NVIDIA GTC Berlin 2026. Wie künstliche Intelligenz zur industriellen Infrastruktur Europas wird

Europa soll KI selbst produzieren

Jensen Huang eröffnete seine rund zweistündige Keynote im Tempodrom mit einer Aufzählung europäischer Unternehmen, die mit NVIDIA an KI arbeiten, darunter L’Oréal, Revolut, Spotify, Merck, Vodafone, Zara, Porsche, Nestlé und HSBC. Die Botschaft dahinter war klar formuliert: Wer an der KI-Wirtschaft teilhaben will, sollte KI nicht nur konsumieren, sondern selbst erzeugen. Europa, so Huang, habe dafür mit seiner industriellen Basis gute Voraussetzungen und habe bereits damit begonnen.^[1]

Um diese These zu erklären, beschrieb Huang KI als fünfschichtigen Aufbau. Ganz unten steht Energie. Darauf folgen Rechensysteme, die in einer KI-Fabrik zusammenwirken, also einem Rechenzentrum, dessen Produkt nicht Speicherplatz, sondern erzeugte Intelligenz ist. Darauf laufen Modelle, und ganz oben stehen Anwendungen. Bevor Modelle entstehen, so Huang, muss die Infrastruktur existieren, so wie das Internet zuerst Netze und die Elektrifizierung zuerst ein Stromnetz brauchte.^[1]

Wie ernst diese Infrastrukturfrage ist, zeigen die Zahlen, die Huang nannte. Eine KI-Fabrik mit einem Gigawatt Leistung kostet nach seinen Angaben rund 50 Milliarden US-Dollar. Eine Verzögerung von drei Monaten bis zur Inbetriebnahme kann etwa zehn Milliarden Dollar an entgangenem Umsatz bedeuten. NVIDIA selbst hat nach eigenen Angaben im vergangenen Jahr fast zehn Milliarden Dollar in das europäische Technologie-Ökosystem investiert und während seiner Europareise vierzehn Beteiligungen an Start-ups angekündigt.^[2]

Wer KI erzeugen will, braucht zuerst die Schichten darunter.

^{Infografik: Das Fünf-Schichten-Modell erklärt, warum Energie und Infrastruktur über die Wertschöpfung mit KI entscheiden, lange bevor ein Modell trainiert wird | Grafik: © Ulrich Buckenlei | XR Stager Online Magazin | VISORIC GmbH}

Die Grafik zeigt den Kern dieser Logik. Wertschöpfung entsteht zwar sichtbar in der obersten Schicht, bei Anwendungen wie Assistenzsystemen, Robotern oder Simulationen. Ob sie entstehen kann, entscheidet sich aber in den unteren Schichten. Wer dort abhängig ist, bleibt auch oben abhängig. Für Europa ist das eine industriepolitische Frage, für Unternehmen eine strategische: Welche Schichten müssen kontrolliert werden, welche können eingekauft werden, und welche Daten dürfen das eigene Haus nie verlassen?

Für Unternehmen bedeutet das eine neue Sicht auf KI-Projekte. Ein Pilot mit einem Sprachmodell ist schnell gestartet. Ein produktiver Einsatz in Fertigung, Logistik oder Service verlangt dagegen Antworten auf Fragen, die bisher nicht in IT-Projekten auftauchten: verfügbare Rechenkapazität, Energiekosten, Datenhaltung, Sicherheitsarchitektur und Qualifikation der Mitarbeitenden. Wie die Industrie die erste dieser Fragen beantworten will, zeigt das nächste Kapitel.

• Huang fordert Europa auf, KI selbst zu erzeugen.
• KI besteht aus fünf Schichten von Energie bis Anwendung.
• Ein Gigawatt KI-Fabrik kostet rund 50 Milliarden Dollar.
• Drei Monate Verzögerung kosten etwa zehn Milliarden Dollar Umsatz.
• Produktive KI verlangt Antworten zu Energie, Daten und Sicherheit.

Die wichtigste Erkenntnis des ersten Kapitels lautet damit: KI ist zu einer Infrastrukturfrage geworden, und Infrastruktur folgt den Regeln von Bau, Energie und Betrieb.

Rechenzentren kommen aus der Fabrik

Die wichtigste Hardware-Ankündigung der GTC Berlin war kein Chip, sondern eine Bauweise. NVIDIA stellte DSX POD vor, ein Referenzdesign für vollständige KI-Fabriken auf Basis der Vera-Rubin-Plattform, die von Partnern in modularen Containern aufgebaut werden. Verkabelung, Stromverteilung, Flüssigkeitskühlung und Funktionstests werden vor der Auslieferung im Werk erledigt. Am Standort müssen die Container im Wesentlichen nur noch an Strom, Kühlung und Netzwerk angeschlossen werden.^[3]

Der Effekt ist erheblich. Nach Angaben von NVIDIA verkürzt sich die Inbetriebnahme vor Ort an einem vorbereiteten Standort von rund sechs Monaten auf etwa 14 Tage. Huang sprach von einer grundlegenden Veränderung der globalen Lieferkette für Rechenzentren. Die ersten Systeme sollen Anfang 2027 über Partner ausgeliefert werden, darunter große Server- und Infrastrukturhersteller.^[3] Die zugrunde liegende Vera-Rubin-Plattform befindet sich laut Huang bereits in voller Produktion.

