Der 11-monatige BMW-Test von Figure AI: Die Ergebnisse, die niemand veröffentlicht hat

In den letzten drei Jahren war die Branche der humanoiden Roboter ein Wettbewerb viraler Videos. Kann es einen Backflip machen? Kann es Kaffee kochen? Kann es ein Hemd falten? Diese Demonstrationen waren beeindruckend, aber sie waren auch sorgfältig inszeniert, stark redigiert und letztlich frei von wirtschaftlicher Realität.

Mitte November 2025 vollzog diese Ära ihren ersten ernsthaften Schritt in Richtung ihres Endes.

Figure AI und BMW Manufacturing haben ein 11-monatiges Pilotprogramm im Werk Spartanburg, South Carolina, abgeschlossen. Die Schlagzeile lautet nicht, dass die Roboter funktionierten. Die Überschrift lautet: Die Arbeit war langweilig.

Es gab keine Rückschläge. Es gab keine Tänze. An einer Fahrgestelllinie waren zwei Figure 02-Roboter im Einsatz, die Blechteile mit einer Toleranz von 5 Millimetern in eine Vorrichtung einführten und monatelang von Montag bis Freitag 10-Stunden-Schichten durchführten. Zusammen wickelten sie rund 90.000 Teileplatzierungen ab und versorgten damit die Produktion von mehr als 30.000 BMW X3-Karosserien. Sie machten keine Rauchpausen. Sie beklagten sich nicht über Verletzungen durch wiederholte Belastung.

Dies ist die „Prüfung“, vor der sich jedes Robotikunternehmen gefürchtet hat – und Figure hat sie 11 Monate lang bestanden. Der Haken ist, wie wir sehen werden, dass der vollständige Notenspiegel nie veröffentlicht wurde.

Die Maßstäbe der Realität

Der Pilot konzentrierte sich auf eine spezifische, hochfrequente Aufgabe: das Einsetzen von Blechteilen in eine Fahrgestellbefestigung. Dies ist eine Aufgabe, die für die herkömmliche Automatisierung bekanntermaßen schwierig ist, da die Position des Chassis leicht variiert und die Teile dünn und schwer zu greifen sind.

Im Gegensatz zu einem starren Roboterarm, der erwartet, dass die Welt perfekt ist, muss sich ein Humanoid an eine unvollkommene Welt anpassen. Die veröffentlichten Ziele des Piloten waren anspruchsvoll:

• Platzierungsgenauigkeit: >99 % Erfolgsquote pro Schicht.
• Zykluszeit: 84 Sekunden pro mehrteiligem Vorgang.
• Interventionsrate: Keine menschlichen Eingriffe pro Schicht – jede Pause oder jedes Zurücksetzen wurde protokolliert.

Hier ist das Sternchen für die gesamte Übung: Weder Figure noch BMW haben Daten darüber veröffentlicht, wie gut die Roboter diese Ziele tatsächlich erreicht haben. Die Eingriffe wurden protokolliert; Das Protokoll blieb privat. Ein 11-monatiges Pilotprojekt, das mit unveröffentlichten KPIs endet, ist implizit eine bestandene Note, nicht aufgrund von Beweisen – es lohnt sich, jedes Mal daran zu denken, wenn es in einer Pressemitteilung als „Erfolg“ bezeichnet wird.

Die 5-mm-Toleranz

Die kritischste veröffentlichte Kennzahl ist die Platzierungstoleranz. Die Roboter mussten Teile innerhalb eines Toleranzfensters von 5 mm platzieren.

$\text{Tolerance} \le 5\text{mm}$

Für einen Menschen sind 5 mm riesig. Für einen Roboter, der in einer Fabrik mit wechselnden Lichtverhältnissen (Schatten von Hängeförderern, Schweißfunken) auf Computer Vision angewiesen ist, sind 5 mm eine Schlucht der Unsicherheit. Die Tatsache, dass Figure 02 dieses Ziel nur mit integrierten neuronalen Netzen und ohne externe Bewegungserfassungsmarker konsequent erreichen konnte, bestätigt den „End-to-End“-Ansatz mit neuronalen Netzen.

Die neuronale Architektur: Generative KI-Modelle in Aktion

Die Betriebslogik von Abbildung 02 stellt eine grundlegende Abkehr von der deterministischen Programmierung dar. Anstatt auf „Code“ im herkömmlichen Sinne zu laufen, führt der Roboter Aktionen über ein durchgängig trainiertes Vision-Action-Modell (VAM) aus.

In einem klassischen Roboterparadigma würde ein Steuerungsingenieur explizite Logik schreiben: if (sensor_A > 5) { move_arm(x, y, z) }

Dieser Ansatz ist spröde. Wenn der Sensorwert auf 4,9 abweicht, schlägt der Code fehl.

