Kurz gesagt: Google DeepMind lässt sein neues Robotikmodell Gemini Robotics 2.5 nicht nur an niedlichen Demo-Aufgaben üben, sondern gemeinsam mit Apptronik und Mercedes-Benz auf aktiven Produktionslinien. Dort sortiert ein humanoider Roboter Metallteile – laut DeepMind mit 96 Prozent Erfolgsquote. Spannend? Auf jeden Fall. Beweis dafür, dass Roboter jetzt zuverlässig die Fabrik übernehmen? Noch lange nicht.

Wenn du KI und Technik lieber in echten Experimenten als in Marketingfolien erlebst, findest du weitere Einordnungen auf meinem YouTube-Kanal Nerdoase. Hier schauen wir uns an, was an Gemini Robotics 2.5 tatsächlich neu ist – und welche wichtigen Zahlen noch fehlen.

Was Gemini Robotics 2.5 anders macht

Gemini Robotics 2.5 ist ein sogenanntes Vision-Language-Action-Modell, kurz VLA. Es verarbeitet Kamerabilder, versteht sprachliche Anweisungen und übersetzt diese in Bewegungen eines Roboters. Anders als ein KI-Modell, das nur beschreibt, was es auf einem Bild sieht, soll ein VLA-Modell also auch praktisch handeln: erkennen, planen, greifen und bewegen.

DeepMind hat das Modell am 10. November 2026 vorgestellt und es als sein bislang fähigstes VLA-Modell bezeichnet. Getestet wurde es laut Unternehmen bei mehr als 200 Aufgaben. Dazu gehören ungewöhnliche, aber aufschlussreiche Beispiele: Essen mit einer Zange servieren, eine Schleife an eine Geschenkbox binden oder Flüssigkeit mit einer Pipette aufziehen. Das sind keine Fabrikaufgaben – sie zeigen aber, wie geschickt ein Modell mit Werkzeugen, empfindlichen Dingen und flexiblen Objekten umgehen kann.

Gemini Robotics 2.5 soll auch nicht an einen einzigen Robotertyp gebunden sein. DeepMind nennt unter anderem Apptroniks humanoiden Apollo 2 und die Franka-Duo-Plattform mit Zweifinger-Greifern. Apollo kann mit der SharpaWave-Hand ausgestattet werden: fünf Finger und 22 Freiheitsgrade. Das ist ein großer Unterschied zu einem simplen Greifer, aber mehr Beweglichkeit bedeutet nicht automatisch, dass jede Aufgabe zuverlässig klappt.

Der Nerdoase-Charakter erklärt, wie ein Robotermodell Kamerabilder, Sprache und Bewegungen verbindet

DeepMind berichtet, Gemini Robotics 2.5 habe je nach Aufgabentyp eine um 30 bis 100 Prozent höhere Erfolgsquote als die eigenen bisherigen Baselines erreicht und Aufgaben 20 bis 30 Prozent schneller erledigt. Das klingt eindrucksvoll, ist aber zunächst eine Herstellerangabe: Die Zahlen stammen aus den internen Auswertungen von DeepMind und wurden nicht unabhängig überprüft. Außerdem ist „30 bis 100 Prozent höher“ nicht automatisch dasselbe wie ein Anstieg um 30 bis 100 Prozentpunkte. Ohne die jeweiligen Ausgangswerte lässt sich die Verbesserung schwer einordnen.

Warum ausgerechnet Metallteile sortieren?

Der Praxistest fand in Kecskemét in Ungarn und Sindelfingen in Deutschland statt. Auf aktiven Mercedes-Benz-Produktionslinien übernahm Apollo 2 eine Aufgabe namens „Kitting“: Metallhalterungen aus großen Behältern greifen und in Sortierboxen ablegen – und zwar in genau der Reihenfolge, in der die jeweiligen Fahrzeuge auf dem Band gebraucht werden.

