Was kommt nach den KI-Aktien? Physical AI rückt in den Fokus

Die erste Welle der KI-Aktien hat bei einigen der bekanntesten Namen bereits enorme Gewinne erzielt. Getragen wurde sie von Chips, Cloud-Kapazität und Rechenzentren. Doch wer heute nach der nächsten großen Chance sucht, könnte an den offensichtlichen Orten nicht mehr fündig werden. Nach Einschätzung des Small Cap Investor befinden wir uns nicht mehr im ersten Inning der KI-Aktien – der nächste Schritt dürfte schwieriger zu finden sein.

Die Frage, ob der KI-Handel eine Blase ist, lässt sich nicht mit einem einfachen Ja oder Nein beantworten. KI kann transformativ sein, doch Anleger könnten weiterhin überschätzen, wie schnell sie sich auszahlt, wie viel Infrastruktur der Markt benötigt oder welche Unternehmen den Wert tatsächlich einfahren. Nur die Zeit wird zeigen, ob dieser Zyklus das Wort „Blase“ verdient. Anleger müssen darauf aber nicht warten, denn es gibt eine nützlichere Frage: Was kommt als Nächstes?

Die Antwort könnte Physical AI lauten – Systeme, die KI aus dem Bildschirm holen und in Maschinen bringen, die wahrnehmen, schlussfolgern und in der realen Welt handeln. Das bedeutet nicht, dass die KI-Chance vorbei ist. Sie könnte sich nur verlagern.

Physical AI muss eine sich verändernde Umgebung interpretieren

Ein Chatbot erhält eine Eingabeaufforderung und erzeugt Text, Bilder oder Code. Physical AI muss mehr leisten: Sie interpretiert eine sich verändernde Umgebung, verfolgt die Position von Objekten, wählt eine Aktion aus und überprüft das Ergebnis. Das System kann ein Fabrikroboter, ein Lieferfahrzeug, eine Drohne, ein Traktor, eine Lagerflotte oder ein automatisiertes Labor sein.

Das erfordert räumliches Verständnis. Ein Roboter muss Position, Entfernung, Orientierung, Tiefe, Bewegung und Kontakt kennen. Er muss Objektformen, das Layout des Arbeitsbereichs und die Auswirkungen seiner eigenen Bewegungen berücksichtigen. In einem Labor umfasst die „Welt“ zusätzlich Proben, Instrumente, Temperaturen und Versuchsergebnisse.

Dies ist kein sauberer Bruch mit Sprachmodellen. Diese können Anweisungen interpretieren, technisches Wissen heranziehen und Arbeiten planen. Sie müssen jedoch mit Wahrnehmung, Robotik, Simulation und Echtzeitsteuerung verbunden werden. Google DeepMind sagt, dass seine Gemini-Robotikmodelle Sprach- und visuelles Verständnis mit der Fähigkeit kombinieren, über physikalische Räume zu schlussfolgern und durch Roboter zu handeln. NVIDIA-Chef Jensen Huang hat Physical AI als „die nächste Grenze der KI“ bezeichnet.

Damit beginnt KI, mit der physischen Wirtschaft zu interagieren. Sie kann mehr als E-Mails schreiben oder Dokumente zusammenfassen. Sie kann helfen, eine Kiste zu bewegen, eine Stromleitung zu inspizieren, eine Ernte zu pflegen, ein Produkt zusammenzubauen oder ein Experiment durchzuführen.

Roboter sind etabliert, die Intelligenz um sie herum ist neu

Roboter sind seit Jahrzehnten in Fabriken im Einsatz. Was sich ändert, ist die Intelligenz um sie herum. Bessere Visionmodelle, günstigere Sensoren, stärkere Prozessoren und verbesserte Simulationswerkzeuge könnten Roboter anpassungsfähiger machen. Anstatt jede Bewegung für eine enge Aufgabe zu programmieren, wollen Entwickler Systeme, die Variationen bewältigen und Arbeitsabläufe mit weniger benutzerdefinierter Ingenieursarbeit erlernen.

Physical AI benötigt zudem andere Daten. Ein Textmodell kann aus Dokumenten lernen. Ein Roboter benötigt Beispiele, die in Bewegung und Raum verankert sind: Kamerabilder, Tiefenkarten, Positionen, Bewegung, Kräfte, Kontakt, Ausfälle und erfolgreiche Ergebnisse. Das Sammeln dieser Daten in der realen Welt kann teuer sein. Unternehmen ergänzen sie durch Simulation und synthetische Daten. NVIDIAs Isaac-Sim- und Omniverse-Tools simulieren beispielsweise Roboter und generieren synthetische Trainingsdaten in virtuellen Umgebungen.

Das Trainieren von Modellen, das Simulieren vieler Szenarien und das Generieren synthetischer Daten können erhebliche Rechenleistung erfordern. Ein Roboter benötigt hinter jeder Bewegung aber kein riesiges Rechenzentrum. Eine wahrscheinlichere Konfiguration ist hybrid: zentral trainieren und simulieren, dann schnelle, sicherheitskritische Wahrnehmung und Steuerung nahe der Maschine ausführen. Ein Roboter, der einer Person ausweicht, kann nicht darauf warten, dass ein entfernter Server antwortet.

