28 Dollar pro Stunde kostet, ist die Stückkostensituation günstig. Die 33 %ige Produktivitätslücke gegenüber Menschen ist jedoch real und muss geschlossen werden, damit sich das Geschäftsmodell ohne Subventionierung der Arbeitskosten rechnet.

1X Technologies NEO im Fulfillment-Center Columbus

1X's NEO ist anders konzipiert – es priorisiert sichere Koexistenz mit Menschen vor maximalem Aufgaben-Durchsatz. Der Columbus-Einsatz konzentrierte sich auf Pick-and-Place-Aufgaben in einer gemeinsamen Mensch-Roboter-Umgebung, mit niedrigeren Geschwindigkeiten und konservativerer Bewegungsplanung. Ergebnisse nach sechs Monaten: 94 % Aufgabengenauigkeit bei Standard-SKUs, mit deutlichen Einbußen bei nicht standardmäßigen Verpackungen (Artikel ohne flache Oberflächen, unregelmäßig geformte Retouren). Keine Sicherheitsvorfälle mit menschlichen Arbeitern – eine Kennzahl, die 1X in der Kommunikation stark betont hat.

Die derzeitige Einschränkung von NEO ist die Geschwindigkeit. Mit maximal 180 Picks pro Stunde arbeitet es mit etwa 45 % des menschlichen Durchsatzes für vergleichbare Aufgaben. Das Argument von 1X: Sicheres Zusammenwirken erschließt Einsatzumgebungen, die vollautonome Hochgeschwindigkeitsroboter nicht nutzen können – Umgebungen, in denen der nachträgliche Einbau physischer Trenninfrastruktur unverhältnismäßig teuer wäre.

Die ungelösten technischen Probleme

Wahrnehmung in unstrukturierten Umgebungen

Alle drei Deployments zeigten Leistungseinbußen in Umgebungen mit wechselnder Beleuchtung, unübersichtlichem Hintergrund oder nicht standardmäßiger Platzierung von Artikeln. Die Roboter funktionieren gut, wenn die Umgebung halbstrukturiert und vorhersagbar ist. Echte Lagerhäuser weichen häufig von diesen Bedingungen ab – Gegenstände werden falsch abgelegt, Etiketten sind beschädigt, die Beleuchtung ändert sich mit Schichtwechseln. Das ist kein Showstopper, bedeutet aber, dass der ROI eines Deployments stark von Investitionen in die Anlageninfrastruktur abhängt.

Langfristige Aufgabenplanung

Keines der eingesetzten Systeme kann zuverlässig Aufgaben ausführen, die länger als 8–10 aufeinanderfolgende Schritte ohne menschliches Eingreifen oder einen harten Reset dauern. Das schränkt ihre Anwendbarkeit für komplexe Montageabläufe, Bestandsprüfungen oder jede Aufgabe ein, die kontextbezogene Entscheidungen jenseits von „Greife Gegenstand A, platziere an Position B“ erfordert. Die auf LLM basierenden Reasoning-Ebenen, die mehrere Unternehmen an ihre Manipulationsmodelle ankoppeln, helfen auf hoher Ebene, überbrücken aber noch nicht die Lücke zur zuverlässigen Ausführung auf der Manipulationsebene.

Fehlermodus-Behebung

Wenn ein humanoider Roboter während einer Aufgabe scheitert – einen Gegenstand fallen lässt, ein Objekt falsch identifiziert, in einer Randfallkonfiguration stecken bleibt – ist die Wiederherstellung langsam und erfordert oft menschliches Eingreifen. Die durchschnittliche Wiederherstellungszeit über die drei Deployments lag je nach Fehlertyp zwischen 8 und 23 Minuten. Diese auf unter 2 Minuten zu reduzieren ist entscheidend, damit die Technologie die Verfügbarkeitsraten (über 90 %) erreicht, die Logistikbetreiber benötigen, um ihre Personalplanung darauf aufzubauen.

Die Lieferkette für humanoide Roboter ist selbst ein Engpass

Alle drei Unternehmen stehen vor der gleichen Einschränkung: der Aktorversorgung. Die bürstenlosen Motoren und kundenspezifischen, drehmomentdichten Aktoren, die humanoide Roboter benötigen, sind weltweit knapp, wobei der Großteil der Produktionskapazität in Japan (Harmonic Drive Systems) und China konzentriert ist. Boston Dynamics hat offengelegt, dass es mit der aktuellen Fertigungskapazität etwa 1.000 Atlas-Einheiten pro Jahr produzieren kann. Figure hat eine ähnliche Obergrenze angegeben. Bei diesen Produktionsraten dauert die Skalierung auf sinnvolle Lager-Deployments – ein großer 3PL könnte 500–2.000 Einheiten pro Anlage benötigen – Jahre, nicht Monate.

Handlungsempfehlungen

• Wenn Sie Logistik betreiben: Die besten kurzfristigen Deployments sind eng umgrenzte, gut strukturierte Aufgaben – kein allgemeiner Arbeitsersatz. Containerentladung, spezifische Teiletranport-Workflows und isolierte Pick-Stationen sind geeignete erste Einsätze. Kalkulieren Sie bei der ROI-Modellierung erhebliche Integrations- und Anlagenvorbereitungskosten ein (in der Regel 40–60 % der Roboter-Hardwarekosten).
• Wenn Sie Anbieter evaluieren: Fragen Sie nach Daten zur mittleren Zeit zwischen Interventionen und Wiederherstellungszeit-Kennzahlen, nicht nur nach Durchsatzzahlen. Diese Werte sagen mehr über die tatsächliche betriebliche Lebensfähigkeit aus als Spitzenleistungen in kontrollierten Demos.
• Wenn Sie in Robotik investieren: Die Aktor-Lieferkette ist die kurzfristige Einschränkung für die Skalierung. Unternehmen mit eigener Aktorfertigung oder exklusiven Lieferantenbeziehungen haben einen strukturellen Vorteil, der im Vergleich zu Softwarefähigkeiten unterschätzt wird.
• Achten Sie auf Q3 2026: Sowohl Figure als auch 1X haben Hardware-Upgrades der nächsten Generation angekündigt, die auf verbesserte geschickte Manipulation abzielen. Ob diese 2026 ausgeliefert werden oder sich auf 2027 verschieben, wird bestimmen, wie schnell sich die Produktivitätslücke schließt.