Im Gegensatz dazu funktioniert Abbildung 02 wie ein Generative Pre-Trained Transformer (GPT) für physische Aktionen. Die Bordkameras des Roboters speisen einen Strom visueller Token in ein Transformatormodell ein. Gleichzeitig erhält das Modell eine übergeordnete semantische Anweisung wie „Halterung platzieren“. Das System verarbeitet diese Eingaben und sagt den nächsten Token in der Sequenz voraus. Anstatt jedoch das nächste Wort in einem Satz vorherzusagen, sagt es den nächsten Gelenkgeschwindigkeitsbefehl voraus.

Diese „Pixels-to-Actions“-Architektur ermöglicht dem Roboter die Verallgemeinerung. Wenn das Teil um 10 Grad gedreht wird, tritt im neuronalen Netzwerk kein Fehler auf; Es sagt lediglich eine etwas andere Handbewegung voraus, so wie ein Mensch seinen Griff intuitiv anpassen würde. Ein herkömmlicher Roboter würde einfach abstürzen.

Details zur VAM-Trainingspipeline

Das Model schaut sich nicht nur Videos an; Es nimmt einen multimodalen Stream auf. Der „Begründungs“-Teil des VAM ermöglicht die Planung. Wenn ein Befehl gegeben wird, zerlegt das Modell die Aufgabe in einen latenten Plan. Dieser Plan ist keine fest codierte Abfolge, sondern eine probabilistische Wolke potenzieller Aktionen. Während sich der Roboter bewegt, bewertet er die Erfolgswahrscheinlichkeit für die nächsten 100 Millisekunden der Bewegung ständig neu. Dieser 10-Hz-Regelkreis ermöglicht die Korrektur von Mikroschlupf oder unerwarteten Vibrationen an der Fahrwerkslinie. Die „Argumentation“-Schicht sitzt über der „motorischen Kontrollschicht“ und fungiert effektiv als präfrontaler Kortex, der den motorischen Kortex leitet.

Aus diesem Grund war die „Sim-to-Real“-Lücke die größte Hürde.

Überwindung der Kluft zwischen Sim und Real

Reinforcement Learning (RL) ermöglicht es einem Roboter, in einer Simulation in nur wenigen Tagen das Äquivalent von Tausenden von Jahren zu trainieren. Allerdings sind Simulationen bekanntermaßen „sauber“. Die Reibung ist konstant, die Beleuchtung ist gleichmäßig und Physik-Engines erfassen selten die chaotische Realität einer Fabrikhalle.

Wenn man ein in „Matrix“ trainiertes Gehirn in eine schmutzige, laute BMW-Fabrik bringt, leidet es normalerweise unter einer Verteilungsverschiebung, im Wesentlichen einem digitalen Anfall, bei dem die Sensoren nicht mit den Trainingsdaten übereinstimmen. Der BMW-Pilot beweist, dass Figure das Problem der Domänen-Randomisierung gelöst hat. Durch das Training des Modells mit Millionen von Variationen von Beleuchtung, Rauschen und Reibung in der Simulation sieht die reale Welt für das neuronale Netz einfach wie eine „andere Variation“ aus. Dieser „Sim-to-Real“-Transfer ist der heilige Gral der Allzweckrobotik und ermöglicht es der Flotte, aus Fehlern in der Cloud zu lernen, ohne in der Realität teure Hardware kaputt zu machen.

Die Ökonomie des „Allzwecks“

Warum einen Humanoiden im Wert von 150.000 US-Dollar verwenden, wenn ein KUKA-Arm im Wert von 30.000 US-Dollar dies tun könnte?

Dies ist die zentrale Frage, die Skeptiker (und Leerverkäufer) seit Beginn des Projekts aufgeworfen haben. Die Antwort liegt in den spezifischen Einschränkungen des BMW-Pilot-Setups. Die Abbildung 02 wurde in einem bestehenden menschlichen Arbeitsbereich eingesetzt.

• Keine Käfige: Der Roboter arbeitete neben Menschen, ohne die teuren gelben Sicherheitskäfige, die herkömmliche Automatisierung auszeichnen.
• Kein Nachrüsten: Die Chassis-Reihe wurde für den Roboter nicht umgebaut. Der Roboter hat sich an die Linie angepasst.
• Flexibilität: Wenn sich die Linie nächste Woche ändert, lernt der Humanoide die neue Aufgabe über ein Software-Update. Ein spezieller Arm müsste von einem spezialisierten Integrator physisch gelöst, bewegt und neu programmiert werden.

