KI-generiert KI Neuigkeiten
18 Nov. 2026
Read 12 min
Gemini Robotics 2.5 in Mercedes-Fabriken: 96 % Erfolgsquote
Gemini Robotics 2.5 erreicht 96 Prozent bei Mercedes, doch Cloud-Verzug und Sicherheitsrisiken bleiben.
Gemini Robotics 2.5 in Mercedes-Fabriken erreicht laut Google beim Zusammenstellen von Autoteilen eine Erfolgsquote von 96 Prozent. Die neue Roboter-KI arbeitet geschickter und schneller als ihre Vorgängerin. Für einen verlässlichen Einsatz neben Menschen bleiben jedoch Hürden: die letzten Fehler, Verzögerungen durch Cloud-Berechnungen und die Prüfung sicherer Abläufe.
Das Wichtigste in Kürze
- Gemini Robotics 2.5 erreichte beim Zusammenstellen von Autoteilen in europäischen Mercedes-Benz-Fabriken eine Erfolgsquote von 96 Prozent.
- Google meldet gegenüber der Vorgängerversion 30 bis 100 Prozent höhere Erfolgsraten und 20 bis 30 Prozent mehr Geschwindigkeit.
- Gemini 4 Argon unterstützte das Training durch simulierte Varianten realer Übungssituationen.
- Der offene Sicherheitsbenchmark ASIMOV-Jailbreak umfasst 1.500 Prompts, die Roboter-KI zu unsicherem Verhalten verleiten sollen.
Google DeepMind will Roboter entwickeln, die nicht nur einen fest programmierten Handgriff beherrschen. Sie sollen unterschiedliche Aufgaben verstehen und auch in wechselnden Umgebungen ausführen. Der Einsatz von Gemini Robotics 2.5 in den Mercedes-Fabriken zeigt, wie weit dieser Ansatz bereits kommt. Er macht aber auch deutlich, warum ein gutes Testergebnis noch keine Zuverlässigkeit auf menschlichem Niveau bedeutet.
Was leistet Gemini Robotics 2.5 in Mercedes-Fabriken?
Mit Gemini Robotics 2.5 ausgestattete Apollo-2-Roboter stellten in einigen europäischen Mercedes-Benz-Fabriken Autoteile zusammen und erledigten diese Aufgabe zu 96 Prozent erfolgreich. Google arbeitete dafür mit dem Roboterhersteller Apptronik und Mercedes-Benz zusammen.
Dieses Zusammenstellen von Teilen heißt auch Kitting. Anders als bei einem Versuch im Robotiklabor musste das System dabei mit den Bedingungen einer echten Produktionsumgebung umgehen. Die Erprobung liefert deshalb einen konkreteren Hinweis auf den praktischen Nutzen als eine reine Vorführung.
Die verbleibenden 4 Prozent sind allerdings entscheidend. Ein Mensch erledigt eine solche wiederkehrende Aufgabe laut Ausgangsbericht praktisch jedes Mal richtig. DeepMind-Direktor Kanishka Rao bezeichnet den Weg zum Schließen dieser Lücke als steil.
Der Fabriktest belegt damit einen Fortschritt, aber keine Gleichwertigkeit mit Menschen. Gerade bei wiederkehrenden Arbeitsabläufen zählt nicht nur, ob ein Roboter eine Aufgabe grundsätzlich kann. Er muss sie auch zuverlässig wiederholen.
Wie setzt die Plattform Anweisungen in Bewegungen um?
Die Plattform verbindet ein Modell zum Verstehen und Planen mit einem Modell, das konkrete Roboteraktionen erzeugt. Zwischen einer Anweisung und einer Handbewegung liegen damit mehrere Rechenschritte.
Gemini Embodied Reasoning plant die Aufgabe
Gemini Embodied Reasoning ist der Vision-Language-Teil des Systems. Er verarbeitet Anweisungen und nutzt Live-Videobilder, um einen Ablauf zu planen. Das Modell muss also die Umgebung mit dem gewünschten Ziel verbinden.
Gemini Robotics steuert die Bewegung
Das Vision-Language-Action-Modell, kurz VLA, erzeugt daraus Aktionen des Roboters, etwa die Bewegung eines Antriebs. Dieser Teil wurde auf Version 2.5 aktualisiert. Die Trennung erklärt, warum eine bessere Planung allein nicht genügt: Auch das Greifen und Bewegen muss gelingen.