Es gibt bereits eine beträchtliche Installationsbasis. Die International Federation of Robotics berichtet von 603.000 industriellen Roboterinstallationen im Jahr 2025, ein Anstieg von 11 %. Die Lieferungen professioneller Serviceroboter stiegen um 24 % auf fast 250.000. Diese Zahlen schließen viele Roboter ein, die keine Foundation Models verwenden. Dennoch zeigen sie, dass Unternehmen Roboter im großen Maßstab einsetzen. Besseres Sensing, Software und Autonomie könnten einen Mehrwert zu dieser installierten Basis hinzufügen.

Die Marktdimension ist schwerer zu bestimmen. Arthur D. Little schätzt den breiteren Physical-AI-Markt heute auf etwa 18 Milliarden US-Dollar, mit einem Anstieg auf 60 Milliarden bis 100 Milliarden US-Dollar bis 2030. Andere Firmen veröffentlichen sehr unterschiedliche Prognosen, da sie verschiedene Produkte zählen – von Roboterhardware und -software bis hin zu autonomen Fahrzeugen. Diese Schätzungen sollten als Signale des Interesses behandelt werden, nicht als feststehender Gesamtmarkt.

Nur wenige börsennotierte Pure Plays konzentrieren sich auf Physical AI

Es gibt nur wenige börsennotierte Pure Plays, die sich ausschließlich auf Physical AI konzentrieren. Die Exposition ist verteilt auf Chip- und Softwareplattformen, etablierte Robotikunternehmen und Firmen, die Autonomie in bestimmten Branchen anwenden. Die Risiken unterscheiden sich erheblich, und viele erzielen immer noch den Großteil ihres Umsatzes außerhalb dieses Themas.

NVIDIA (NASDAQ: NVDA) liefert Computing-Plattformen, Simulationswerkzeuge und Robotikmodelle. Qualcomm (NASDAQ: QCOM) entwickelt Prozessoren und Edge-Computing-Plattformen für Robotik und vernetzte Maschinen. Beide verkaufen Tools in das breitere Ökosystem, statt selbst Roboterflotten zu betreiben. Teradyne (NASDAQ: TER) besitzt Universal Robots und Mobile Industrial Robots und verkauft kollaborative Arme und mobile Roboter für Fabriken und Lager.

ABB (SIX: ABBN), FANUC (TYO: 6954) und Yaskawa Electric (TYO: 6506) sind etablierte Robotikunternehmen. Ihre Hardware und Kundenbeziehungen könnten profitieren, wenn Roboter anpassungsfähigere KI und einfachere Simulationswerkzeuge erhalten. ABB und NVIDIA arbeiten bereits an einer industriellen Robotik-Simulations-zu-Bereitstellungs-Toolchain.

Symbotic (NASDAQ: SYM) wendet Robotik und KI auf Lager an. Serve Robotics (NASDAQ: SERV) betreibt Lieferroboter und kündigte kürzlich ein Dienstleistungsangebot an, das auf Roboterkonnektivität, Flottendaten und Trainingsdaten in der realen Welt basiert. Deere (NYSE: DE) bringt Autonomie in landwirtschaftliche Geräte. Tesla (NASDAQ: TSLA) entwickelt Optimus parallel zu seiner Autonomiearbeit. Hyundai Motor (KRX: 005380), das Boston Dynamics besitzt, investiert in KI-gestützte Robotik.

Autonome Labore sind ein spezialisierteres Beispiel. XtalPi (HKEX: 2228) kombiniert KI, Hochleistungsrechnen und Robotik für die Arzneimittel- und Materialforschung. Ginkgo Bioworks (NYSE: DNA) sagte im November 2026, dass es den ersten Verkauf eines autonomen Labors an ein Pharmaunternehmen der Spitzenklasse getätigt habe. In diesen Labors kann KI Experimente auswählen, Roboter führen sie durch und Ergebnisse leiten die nächste Runde. Das System tut mehr als nur Objekte zu bewegen – es führt einen wissenschaftlichen Arbeitsablauf aus.

Die Liste der Entwickler erstreckt sich weit über die öffentlichen Märkte hinaus. Figure AI, Agility Robotics, Apptronik, Physical Intelligence und Skild AI bauen Humanoiden, Robotermodelle oder allgemeine Autonomie. Google DeepMind, Amazon und andere große Technologieunternehmen arbeiten ebenfalls an Robotik. Öffentliche Anleger müssen möglicherweise nach Lieferanten, industriellen Inhabern oder wichtigen Kunden schauen, um Exponierung zu erhalten.

Bereits am 10.10.2026 berichtete aktien.news über Nvidias Rolle

Die Einordnung ist nicht neu. Bereits am 10.10.2026 berichtete aktien.news unter dem Titel „Physical AI: Warum Nvidia die entscheidende Aktie bleibt“, dass Physical AI ein Begriff ist, den Nvidia für Künstliche Intelligenz verwendet, die nicht auf dem Bildschirm, sondern in der physischen Welt agiert. Damals wurde betont, dass diese Form der KI eine deutlich komplexere Herausforderung darstellt als klassische Sprachmodelle oder Chatbots, weil der entscheidende Unterschied in der Wahrnehmung und Entscheidungsfindung in Echtzeit liegt.