Wie Partner dieses Konzept umsetzen, zeigte der Anbieter modularer Rechenzentren Armada. Das Unternehmen kündigte an, standardisierte KI-Fabriken auf Basis von DSX POD in eigenen Werken zu fertigen und gemeinsam mit Johnson Controls im Jahr 2027 verteilte, souveräne Rechenkapazität von 500 Megawatt aufzubauen. Zur Einordnung nennt Armada den Aufwand klassischer Bauweise: Ein Rechenzentrum mit 50 Megawatt benötige rund 600.000 Arbeitsstunden auf der Baustelle, während der Bauwirtschaft bis 2027 laut Prognose 288.000 Fachkräfte fehlen.^[4]

Die Arbeit wandert von der Baustelle in die Fertigungshalle.

^{Infografik: Vorintegrierte KI-Fabriken verkürzen die Inbetriebnahme drastisch, die Vorbereitung des Standorts bleibt aber eine eigene, oft längere Aufgabe | Grafik: © Ulrich Buckenlei | XR Stager Online Magazin | VISORIC GmbH}

Die Grafik macht auch die wichtigste Einschränkung sichtbar. Die 14 Tage gelten nur für den Anschluss an einem vorbereiteten Standort. Gebäude, Netzanschluss und Kühlinfrastruktur muss der Kunde weiterhin selbst errichten, und dieser Teil dauert häufig länger als die Integration, die er ersetzt. Hinzu kommt die Lieferkette: NVIDIA kündigte zwar Vereinbarungen für eine 2,5-fache Steigerung der Kapazität bei Chipträgern an, wesentliche Teile davon sollen aber erst 2027 und 2028 verfügbar werden.^[3]

Für Unternehmen verändert diese Bauweise die Planung von Rechenkapazität. Statt jahrelanger Bauprojekte werden standardisierte Einheiten bestellbar, die schrittweise erweitert werden können. Das gilt nicht nur für Hyperscaler, sondern zunehmend für Industrieunternehmen, Forschungseinrichtungen und Behörden, die Rechenleistung unter eigener Kontrolle betreiben wollen. Welche Grenze dabei wichtiger wird als Platz oder Geld, zeigt das nächste Kapitel.

• DSX POD liefert komplette KI-Fabriken im Container.
• Die Inbetriebnahme sinkt von sechs Monaten auf etwa 14 Tage.
• Die Standortvorbereitung bleibt beim Kunden.
• Armada plant mit Johnson Controls 500 Megawatt für 2027.
• Rechenkapazität wird zu einem bestellbaren Industrieprodukt.

Die Vorfertigung verschiebt damit den Engpass: weg von der Baustelle, hin zu Standort, Netzanschluss und Lieferkette.

Strom und Wasser setzen die Grenzen

Auf der GTC Berlin wurde ein Satz immer wieder sinngemäß wiederholt: Strom ist zum größten Engpass der KI-Infrastruktur geworden. NVIDIA beziffert den Rückstau bei Ausrüstung für Stromnetze und Rechenzentren auf mehr als 300 Milliarden US-Dollar. Allein in den USA warten nach diesen Angaben Projekte mit über 200 Gigawatt Leistung auf einen Netzanschluss. Als eine Ursache nennt NVIDIA, dass Stromnetz, Gebäude und Rechentechnik bisher getrennt voneinander geplant wurden.^[5]

Die Antwort ist eine Software-Schicht, die alle drei Ebenen verbindet. Mit DSX MaxLPS soll ein Rechenzentrum seine Leistungsaufnahme dynamisch an die Auslastung anpassen und laut NVIDIA dieselbe KI-Leistung mit bis zu 30 Prozent weniger Energie erbringen. In einem Test beim Betreiber Nscale in Island stieg der Inferenz-Durchsatz von vier Rack-Systemen bei unveränderten 264 Kilowatt um 49 Prozent. DSX Flex wiederum stimmt den Verbrauch auf die Lage im Stromnetz ab. In einem Versuch mit dem britischen Netzbetreiber National Grid sank die Leistungsaufnahme eines Clusters bei simulierten Netzereignissen um 40 Prozent, während kritische Aufgaben weiterliefen.^[6]

Ebenso wichtig ist das Wasser. Die Vera-Rubin-Infrastruktur arbeitet mit geschlossenen Kühlkreisläufen, deren Kühlmittel bis zu 45 Grad Celsius warm sein darf. Die Abwärme wird über Trockenkühler abgegeben, statt Wasser in Verdunstungstürmen zu verbrauchen. Für einen Standort mit zwei Gigawatt Leistung errechnet NVIDIA eine Einsparung von rund 54 Millionen Litern Wasser pro Tag.^[6] Bei hohen Außentemperaturen kann dennoch zusätzliche Kühlung nötig sein.

Effizienz entscheidet, wo KI überhaupt gebaut werden kann.