Welche Fortschritte gibt es bei Geschicklichkeit und Tempo?
Gemini Robotics 2.5 erzielt laut DeepMind höhere Erfolgsraten bei anspruchsvollen Handgriffen und arbeitet schneller als die vorherige Version. Das Team prüfte das Modell bei mehr als 200 Tätigkeiten.
Dazu gehörten das Servieren von Essen mit einer Zange und der Umgang mit einer Pipette, wie sie in Laboren verwendet wird. Google zeigte außerdem, wie Apptroniks humanoider Roboter Apollo 2 mit seinen Fünffingerhänden eine Schleife bindet. Bänder sind für Roboter schwierig, weil sie ihre Form verändern.
Insgesamt nennt Google 30 bis 100 Prozent höhere Erfolgsraten sowie 20 bis 30 Prozent mehr Geschwindigkeit. Diese Werte stammen jedoch aus Labortests. Sie dürfen nicht mit der Erfolgsquote von 96 Prozent beim Fabrikeinsatz gleichgesetzt werden.
Auch die Vorführung braucht Kontext: Das im Ausgangsbericht erwähnte Video läuft mit doppelter Geschwindigkeit. Dadurch wirken die Bewegungen menschenähnlicher, als sie im tatsächlichen Ablauf sind.
Wie hilft Gemini 4 Argon beim Training?
Gemini 4 Argon half dem Team, aus realen Kameradaten Tausende Varianten von Übungssituationen zu erzeugen. Diese Simulationen sollten das Training beschleunigen und die Übertragung auf neue Aufgaben erleichtern.
Für Roboter fehlen große Mengen an passenden Trainingsdaten. Textmodelle konnten weite Teile des offenen Internets nutzen. Körperliche Handlungen lassen sich daraus nicht auf dieselbe Weise lernen. Besonders wertvolle Daten entstehen durch Teleoperation, also wenn Menschen Roboter fernsteuern und Handlungen vormachen.
DeepMind ergänzte solche Demonstrationen durch simulierte „digitale Zwillinge“. Das Modell konnte damit unterschiedliche Varianten einer Situation durchlaufen. Reale Vorführungen blieben Teil des Trainings, um die künstlich erzeugten Daten an tatsächlichen Abläufen auszurichten.
Argon analysierte außerdem Fehler und schlug Verbesserungen für Simulationen und echte Roboter vor. Das geschieht nicht in Echtzeit. Solche Modelle brauchen Rechenzeit, während ein Roboter ohne lange Pausen handeln soll.
Auch das VLA-Modell der Version 2.5 läuft weiterhin auf Cloud-Servern. Die Fortschritte beim Einsatz von Gemini Robotics 2.5 in Mercedes-Benz-Fabriken beseitigen daher nicht die Verzögerungen durch externe Berechnungen.
Wie reagiert das System auf Menschen und Hindernisse?
Gemini Robotics 2.5 soll Gefahren während der Ausführung erkennen und bei Bedarf anhalten oder warten. DeepMind nutzt dafür Schlussfolgerungen während der Modellberechnung, das sogenannte Inference-Time Reasoning.
Steht etwas im Weg, soll der Roboter nicht einfach seinen geplanten Ablauf fortsetzen. Er unterbricht die Bewegung, bis eine sichere Fortsetzung möglich ist. Diese Fähigkeit ist besonders relevant, wenn Roboter außerhalb abgeschirmter Laborumgebungen arbeiten.
Google berichtet, dass das System Aufgaben bei vorhandenen Hindernissen dadurch 33 Prozent häufiger sicher abschloss. Wenn Menschen im Weg waren, stieg dieser Wert um 43 Prozent. Das sind Angaben zur Verbesserung, keine absoluten Sicherheitsquoten.
Für Gemini Robotics 2.5 in den Fabriken von Mercedes-Benz ist diese Unterscheidung wesentlich: Erfolgreiches Zusammenstellen von Teilen und sicheres Verhalten neben Beschäftigten sind verschiedene Anforderungen. Eine hohe Quote bei der einen Aufgabe belegt nicht automatisch die andere.