Auch andere Häuser haben das Thema früh aufgegriffen. Am 24.05.2026 berichtete aktien.news über eine Analyse der Investmentbank Barclays, wonach Embodied AI – also KI-Systeme mit einer physischen Form wie Roboter, Fahrzeuge und Drohnen – die Finanzwelt polarisiert. Kaum eine andere Technologie sei mit so viel Skepsis aufgenommen worden, stellten die Analysten fest. Dennoch kam die Bank zu einem klaren Urteil: Für Aktienmärkte ist die Entwicklung insgesamt bullisch.

Am 25.01.2026 berichtete aktien.news zudem über eine Bernstein-Analyse, wonach sich die Verbreitung von Industrierobotern seit 2020 deutlich beschleunigt hat. Der Grund: Die Systeme entwickeln sich von starrer Automatisierung zu flexiblen, intelligenten Lösungen. Die erste Transformationsphase war geprägt vom Übergang von vorprogrammierten, festen Pfaden zur flexiblen Pfadplanung in Echtzeit. Diese Entwicklung allein reiche laut den Analysten um Jay Huang jedoch nicht aus, um langfristiges Wachstum über einstellige Raten hinaus zu sichern.

Und am 11.10.2026 zeigte eine aktien.news-Analyse der KI-Wertschöpfungskette, wie unterschiedlich schnell sich die drei Ebenen Hardware, Dateninfrastruktur und Anwendungen entwickeln. Hardware erwirtschaftete rund 70 % des erfassten KI-Umsatzes, die Dateninfrastruktur etwa ein Viertel und Anwendungen lediglich rund 4 %. Diese Verteilung ist im Wandel.

Anleger sollten auf bezahlte Einsätze statt auf Demo-Videos achten

Eine überzeugende Demo ist keine profitable Bereitstellung. Roboter müssen sicher und zuverlässig zu Kosten arbeiten, die Kunden rechtfertigen können. Sie müssen Ausfälle, Wartung, Stillstandszeiten und die Vielfalt der realen Arbeitsplätze bewältigen. Ein Roboter, der auf der Bühne beeindruckend aussieht, muss dennoch Tausende Male nützliche Arbeit verrichten, ohne ständige menschliche Hilfe.

Für deutsche Privatanleger bedeutet das, über Produktlaunches hinauszusehen. Achten Sie auf bezahlte Bereitstellungen, die expandieren, wiederkehrende Kunden, hohe Auslastung und weniger menschliche Eingriffe. Suchen Sie nach zuverlässiger Betriebszeit, messbaren Produktivitätssteigerungen und attraktiven Servicekosten. In autonomen Laboren sind validierte Experimente pro Dollar, Reproduzierbarkeit und Zeit bis zu einem kundenqualifizierten Ergebnis die relevanten Kennzahlen.

Physical AI könnte zu einem wichtigen Investmentthema werden, aber der Weg wird nicht glatt sein. Hardware ist kapitalintensiv. Daten können teuer zu sammeln sein und übertragen sich möglicherweise nicht zwischen Robotern oder Umgebungen. Sicherheitsstandards und Kundenakzeptanz benötigen Zeit. Einige beeindruckende Produkte werden immer noch Schwierigkeiten haben, ein Geschäftsmodell zu finden. Anleger sollten nicht jedem Unternehmen hinterherjagen, das „KI“ oder „Robotik“ in einer Präsentation hinzufügt.

Die nächste Welle könnte KI in Fabriken und Labore bringen

Ob der KI-Markt in einer Blase steckt, bleibt offen. Ebenso offen bleibt, welche Physical-AI-Unternehmen die nächste Generation der Gewinner sein werden. Klar ist laut Small Cap Investor nur, dass mehr KI-Systeme direkt mit der physischen Welt interagieren werden. Die erste Welle brachte KI in die Cloud und auf unsere Bildschirme. Die nächste könnte sie in Fabriken, Lagern, Farmen, Fahrzeugen und Laboren platzieren.

Die Chance kann sich von der Erstellung von Modellen hin zur Anwendung dort erweitern, wo Automatisierung ein reales Problem löst und eine messbare Rendite erzielt. Der KI-Handel könnte über sein erstes Inning hinausbewegen. Das nächste könnte physisch sein.

Diese Fachbegriffe ordnen das Physical-AI-Thema ein

• Physical AI: Künstliche Intelligenz, die nicht auf dem Bildschirm, sondern in der physischen Welt wahrnimmt und handelt.
• Foundation Models: Große vortrainierte Modelle, die als Grundlage für viele nachgelagerte Aufgaben dienen.
• Edge Computing: Datenverarbeitung direkt nahe an der Maschine statt in einem entfernten Rechenzentrum.
• Synthetische Daten: Künstlich erzeugte Trainingsdaten, die reale Datensätze ergänzen oder ersetzen.