^{Infografik: Wenn Stromnetz, Rechenzentrum und Kühlung als ein System gesteuert werden, wird aus einem Engpass ein planbarer Faktor | Grafik: © Ulrich Buckenlei | XR Stager Online Magazin | VISORIC GmbH}

^{Übersicht: Maßnahmen für Energie- und Wassereffizienz in KI-Fabriken, eigene Einordnung auf Basis der zitierten Quellen | Tabelle: © Ulrich Buckenlei | XR Stager Online Magazin | VISORIC GmbH}

Die Grafik und die Übersicht zeigen ein Prinzip, das über Rechenzentren hinausreicht. Effizienz entsteht, wenn Systeme, die bisher getrennt geplant wurden, gemeinsam gesteuert werden. Die genannten Werte stammen allerdings aus Herstellerangaben und einzelnen Pilotumgebungen. Ob sie sich auf andere Standorte, Klimazonen und Lastprofile übertragen lassen, ist noch nicht unabhängig belegt.

Für Unternehmen wird Energie damit zur Standortfrage für KI. Wer eigene Rechenkapazität plant, sollte Netzanschluss, Abwärmenutzung, Kühlkonzept und Wasserverbrauch von Anfang an mitdenken, und zwar in einem digitalen Modell, in dem sich Varianten vergleichen lassen, bevor investiert wird. Welche Sicherheitsfrage mit der neuen Rechenleistung entsteht, zeigt das nächste Kapitel.

• Strom ist der größte Engpass der KI-Infrastruktur.
• Software steuert Rechenzentrum und Netz gemeinsam.
• Bis zu 30 Prozent weniger Energie pro KI-Leistung sind angekündigt.
• Geschlossene Kühlung spart große Mengen Wasser.
• Alle Werte sind Herstellerangaben aus Pilotumgebungen.

Energie und Wasser werden damit zu den Größen, an denen sich entscheidet, wo in Europa KI-Kapazität entstehen kann.

KI-Agenten brauchen einen Sicherheitskäfig

Ein großer Teil der Keynote galt KI-Agenten, also Systemen, die nicht nur Fragen beantworten, sondern selbstständig planen, Werkzeuge nutzen und Aufgaben ausführen. Huang beschrieb einen Agenten als Zusammenspiel aus fünf Elementen: einem Modell, einer Steuerungsschicht, die Arbeit und Gedächtnis koordiniert, einer abgeschotteten Ausführungsumgebung, dem Zugriff auf Wissen und dem Zugriff auf Werkzeuge. Das Wichtigste, so Huang, sei die Sicherheit des Agenten, denn er greift auf Dateien, Netzwerke und Systeme zu.^[1]

Die Antwort von NVIDIA heißt OpenShell. Die Referenzarchitektur baut auf einer quelloffenen Laufzeitumgebung auf, die jeden Agenten auf Betriebssystemebene in eine abgeschottete Umgebung setzt und ihm nur minimale Rechte gibt. Zusätzlich überwacht die Software Sentry den Agenten von einem separaten Prozessor aus, einer sogenannten Data Processing Unit vom Typ BlueField-4. Weil diese Kontrolle außerhalb des eigentlichen Rechenwegs läuft, kann ein fehlerhafter oder kompromittierter Agent sie nicht direkt beobachten oder umgehen. Verlässt er seine erlaubten Grenzen, soll er nach Herstellerangaben innerhalb von Millisekunden gestoppt werden.^[7]

OpenShell ist nach Angaben von NVIDIA ab sofort verfügbar und läuft unter Linux-Distributionen von Canonical, SUSE und Red Hat sowie über eine Container-Lösung auch unter Windows. Zu den beteiligten Technologieunternehmen gehören unter anderem Anthropic, OpenAI, Meta, CrowdStrike und SAP. In Europa prüfen nach Medienberichten Banken wie BBVA und Santander den Einsatz.^[8] Jedes Mal, wenn ein Agent startet, so Huang, seien seine Rechte andere, und genau deshalb müsse sich die Kontrolle dynamisch anpassen.

Vertrauen entsteht, wenn die Kontrolle außerhalb des Agenten liegt.

^{Infografik: Minimale Rechte, eine abgeschottete Umgebung und eine unabhängige Überwachung machen aus einem autonomen Agenten ein kontrollierbares System | Grafik: © Ulrich Buckenlei | XR Stager Online Magazin | VISORIC GmbH}

Die Grafik veranschaulicht das Prinzip, das aus der Informationssicherheit bekannt ist: Ein System, das sich selbst überwacht, ist angreifbar. Erst wenn die Kontrolle auf einer eigenen Ebene liegt, die der Agent nicht beeinflussen kann, entsteht belastbares Vertrauen. Ob Sicherheitsteams und Aufsichtsbehörden diese Kontrolle in der Hardware als ausreichend anerkennen, wird sich allerdings erst im praktischen Einsatz zeigen. Die genannten Reaktionszeiten sind bislang Herstellerangaben.

Für Unternehmen wird die Frage nach der Sicherheit von Agenten in den kommenden Monaten konkret. Sobald ein Agent Bestellungen auslöst, Produktionsparameter ändert oder Kundendaten verarbeitet, braucht es klare Regeln: Welche Rechte hat er, wer genehmigt Erweiterungen, wie werden Handlungen protokolliert und wer greift ein? Wie KI den Schritt aus der Software in die physische Welt der Fabrik macht, zeigt das nächste Kapitel.