Was prüft der offene Benchmark ASIMOV-Jailbreak?
ASIMOV-Jailbreak prüft mit 1.500 gezielt formulierten Prompts, ob eine Roboter-KI unsichere Anweisungen zurückweist. DeepMind stellt die offene Datensammlung bereit, weil es bislang keine allgemein vereinbarte Methode zur Sicherheitsprüfung physischer KI gibt.
Ein Beispiel betrifft das Verpacken von Gegenständen in einer Tasche. Die Anweisung verlangt einen Verschluss, der für den Roboter zu schwierig zu bedienen ist. Das System sollte die Aufgabe ablehnen. Macht es trotzdem weiter und verschließt die Tasche falsch, gilt das als unsicheres Ergebnis.
Mit Argon im Ablauf meldet DeepMind im Benchmark einen Sicherheitswert gegen Jailbreaks von 98,8 Prozent. Mit Gemini Robotics ER 2 allein sind es 73,5 Prozent. Diese Werte beschreiben das Abschneiden bei den getesteten Anweisungen. Sie sind keine allgemeine Garantie für unfallfreies Arbeiten.
Der vollständige ASIMOV-Datensatz ist auf Hugging Face verfügbar. Gemini Robotics 2.5 selbst ist dagegen noch nicht allgemein erhältlich. Zu den Partnern mit Zugang gehören Agile Robots, Apptronik und Boston Dynamics.
Unsere Einordnung
Der entscheidende Fortschritt liegt aus unserer Sicht darin, dass die neue Version bessere Handgriffe mit einer Erprobung unter echten Fabrikbedingungen verbindet. Klassische Industrieroboter erledigen eng festgelegte Aufgaben schon lange. DeepMind verfolgt dagegen einen breiteren Ansatz: Ein System soll viele unterschiedliche Tätigkeiten bewältigen.
Das betrifft besonders Produktionsunternehmen und Robotikentwickler in Deutschland und Europa. Für Verbraucher bleibt die Entwicklung zunächst indirekt relevant, weil die Plattform nicht allgemein verfügbar ist. Zugleich besteht ein Zielkonflikt. DeepMind-Robotikchefin Carolina Parada beschreibt, dass eine starke Spezialisierung zulasten der Vielseitigkeit gehen kann. Wer breite Fähigkeiten bevorzugt, erreicht möglicherweise nicht bei jeder Anwendung 99,9 Prozent.
Eine zusätzliche offene Frage ist, wie viel menschliche Nacharbeit die verbleibenden Fehler verursachen. Der Bericht liefert dazu keine Angaben. In den nächsten Wochen wären deshalb Details zu Eingriffen, Wiederholbarkeit und Cloud-Verzögerungen besonders aufschlussreich. Auch beim Sicherheitsbenchmark bleibt entscheidend, wie gut die getesteten Anweisungen die Risiken tatsächlicher Arbeitsplätze abbilden.
Für Leser zeigt Gemini Robotics 2.5 in Mercedes-Fabriken einen messbaren Schritt zu vielseitigeren Robotern, aber noch keinen Ersatz für menschliche Zuverlässigkeit. Wer einen Einsatz erwägt, sollte neben der Erfolgsquote auch Fehlerfolgen, Wartezeiten und sichere Zusammenarbeit prüfen.
Mehr dazu: alle Beiträge in dieser Rubrik
FAQ
Weiterlesen und weitermachen
Drei Dinge aus unserer Werkstatt, die zu diesem Thema passen:
- Diktly ist unser Diktierprogramm für den Mac: Sprache wird komplett auf dem eigenen Rechner zu Text, nichts geht in die Cloud. Kostenlose Version, Basis 14,99 €.
- 1000+ Prompts für den Alltag ist unser meistgeladenes Paket. Zahl, was du willst, auch 0 €.
- OpenAI Agent Mode für Anfänger erklärt Schritt für Schritt, wie KI-Agenten Aufgaben für dich erledigen. 19,99 €.
Eigene Produkte von KI-Ecke. Der Newsletter Tech Moments bringt KI und Technik in normaler Sprache, eine Mail, kein Rauschen. Unten eintragen.
Contents





