Es gibt zwei Arten, die Frage zu stellen, wann Maschinen unsere Arbeit übernehmen.

Die erste ist die bekannte. Man schaut auf Demo-Videos, zählt Freiheitsgrade, vergleicht Traglasten, hört sich an, was ein Firmenchef auf einer Bühne über das nächste Jahr sagt. Diese Frage wird seit Jahren gestellt, und sie hat einen Nachteil: Sie war noch nie besonders gut darin, Zeitpunkte vorherzusagen.

Die zweite Art ist unspektakulärer. Man liest, was Rückversicherer tun.

Ich schlage vor, es künftig damit zu versuchen.

Was tatsächlich läuft

Vorweg die Grundierung, damit wir über dieselbe Realität reden.

Humanoide Roboter sind aus der Demo-Phase raus. Figure arbeitet seit Mitte 2025 im BMW-Werk Spartanburg an echten Produktionsaufgaben, Blechteile einsetzen, sortieren, Material zwischen Stationen bewegen. Agility hat in einem GXO-Lager über hunderttausend Behälter bewegt. Boston Dynamics sequenziert bei Hyundai Fahrzeugteile. Das ist keine Messe-Choreografie mehr, das ist Schichtbetrieb.

Kaufen kann man auch längst. Der Unitree G1 liegt bei rund sechzehntausend Dollar, den NEO von 1X gibt es für zwanzigtausend oder im Abo.

Und dann gibt es die Gegenrichtung. Bei Tesla war Mitte Juli 2026 die Optimus-Produktion noch nicht angelaufen. Öffentliche Verkäufe hat Musk zuletzt für Ende 2027 in Aussicht gestellt. Analysten, die Teslas Ankündigungen mitschreiben, zählen acht Produktionsmeilensteine, die verschoben wurden, bevor sie überhaupt fällig waren.

Beides ist wahr. Die Maschinen arbeiten. Und sie arbeiten deutlich langsamer in die Fläche, als die Erzählung nahelegt.

Der Flaschenhals, den alle nennen

Die übliche Erklärung dafür lautet: Daten.

Ein Sprachmodell konnte das halbe Internet lesen. Ein Roboter, der lernen soll, wie sich ein Gegenstand anfühlt, findet dafür keinen Datensatz zum Herunterladen. Reale Trainingsdaten für Manipulation kosten Geld pro Aufnahme, weil sie Personal, Umgebung und Annotation brauchen.

Der Kern des Problems ist dabei subtiler, als es klingt. Ein Video zeigt Kinematik, keine Kräfte. Man sieht, wo eine Hand ist. Man sieht nicht, mit wie viel Kraft sie zudrückt, wann Haftreibung in Gleitreibung kippt, ob ein Gewinde greift oder gerade durchdreht. Reibung kann man nicht ansehen.

Und genau dieser Flaschenhals wird gerade mit erheblichem Kapitaleinsatz angegriffen. NVIDIAs Cosmos 3 ist auf zwanzig Billionen multimodalen Tokens trainiert, darunter fast eine Milliarde Bilder und vierhundert Millionen reale und synthetische Videos, dazu Aktionsdaten von Menschen und Robotern. Der Unterschied zu einem Videogenerator liegt genau in diesen Aktionsdaten: Das Modell erzeugt nicht nur plausible Szenen, es sagt voraus, was eine Maschine darin als Nächstes tun sollte. Das Robotermodell GR00T N2 löst nach Herstellerangaben neue Aufgaben in unbekannten Umgebungen mehr als doppelt so oft wie die bisher führenden Ansätze.

Das ist real, und es ist schnell. Wer die Automatisierung für aufgeschoben hält, weil Maschinen keine Schrauben greifen können, sollte sich darauf einstellen, in dieser Frage bald zu verlieren.

Nur ist es eben nicht die Frage, an der es hängt.

Die Frage, an der es wirklich hängt

Stellen wir uns vor, morgen früh steht eine Maschine bereit, die die Aufgabe technisch beherrscht. Vollständig. Zuverlässiger als der Mensch, der sie heute macht.

Sie wird trotzdem nicht eingesetzt.

Nicht weil jemand sie nicht will. Sondern weil vorher jemand die Frage beantworten muss, was passiert, wenn sie es doch einmal falsch macht. Wer zahlt den Schaden. Wer haftet gegenüber dem Kunden. Wer erklärt es der Aufsicht. Wer steht am Ende mit seinem Namen dafür gerade.

Genau deshalb sitzen in Versicherungen und Behörden immer noch Menschen an Vorgängen, die eine Maschine schneller und gleichmäßiger bearbeiten würde. Der Satz "ein Mensch muss noch mal drüberschauen" ist keine technische Aussage. Er ist eine juristische. Er beschreibt nicht, was die Maschine nicht kann, sondern wer den Kopf hinhält.

Und Verantwortung wird in unserer Wirtschaft nicht aus Mut übernommen. Sie wird übernommen gegen Prämie.

Damit ist der Kipppunkt der Automatisierung keine Frage der Ingenieure. Er ist eine Frage der Versicherungsmathematiker.

Was gerade wirklich passiert

Und hier wird es interessant, weil das Gegenteil dessen passiert, was man erwarten würde.

Während die Robotik in die Betriebe kommt, gehen die Versicherer raus. Berkshire Hathaway, Chubb und Travelers haben bei Aufsichtsbehörden beantragt, KI-bedingte Schäden aus der allgemeinen Betriebshaftpflicht auszuschließen. Über achtzig Prozent dieser Anträge wurden genehmigt, teilweise als absolute Ausschlüsse über mehrere Policenarten hinweg.