• KI-Agenten handeln selbstständig mit Werkzeugen und Daten.
• OpenShell gibt jedem Agenten nur minimale Rechte.
• Ein separater Prozessor überwacht den Agenten unabhängig.
• Grenzverletzungen sollen in Millisekunden gestoppt werden.
• Unternehmen brauchen Regeln für Rechte, Protokolle und Eingriffe.

Sicherheit wandert damit vom Regelwerk in die Architektur, und genau dort wird sie für autonome Systeme belastbar.

Physical AI erreicht die Werkhalle

Physical AI bezeichnet KI, die über Sensoren die reale Welt wahrnimmt, Entscheidungen trifft und über Maschinen handelt. Auf der GTC Berlin war das konkreteste Beispiel ein Proof-of-Concept von Agile Robots, Audi, Dassault Systèmes und NVIDIA. Im Production Lab von Audi entnehmen mobile humanoide Roboter Bauteile aus Materialbehältern und legen sie in der richtigen Reihenfolge für die Endmontage bereit. In der Audi-Logistik sorgen rund eine Million solcher Entnahmen pro Tag dafür, dass die richtigen Teile zur richtigen Zeit am Band sind.^[9]

Bevor die Roboter in der realen Umgebung arbeiten, wird die Logistik als virtueller Zwilling nachgebildet. Darin werden Machbarkeit, Durchlaufzeiten, Ergonomie und Sicherheit des Robotereinsatzes geprüft. Dassault Systèmes erwartet, dass sich Planungsprozesse damit von Monaten auf Tage verkürzen lassen. Audi betont, dass die Roboter repetitive Aufgaben übernehmen und die Mitarbeitenden entlasten sollen. Die Roboter von Agile Robots verbinden die Reichweite und Fingerfertigkeit eines Humanoiden mit der Stabilität einer fahrbaren Basis.^[9]

Dasselbe Muster zeigte sich in weiteren Projekten. Siemens integriert KI-Agenten auf Basis des NVIDIA Factory Operations Blueprint in seine Fabriksoftware, um Ursachen von Störungen zu finden und Abläufe zu koordinieren, mit geschätzten Kosteneinsparungen von 20 Prozent. Im Elektronikwerk Erlangen verkürzte sich die Kalibrierzeit von Inspektionsprozessen für Leiterplatten mit synthetisch erzeugten Fehlerbildern um 40 Prozent.^[10] Auch Deloitte zeigte in Berlin am Beispiel des Antriebsherstellers HORSE, wie Agenten Engpässe in der Produktion früh erkennen und Gegenmaßnahmen vorschlagen.

Jede Veränderung wird zuerst im Zwilling getestet.

^{Infografik: Physical AI folgt einem festen Kreislauf aus Simulation, Prüfung und realem Einsatz, der Risiken senkt, bevor ein Roboter das erste Bauteil berührt | Grafik: © Ulrich Buckenlei | XR Stager Online Magazin | VISORIC GmbH}

Die Grafik fasst zusammen, was alle Beispiele verbindet. Der digitale Zwilling ist nicht mehr nur Visualisierung, sondern Prüfstand. Roboter, Abläufe und Agenten werden virtuell getestet, validiert und erst dann in die reale Umgebung übertragen. Erkenntnisse aus dem Betrieb fließen zurück in das Modell. Für die Forschung stellte NVIDIA zudem mit dem Agile ONE SN einen 1,40 Meter großen Referenz-Humanoiden vor, der Anfang 2027 erhältlich sein soll und die Einrichtungszeit für Forschungsteams von Wochen auf Tage verkürzen soll.

Für Unternehmen bedeutet das einen realistischen Blick auf humanoide Roboter. Ihre ersten Einsatzfelder liegen in klar definierten, wiederkehrenden Aufgaben in Logistik und Montage, nicht im Haushalt. Entscheidend für den Erfolg ist weniger die Form des Roboters als die Qualität des digitalen Zwillings und die Einbindung der Mitarbeitenden. Was geschieht, wenn Roboter verschiedener Hersteller zusammenarbeiten sollen, zeigt das nächste Kapitel.

• Physical AI verbindet Wahrnehmung, Entscheidung und Handlung.
• Audi testet mobile Humanoide für rund eine Million Entnahmen täglich.
• Der virtuelle Zwilling prüft Machbarkeit, Ergonomie und Sicherheit.
• Siemens erwartet 20 Prozent Einsparung durch Fabrik-Agenten.
• Humanoide starten in klar definierten Industrieaufgaben.

Physical AI erreicht die Werkhalle damit nicht als Spektakel, sondern als Prozess, der im digitalen Zwilling beginnt.