Dies ist die Definition von Brownfield Automation. Es ermöglicht Herstellern, Anlagen, die in den 1990er Jahren gebaut wurden, zu automatisieren, ohne sie abzureißen. Die „Robotersteuer“ (die versteckten Kosten für die Anpassung der Fabrikumgebung an den Roboter) sinkt auf nahezu Null. Darüber hinaus ist der Roboter kein an eine bestimmte Produktlinie gebundener Vermögenswert. Wenn sich die Körperlinie des X3, an der er gearbeitet hat, ändert, geht der Roboter zur nächsten Aufgabe über. Ein fester Arm geht auf den Schrottplatz.

Die Kosten der Arbeitsparität

Bei 150.000 US-Dollar, bei einer Lebensdauer von 5 Jahren und mäßiger Wartung belaufen sich die Stundenkosten eines Figure 02 auf etwa 10–15 US-Dollar/Stunde. Die Gesamtkosten eines UAW-Mitarbeiters in Spartanburg übersteigen oft 65 $/Stunde. Aber seien Sie vorsichtig mit der aggressiven Investitionsberechnung, die Sie anderswo sehen werden: Sie geht von einer Verfügbarkeit rund um die Uhr aus, wobei Batteriewechsel die Schichten ersetzen. Der Pilot demonstrierte nichts dergleichen – die Roboter arbeiteten eine einzige 10-Stunden-Schicht, fünf Tage die Woche. Bei diesem Arbeitszyklus beträgt die Amortisationszeit Jahre, nicht Monate. Der ROI-Fall von weniger als 12 Monaten erfordert einen Betrieb rund um die Uhr, was vorerst hypothetisch bleibt.

Vorausschauende Analyse: Die Rampe 2026

Und hier ist das zweite Sternchen: Der Pilot endete ohne Einsatz. BMW hat bestätigt, dass es derzeit keine Figurenroboter im Werk Spartanburg gibt und keinen konkreten Zeitplan für deren Rückkehr gibt. Die Prüfung wurde (wahrscheinlich) bestanden; Das Stellenangebot wurde nicht unterzeichnet. Dennoch erwarten Branchenanalysten im Jahr 2026 drei große Veränderungen:

1. Die „Weiße Augen“-Phase

Roboter werden von „Piloten im Käfig“ zu „kollaborativen Einzelzonen“ übergehen. Sie werden noch nicht Seite an Seite mit Menschen stehen (die Sicherheitsbestimmungen hinken der Technologie hinterher), aber sie werden die gleichen Gemeinsamkeiten haben.

2. Der Rechenengpass

Abbildung 02 verfügt über einen riesigen Bordcomputer zum Betrieb seines VLM. Wenn diese Flotten wachsen, wird die Nachfrage nach Edge-Inference-Chips (wie Nvidias Jetson Thor) sprunghaft ansteigen. Der limitierende Faktor für den Einsatz wird nicht die Roboterhardware sein; Es wird die Verfügbarkeit lokalisierter Rechenleistung sein.

3. Die Antwort der Union

Die UAW und die deutschen Betriebsräte schwiegen zu diesen Pilotprojekten, weil sie „experimentell“ waren. Nachdem nun ein komplettes Produktionslinien-Pilotprojekt abgeschlossen ist, wird sich die Arbeitsdiskussion von „ob“ auf „wie viele“ verlagern. Erwarten Sie, dass Verträge im Jahr 2026 explizit „Humanoidverhältnisse“ pro Montagelinie definieren.

Das Urteil

Der Figure 02-Pilot bei BMW war kein wissenschaftliches Projekt. Es war ein Vorstellungsgespräch. Ein zweibeiniger Roboter kam herein, arbeitete elf Monate lang an der Linie und stürzte nicht ab.

Doch das ehrliche Urteil endet kurz vor der Siegesrunde. Die Leistungsdaten wurden nie veröffentlicht, das Werk läuft heute ohne Humanoide und Figure hat Figure 02 inzwischen vollständig außer Dienst gestellt – die BMW-Einheiten kehrten im Rahmen einer flottenweiten Stilllegung nach der Einführung von Figure 03 in die Zentrale zurück.

Der „nützliche Humanoide“ ist nicht mehr nur ein Versprechen. Es handelt sich um einen Kandidaten, der seine Probezeit bestanden hat – und immer noch auf den unbefristeten Vertrag wartet.

Quellen (4)

• assemblymag.com Humanoid robots complete trial project at BMW assembly plant
• figure.ai Figure 02 Production at BMW
• press.bmwgroup.com BMW Group Plant Spartanburg Successfully Tests Humanoid Robots
• wardsauto.com BMW Completes Successful Pilot