Der Grund ist nachvollziehbar, sobald man einen konkreten Schadensfall durchdenkt. Der eine hat die Hardware gebaut. Der andere hat das Modell geliefert. Ein Dritter betreibt die Anlage und hat die Betriebsregeln gesetzt. Verträge teilen diese Pflichten auf dem Papier auf, aber ein einzelner Vorfall löst trotzdem Streit darüber aus, welches Versagen den Schaden verursacht hat. Für ein klassisches Haftungsmodell ist das kein Risiko, das ist ein Prozessrisiko.

Gleichzeitig entsteht ein Spezialmarkt, und der wächst schnell. Seit März 2026 bietet ein Anbieter namens AIUC mit Kapazität von Beazley bis zu fünfzig Millionen Dollar Produkthaftung für KI-Anbieter und deren Kunden an. Munich Re zeichnet über seine Plattform aiSure KI-Leistungsrisiken direkt, einschließlich des Falls, dass die Genauigkeit eines Modells unter eine vertraglich vereinbarte Schwelle fällt. Armilla verkauft als Lloyd's-Coverholder Leistungsgarantien für KI-Systeme. Und ein Startup namens Klaimee hat vor wenigen Tagen fünfeinhalb Millionen Dollar eingesammelt, um versicherungsgedeckte Garantien für autonome Agenten anzubieten, mit parametrischer Regulierung: Der Schaden wird nicht ermittelt, er wird gegen vordefinierte Auslöser anhand der Systemprotokolle geprüft.

Das ist die eigentliche Nachricht. Nicht, dass Roboter Kisten stapeln. Sondern dass jemand anfängt, das Ausfallrisiko zu bepreisen.

Was Pilotprojekte wirklich produzieren

Damit lässt sich auch erklären, warum die großen Piloten aussehen, wie sie aussehen.

Ein paar Dutzend Maschinen bei BMW, ein paar Dutzend bei GXO, jeweils auf eng umrissene Aufgaben beschränkt, unter Beobachtung. Betriebswirtschaftlich ist das schwer zu rechtfertigen. Der Wertbeitrag ist überschaubar, die Betreuungskosten sind es nicht.

Das ergibt Sinn, wenn man das eigentliche Produkt sieht. Diese Piloten produzieren nicht in erster Linie Wert. Sie produzieren Schadensverteilungen.

Jede Betriebsstunde, jede Beinahekollision, jedes fallengelassene Teil ist ein Datenpunkt in einer Statistik, die noch niemand hat. Ohne diese Statistik kann kein Aktuar eine Police kalkulieren. Mit ihr wird die Automatisierung finanzierbar.

Und hier liegt die eine Bremse, die sich nicht wegkaufen lässt. Modelle skalieren mit Rechenleistung. Schadensdaten skalieren mit Kalenderzeit. Man kann die Anzahl der Flotten erhöhen, aber man kann ein Betriebsjahr nicht auf einer GPU-Farm in zwei Wochen durchrechnen. Ein Versicherer, der ein neues Risiko zeichnen soll, will Beobachtungszeiträume sehen. Diese Zeiträume vergehen in Echtzeit.

Was daraus folgt

Wer wissen will, wann die Automatisierungswelle die Fläche erreicht, sollte aufhören, Produktankündigungen zu zählen.

Die aussagekräftigeren Indikatoren sind unspektakulärer und öffentlich zugänglich. Ob Standardpolicen KI-Ausschlüsse enthalten oder wieder verlieren. Ob Rückversicherer Kapazität für autonome Systeme bereitstellen und zu welchen Selbstbehalten. Ob Leistungsgarantien für KI-Systeme vom Sonderfall zum Standardbaustein werden. Ob Einkaufsabteilungen anfangen, Deckungsnachweise zu verlangen, und ab welcher Auftragsgröße.

Der letzte Punkt ist bereits eingetreten. Unternehmenseinkauf fragt inzwischen bei KI-Anbietern nach dem Nachweis einer Haftpflichtdeckung, meist spät im Vertriebsprozess, nach der technischen Prüfung, mit konkreter Deckungssumme pro Schadensfall.

Und wenn dieser Markt einmal funktioniert, geht es schneller, als die technische Diskussion vermuten lässt. Denn ab dem Moment, in dem ein Ausfall kalkulierbar wird, haftet die Maschine schlicht billiger als der Mensch. Kein Krankenstand, keine Fluktuation, und ein Schadenshergang, der aus Protokolldateien rekonstruiert wird statt aus Zeugenaussagen.

Die Automatisierung wartet nicht auf bessere Hände.

Sie wartet auf eine Police.

Quellen

• PYMNTS, Physical AI Is Forcing Insurers to Start From Scratch (Juni 2026)
• The Insurer, AI insurance MGA AIUC secures Beazley paper for liability product (Mai 2026)
• The Insurer, Klaimee raises .5 million to launch insurance warranties for AI agents (Juli 2026)
• Munich Re / HSB, aiSure und AI Liability Insurance (ab März 2026)
• Technology.org, Humanoid Robots in 2026: What Is Actually Deployed (Juli 2026)
• Robotomated, Humanoid Robots Market 2026 (März 2026)
• NVIDIA Newsroom, NVIDIA and Global Robotics Leaders Take Physical AI to the Real World (Cosmos 3, GR00T N2)
• PYMNTS, Nvidia Ships the Foundation Model Physical AI Has Been Waiting For (Juni 2026)

Alle Zahlen zum Stand Juli 2026. Wer Korrekturen oder neuere Belege hat: her damit.