Roboter arbeiten über Herstellergrenzen hinweg

In vielen Lagern und Werken arbeiten heute Roboter unterschiedlicher Hersteller nebeneinander, oft mit eigener Steuerung und eigenem Flottenmanagement. Die nächste Stufe besteht darin, dass sie ihre Umgebung über Kameras und Sensoren wahrnehmen, vorausschauend handeln und über Markengrenzen hinweg koordiniert werden. Die Otto Group zeigte zur GTC Berlin, wie das in der Praxis aussieht. Ihre Initiative COALA koordiniert gemischte Roboterflotten und Automatisierungssysteme in Lagerumgebungen.^[11]

Dafür hat die Otto Group eine Plattform aufgebaut, die Lager-IT, Robotersteuerung, Flottenmanagement und Gebäudetechnik verbindet. Offene Robotersteuerungen und ein herstellerunabhängiges Flottenmanagement sollen es erlauben, das Verhalten und Zusammenspiel unterschiedlicher Roboterflotten im digitalen Zwilling zu simulieren. Im größten Fulfillment-Zentrum des Konzerns in Haldensleben werden Regale und Fördertechnik dafür aus Punktwolken in hochgenaue digitale Abbilder überführt. Erste Anwendungen der Bildauswertung erkennen etwa leere Palettenstapel automatisch und lösen selbstständig Transportaufträge aus.^[11]

Damit Roboter verschiedener Hersteller sicher nebeneinander arbeiten, braucht es auch gemeinsame Sicherheitskonzepte. Mehrere Hersteller integrieren das Sicherheitssystem NVIDIA Halos in ihre Architekturen, darunter Agile Robots, Agility, Dexory, FORT Robotics und KION für Lagerroboter. Der Sensorhersteller SICK evaluiert Halos, damit Industrieroboter dynamisch auf veränderte Bedingungen außerhalb fester Schutzzonen reagieren können. Prüforganisationen wie TÜV SÜD unterstützen die Zertifizierung solcher Systeme.^[12]

Gemeinsame Wahrnehmung macht aus Einzelrobotern ein Team.

^{Infografik: Ein herstellerunabhängiges Flottenmanagement und dynamische Sicherheitszonen lassen Roboter verschiedener Marken koordiniert und sicher zusammenarbeiten | Grafik: © Ulrich Buckenlei | XR Stager Online Magazin | VISORIC GmbH}

Die Grafik zeigt den Wandel von festen Schutzzonen zu dynamischer Sicherheit. Bisher wurden Roboter häufig durch Zäune oder starre Bereiche von Menschen und anderen Maschinen getrennt. Wenn jedes System seine Umgebung wahrnimmt und ein übergeordnetes Management die Wege koordiniert, können Mensch und Maschine enger zusammenarbeiten. Voraussetzung ist ein digitaler Zwilling, in dem diese Abläufe vorab geprüft werden, und offene Schnittstellen, die einzelne Hersteller nicht ausschließen.

Für Unternehmen ist das eine wichtige Entscheidungshilfe bei Automatisierungsprojekten. Wer heute Roboter beschafft, sollte auf offene Schnittstellen, herstellerübergreifendes Flottenmanagement und simulationsfähige Modelle achten. So bleibt die Anlage erweiterbar, und Abhängigkeiten von einzelnen Anbietern werden geringer. Wie Unternehmen selbst den Stand von Physical AI einschätzen, zeigt das nächste Kapitel mit neuen Studiendaten.

• Lager arbeiten zunehmend mit Robotern verschiedener Hersteller.
• Die Otto Group koordiniert gemischte Flotten mit COALA.
• Haldensleben wird aus Punktwolken zum digitalen Zwilling.
• Halos bringt dynamische Sicherheit in Lagerroboter.
• Offene Schnittstellen schützen vor Herstellerabhängigkeit.

Die Zukunft der Automatisierung liegt damit im koordinierten Zusammenspiel vieler Systeme, gesteuert und geprüft im digitalen Zwilling.

Was die Daten über Physical AI verraten

Am letzten Tag der GTC Berlin stellte Deloitte in seinem Berliner Hauptquartier die Ergebnisse seiner EMEA Physical AI Study 2026 in einer exklusiven Präsentation vor. Eine Zahl stand im Mittelpunkt: Der Anteil der Unternehmen, die Deloitte als Physical AI Transformers einordnet, also Organisationen, die Physical AI für die Veränderung ihrer Kernprozesse einsetzen, soll von heute 32 Prozent auf 81 Prozent im Jahr 2030 steigen. Deloitte nannte diese Gruppe die neue Mehrheit.^[13]

Ebenso aufschlussreich waren die Hindernisse. Auf die Frage nach den drei wichtigsten Barrieren nannten 38 Prozent der Befragten Risiken für Cybersicherheit und Betriebssicherheit, 35 Prozent hohe Investitions- und Umsetzungskosten und 30 Prozent fehlende Fachkenntnisse. Es folgten regulatorische, Datenschutz- und Haftungsfragen mit 26 Prozent, unzureichende Datenqualität und Systemintegration sowie Akzeptanz der Mitarbeitenden mit jeweils 20 Prozent. Nur sechs Prozent sahen keine wesentlichen Hindernisse.^[13] Deloitte fasste die Lage so zusammen: Organisationen glauben an den Wert, fürchten aber die Skalierung. Physical AI macht die Sicherheitslücken sichtbar, die heute bereits bestehen.