Das klingt nicht nach Science-Fiction. Und gerade das macht den Test interessant. Kitting ist körperlich anstrengend, wiederholt sich ständig und verändert sich, wenn sich der Fahrzeugmix auf der Linie ändert. Diese Mischung aus Routine und wechselnden Anforderungen hat sich klassischer Automatisierung bisher widersetzt. Die Idee ist nicht zwingend, Fachkräfte zu ersetzen, sondern ihnen monotone Vorarbeiten abzunehmen, damit sie sich komplexeren Montageaufgaben widmen können.

Ein humanoider Roboter sortiert Metallhalterungen in Reihenfolge; der Nerdoase-Charakter schaut aus sicherer Entfernung zu

Hier arbeiten zwei Modelle zusammen: Gemini Robotics ER (Embodied Reasoning) behält den Ablauf im Blick. Gemini Robotics 2.5 steuert Hände und Arme. Laut DeepMind kann das System außerdem erkennen und korrigieren, wenn in einer Sortierbox ein Fach leer bleibt. Das ist ein wichtiger Unterschied zu einem Roboter, der einfach eine vorprogrammierte Bewegung immer wieder abspult: Er muss den Arbeitsfortschritt verfolgen und auf Abweichungen reagieren.

Die gemeldete Erfolgsquote für den Pilotversuch liegt bei 96 Prozent. Apptronik-Mitgründer und CEO Jeff Cardenas sagte, die Modelle hätten sich in wenigen Wochen Post-Training deutlich verbessert und seien mit sehr wenig Leistungsabfall in die Mercedes-Produktion übertragen worden. Genau dieser Übergang vom Labor in die echte Fabrik ist eine der großen Hürden der Robotik – viele beeindruckende Vorführungen überstehen den Wechsel in eine unordentliche, laufende Produktionsumgebung nicht.

Mercedes-Benz hatte 2025 in Apptronik investiert. Das macht den Versuch besonders bemerkenswert: Hier testet nicht bloß ein Forschungslabor eine Inszenierung, sondern ein Partner erprobt den Roboter eines Partners auf der eigenen Produktionslinie. Trotzdem bezeichnet DeepMind das Ergebnis ausdrücklich als Machbarkeitsnachweis – als Proof of Concept, nicht als Rollout in die Serienproduktion.

96 Prozent: beeindruckend, aber ohne Nenner nur die halbe Geschichte

Die Zahl verdient Aufmerksamkeit. Sie braucht aber Kontext, den DeepMind öffentlich nicht mitgeliefert hat: Wie viele Roboter waren beteiligt? Auf wie vielen einzelnen Picks beruht die Erfolgsquote? Wie lange lief der Pilot? Und wie schnell arbeitete Apollo im Vergleich zu einem Menschen?

Ohne diese Angaben wissen wir nicht, ob die 96 Prozent aus einer kurzen Testreihe oder aus einem umfangreichen Dauerbetrieb stammen. Ebenso fehlt ein öffentlicher Vergleich der Taktzeit mit menschlichen Beschäftigten. Die berichtete Erfolgsquote allein sagt also weder, ob der Roboter schnell genug für den Linienbetrieb ist, noch wie oft Mitarbeitende eingreifen mussten.

Und 96 Prozent bedeuten eben nicht „perfekt“. Als grobe Veranschaulichung: Bei einer Erfolgsquote von 96 Prozent braucht ungefähr eine von 25 Platzierungen noch Nacharbeit. In einer Fabrik kann das relevant sein – besonders, wenn ein Fehler den nächsten Arbeitsschritt aufhält. Der Roboter läuft deshalb zunächst neben Menschen und nicht an ihrer Stelle.

Der Nerdoase-Charakter betrachtet einen digitalen Zwilling und Sicherheitsbereiche rund um einen Fabrikroboter

DeepMind berichtet außerdem von Verbesserungen bei der Sicherheit: Eine Reasoning-Steuerung zur Laufzeit soll dem Roboter helfen, Hindernisse zu umgehen. In den eigenen Auswertungen stieg die sichere Aufgabenerledigung in der Nähe von Hindernissen um 33 Prozent und in der Nähe von Menschen um 43 Prozent. Auch hier gilt: Das sind Werte aus DeepMinds Tests, keine Garantie für jedes Werk und jede Situation.