Die Studie fügt sich in ein breiteres Bild. Bereits im Report zum Stand der KI in Unternehmen 2026 berichtete Deloitte, dass 58 Prozent der befragten Unternehmen Physical AI zumindest in begrenztem Umfang nutzen und dieser Anteil innerhalb von zwei Jahren auf 80 Prozent steigen soll. Als Bereiche mit der größten langfristigen Wirkung nannten die Befragten intelligente Sicherheits- und Überwachungssysteme, kollaborative Robotik und digitale Zwillinge.^[14]

Der Glaube an den Nutzen ist größer als die Bereitschaft zur Skalierung.

^{Infografik: Die Zahl der Physical-AI-Vorreiter soll sich bis 2030 mehr als verdoppeln, gebremst wird der Weg vor allem von Sicherheit, Kosten und fehlenden Fachkenntnissen | Grafik: © Ulrich Buckenlei | XR Stager Online Magazin | VISORIC GmbH}

^{Übersicht: Ausgewählte Barrieren für Physical AI laut Deloitte EMEA Physical AI Study 2026, ergänzt um eine eigene Einordnung möglicher Hebel | Tabelle: © Ulrich Buckenlei | XR Stager Online Magazin | VISORIC GmbH}

Die Grafik und die Übersicht zeigen ein ermutigendes Muster. Die drei größten Hindernisse betreffen nicht die Technik selbst, sondern ihre sichere Einbettung, ihre Wirtschaftlichkeit und die Menschen, die mit ihr arbeiten. Alle drei sind lösbar. Besonders die Lücke bei Fachkenntnissen lässt sich gezielt schließen, wenn Mitarbeitende neue Abläufe, Roboter und Agenten in einer virtuellen Kopie ihres realen Arbeitsplatzes kennenlernen, bevor diese in Betrieb gehen.

Für Unternehmen liefern die Zahlen eine klare Prioritätenliste. Wer Physical AI einführen will, sollte Sicherheit nicht nachträglich ergänzen, Projekte mit einem überschaubaren, messbaren Anwendungsfall beginnen und die Qualifizierung der Belegschaft von Anfang an einplanen. Welche Rolle dabei die Frage nach der technologischen Unabhängigkeit spielt, zeigt das nächste Kapitel.

• Deloitte stellte die EMEA Physical AI Study 2026 in Berlin vor.
• Der Anteil der Vorreiter soll von 32 auf 81 Prozent steigen.
• Sicherheit ist mit 38 Prozent die größte Barriere.
• Kosten und Fachkenntnisse folgen mit 35 und 30 Prozent.
• Die größten Hindernisse sind organisatorisch lösbar.

Die Daten zeigen damit: Der Weg zu Physical AI ist weniger eine Frage der Technik als eine Frage von Sicherheit, Wirtschaftlichkeit und Qualifizierung.

Souveränität wird zur Architekturentscheidung

Die Frage der technologischen Souveränität begleitete die GTC Berlin von Beginn an. Bereits am 19. Oktober, zwei Tage vor der Keynote, unterzeichneten das Bundeswirtschafts- und das Bundesforschungsministerium beim Investitionsgipfel der Bundesregierung in Berlin eine Absichtserklärung mit NVIDIA. Ziel ist eine Initiative zur Entwicklung moderner KI-Modelle für Physical AI, die neben der Großindustrie auch kleinen und mittleren Unternehmen sowie Forschungseinrichtungen zugänglich sein sollen.^[15]

Zu möglichen Investitionen machte der Bund zunächst keine Angaben. Einem Medienbericht zufolge soll das Projekt mit einem dreistelligen Millionenbetrag unterstützt werden, unter anderem für Rechenkapazität in der Industrie-KI-Cloud der Deutschen Telekom. Huang lobte das technologische Potenzial Deutschlands, kritisierte aber zugleich das langsame Innovationstempo in Europa. Seine Empfehlung an Deutschland war knapp: einfach mit der Arbeit anfangen.^[15]

Technisch bedeutet Souveränität vor allem Kontrolle über Modelle, Daten und Infrastruktur. NVIDIA erweiterte in Berlin seine Familie offener Modelle für Sprache, Robotik, Biologie und Quantencomputing. Unternehmen können diese Modelle mit eigenen Daten nachtrainieren und auf Infrastruktur betreiben, die sie selbst kontrollieren.^[16] Partner wie Netris zeigten zudem, wie sich ein GPU-Cluster an viele Kunden vermieten lässt, wobei jeder Kunde direkt in der Netzwerkhardware von den anderen getrennt ist. Dass dieses Thema Unternehmen bewegt, belegt auch die Deloitte-Studie: 19 Prozent nennen die Abhängigkeit von außereuropäischen Technologieanbietern als Hindernis für Physical AI.

Souveränität entsteht dort, wo Daten, Modelle und Infrastruktur zusammenkommen.

^{Infografik: Technologische Souveränität ist eine Frage der Architektur, die sich in Schichten um die eigenen Daten aufbauen lässt | Grafik: © Ulrich Buckenlei | XR Stager Online Magazin | VISORIC GmbH}

Die Grafik zeigt Souveränität als Schichtenmodell. Im Kern stehen die eigenen Daten, also das Wissen eines Unternehmens über Produkte, Prozesse und Kunden. Darum liegen offene Modelle, die sich auf dieses Wissen anpassen lassen, kontrollierte Infrastruktur und eine sichere Trennung im Netzwerk. Jede Schicht kann eingekauft oder selbst betrieben werden. Souverän ist ein Unternehmen nicht dann, wenn es alles selbst macht, sondern wenn es bewusst entscheidet, welche Schichten es kontrolliert.

Für Unternehmen wird Souveränität damit von einem politischen Schlagwort zu einer konkreten Architekturentscheidung. Sie betrifft die Wahl der Modelle, den Ort der Datenhaltung, die Verträge mit Cloud-Anbietern und die Frage, wo eigenes Wissen in KI-Systeme einfließt. Wer diese Entscheidungen früh trifft, kann KI schneller und mit geringerem Risiko skalieren. Was die drei Tage vor Ort in Bildern zeigen, fasst das folgende Kapitel zusammen.

• Bund und NVIDIA vereinbarten eine Initiative für Physical AI.
• Die Modelle sollen auch dem Mittelstand zugänglich sein.
• Offene Modelle lassen sich mit eigenen Daten nachtrainieren.
• 19 Prozent sehen Anbieterabhängigkeit als Hindernis.
• Souveränität ist eine bewusste Entscheidung pro Schicht.

Die GTC Berlin hat damit gezeigt, dass Europas KI-Zukunft weniger von einzelnen Modellen abhängt als von klugen Architekturentscheidungen.

Eindrücke vom ersten Tag im Video

Das Video zeigt Eindrücke vom ersten Tag der NVIDIA GTC Berlin 2026, aufgenommen vor Ort in Berlin-Kreuzberg. Der Tag stand im Zeichen der ganztägigen Workshops in der STATION-Berlin, in denen Entwicklerinnen und Entwickler mit Themen wie KI-Agenten, Inferenz, beschleunigten Netzwerken und Robotik arbeiteten. Rund um die Veranstaltungsorte prägte das typische Grün der Konferenz das Stadtbild.

Der stärkste Eindruck dieses ersten Tages ist die Mischung aus Fachpublikum und Aufbruchsstimmung. Entwickler, Forschende, Gründer und Industrievertreter aus ganz Europa nutzten die Workshops und Empfänge, um Kontakte zu knüpfen und sich auf die Ankündigungen der folgenden Tage vorzubereiten. Viele Gespräche drehten sich bereits um die Themen, die später die Keynote prägten: Infrastruktur, Energie, Sicherheit und Physical AI.

Der technische Kontext des Videos ist in den vorangegangenen Kapiteln beschrieben. Die Aufnahmen zeigen die Atmosphäre und die Orte, an denen diese Entwicklungen diskutiert wurden, nicht die einzelnen Produkte im Detail.

^{Video: Eindrücke vom ersten Tag der NVIDIA GTC Berlin 2026 | Aufnahmen, Analyse, Redaktion und Videobearbeitung: © Ulrich Buckenlei | XR Stager Online Magazin | VISORIC GmbH}

Bemerkenswert ist, wie selbstverständlich auf der GTC Berlin über Themen gesprochen wurde, die vor wenigen Jahren noch Zukunftsszenarien waren. Humanoide Roboter in der Logistik, Rechenzentren aus der Fabrik und KI-Agenten unter Aufsicht sind heute Gegenstand konkreter Projekte mit Zeitplänen und Partnern.

Zur Einordnung gehört ebenso: Viele der vorgestellten Systeme sind erst ab 2027 verfügbar, und zahlreiche Kennzahlen stammen aus Herstellerangaben oder einzelnen Pilotprojekten. Die eigentliche Frage der GTC Berlin richtet sich deshalb an die Unternehmen selbst: Wie wird aus den Ankündigungen ein eigener, sicherer und messbarer Einstieg?

• Das Video zeigt Eindrücke vom ersten Tag vor Ort.
• Workshops in der STATION-Berlin eröffneten die Konferenz.
• Infrastruktur, Energie und Sicherheit prägten die Gespräche.
• Viele Systeme werden ab 2027 verfügbar.
• Zahlreiche Kennzahlen sind noch Herstellerangaben.

Das Video macht sichtbar, was die Kapitel beschreiben: Die Technik ist angekündigt, der Wert entsteht durch die Umsetzung in den Unternehmen.

Sie kennen Ihre Prozesse, wir machen Physical AI erlebbar

Ein erfolgreicher Einstieg in Physical AI entsteht aus zwei Arten von Wissen. Das Unternehmen kennt seine Abläufe, Anlagen, Mitarbeitenden und die Entscheidungen, die schneller oder sicherer werden sollen. Für die Umsetzung braucht es Erfahrung mit digitalen Zwillingen, 3D-Daten, Simulation und Lernumgebungen, in denen Menschen neue Systeme verstehen, bevor sie mit ihnen arbeiten. Genau diese Verbindung bildet den Kern der Arbeit der VISORIC GmbH.