Zur Sicherheitsarbeit gehört der neue offene Benchmark ASIMOV-Jailbreak. Er enthält laut DeepMind Hunderte Prompts, die unsichere Anfragen über verschiedene Szenen hinweg als harmlos tarnen sollen. Damit lässt sich untersuchen, ob Robotermodelle zu gefährlichen Aktionen verleitet werden können. DeepMind nennt für Gemini 4 Argon eine Widerstandsfähigkeit von 99,5 Prozent; der Vorgänger Gemini Robotics ER 2 habe 82 Prozent erreicht. Wichtig: Diese Werte betreffen den Benchmark und Argon – sie sind nicht die Erfolgsquote des Roboters beim Kitting.

Die unsichtbare Arbeit: Simulation statt tausendfacher Fabrikversuch

Gemini 4 Argon half laut DeepMind auch bei der Entwicklung von Gemini Robotics 2.5. Das Modell kann aus einer echten Kameraszene Tausende variierte Übungsläufe generieren und einen digitalen Zwilling erstellen. Forschende können außerdem Videoaufnahmen gescheiterter Versuche analysieren lassen, um mögliche Fehlerursachen zu finden. Verbesserungen lassen sich anschließend erst in der Simulation und dann am echten Roboter testen.

Das ist wichtig, weil Roboter nicht einfach wie ein Chatbot mit Texten trainiert werden. Sie müssen lernen, wie sich die physische Welt verändert, wenn sie etwas greifen, verschieben oder loslassen. Wenn Simulation und Realität gut zusammenspielen, könnte das Training neuer Fähigkeiten deutlich effizienter werden. Ob das in vielen verschiedenen Fabriken und mit unterschiedlichen Robotern genauso gut funktioniert, muss sich allerdings noch zeigen.

Der nächste Schritt ist nicht der nächste Benchmark

Gemini Robotics 2.5 wird zunächst an die Robotikpartner Agile, Apptronik und Mercedes-Benz ausgerollt. Eine öffentlich verfügbare API oder Preisangabe gibt es nicht. Gleichzeitig wächst der Wettbewerb um sogenannte „Robotergehirne“: NVIDIA stellte in derselben Woche GR00T 2 vor; auch Physical Intelligence, Skild AI, Field AI und Figure entwickeln eigene Ansätze.

Der entscheidende nächste Signalpunkt ist deshalb nicht, ob ein Modell noch einen Benchmark gewinnt. Spannender ist, ob Mercedes-Benz aus dem Machbarkeitsnachweis einen dauerhaften Einsatz in der Serienproduktion macht – und ob die Fähigkeiten auch auf anderen Robotern als Apollo erhalten bleiben.

Für mich ist genau das die ehrliche Einordnung: 96 Prozent auf einer aktiven Produktionslinie sind ein beachtlicher Schritt. Aber solange Testumfang, Laufzeit, Takt und Eingriffe nicht transparent sind, ist es ein vielversprechender Anfang – kein Beweis für einen fertigen Fabrikarbeiter aus Metall.

Wenn dich auch interessiert, wie KI-Agenten außerhalb der Robotik Aufgaben übernehmen, findest du hier meinen Vergleich von Google AI Studio, Copilot Studio und n8n. Und für alle, die mit KI-Agenten Zeit sparen wollen: Marblism bietet über den Link oder den Code „Nerdoase“ 25 Prozent Rabatt. KI-Agenten können deine Zeit für Blogs und Social-Media-Beiträge zum Paradies werden lassen – ganz ohne dass ein humanoider Roboter die Tastatur bedienen muss.

Quellen: Google DeepMind, The Decoder, Bots n’ Beans.

Mehr KI- und Technikexperimente gibt’s auf meinem YouTube-Kanal Nerdoase.


Schreibe einen Kommentar