Seit mehr als 15 Jahren entwickelt das Münchner Expertenteam Anwendungen in 3D, KI und XR für Unternehmen vom Mittelstand bis zum DAX-Konzern. VISORIC konzipiert digitale Zwillinge von Anlagen und Arbeitsplätzen, virtuelle Trainingsumgebungen und räumliche Darstellungen komplexer Abläufe. Die Ergebnisse führt VISORIC in der Plattform XR Stager zusammen, im Browser, auf großen Displays oder in XR. Gerade die Lücke bei Fachkenntnissen, die laut Deloitte fast jedes dritte Unternehmen bremst, lässt sich so gezielt schließen: Mitarbeitende lernen neue Roboter, Agenten und Abläufe in einer virtuellen Kopie ihrer realen Umgebung kennen.

Prozesswissen und räumliche Aufbereitung ergeben gemeinsam einen belastbaren Pilot.

^{Bild: Das Unternehmen bringt Abläufe, Anlagen und Ziele ein, das Expertenteam digitale Zwillinge, Simulation und virtuelle Lernumgebungen | © Ulrich Buckenlei | XR Stager Online Magazin | VISORIC GmbH}

Der Einstieg muss dabei nicht groß sein. Sinnvoll ist ein klar abgegrenzter Pilot: ein Arbeitsplatz, eine Anlage oder ein Logistikbereich, eine konkrete Frage und eine verantwortliche Rolle. Vorab wird festgelegt, welche Daten einfließen, was simuliert und was trainiert werden soll und woran sich der Erfolg messen lässt. Erst wenn dieser Pilot seinen Nutzen gezeigt hat, lohnt es sich, weitere Bereiche, Roboter oder Agenten aufzunehmen. So wächst der digitale Zwilling mit nachweisbarem Nutzen statt mit Komplexität, und die Mitarbeitenden wachsen mit.

• Auswahl eines Bereichs und einer Entscheidung, die besser werden soll.
• Digitaler Zwilling des Arbeitsplatzes oder der Anlage.
• Virtuelle Lernumgebung, gemessen am bisherigen Ablauf.

Gerade weil Physical AI jetzt in die Werkhallen kommt, ist jetzt ein guter Zeitpunkt, Menschen und Prozesse darauf vorzubereiten.

Welcher Prozess in Ihrem Unternehmen würde am meisten davon profitieren, zuerst im digitalen Zwilling erprobt zu werden?

Sprechen Sie mit dem VISORIC Expertenteam in München. Gemeinsam prüfen wir Ihre Ausgangslage, wählen einen messbaren Anwendungsfall und entwickeln einen Pilot, der zeigt, was digitale Zwillinge und virtuelle Lernumgebungen für Ihren Einstieg in Physical AI leisten können.

Kontakt:

E-Mail: info@visoric.com
Telefon: +49 89 21552678

Quellen und Referenzen

1. Caulfield, B., NVIDIA Blog. GTC Berlin 2026: Live Updates From NVIDIA CEO Jensen Huang’s Keynote, 21. Oktober 2026. blogs.nvidia.com/blog/gtc-berlin-2026-keynote.
2. Investing.com. NVIDIA at GTC Berlin 2026 Keynote: Europe’s AI buildout, Transkript und Zusammenfassung der Keynote, 21. Oktober 2026. investing.com/news/transcripts.

3. NVIDIA Newsroom. NVIDIA Introduces DSX POD AI Factories to Accelerate Europe’s Infrastructure Deployment, Pressemitteilung vom 21. Oktober 2026. nvidianews.nvidia.com/news/nvidia-introduces-dsx-pod-ai-factories-to-accelerate-europes-infrastructure-deployment.
4. Armada. Armada Unveils Superintelligence Factories Built Within NVIDIA DSX POD, Deployable in Months, Not Years, Pressemitteilung via PR Newswire, 21. Oktober 2026. prnewswire.com.

5. NVIDIA Blog. How Companies Are Using NVIDIA DSX to Break the Power Bottleneck, 21. Oktober 2026. blogs.nvidia.com/blog/dsx-power.
6. Rutherford, M., Tech Times. NVIDIA Cuts AI Factory Deployment to 14 Days With DSX POD at GTC Berlin, 22. Oktober 2026. techtimes.com.

7. NVIDIA Newsroom. NVIDIA Launches OpenShell Reference Architecture for Safe AI Agents, Pressemitteilung vom 21. Oktober 2026. nvidianews.nvidia.com/news/openshell-reference-architecture.
8. Bauduin, S., PC Games Hardware. Nvidia GTC Berlin 2026: KI-Fabrik im Container und Agenten unter Aufsicht, 21. Oktober 2026. pcgameshardware.de.

9. AUDI AG. Mobile humanoide Roboter für die Automobillogistik: Agile Robots und Audi kooperieren mit Dassault Systèmes und NVIDIA, Medieninformation vom 21. Oktober 2026. audi.com/de/pressemitteilungen.
10. McKenna, J., NVIDIA Blog. Europe’s Industrial Leaders Reinvent Engineering and Manufacturing With NVIDIA, 21. Oktober 2026. blogs.nvidia.com/blog/europe-industrial-leaders-engineering-manufacturing.

11. Otto Group. Otto Group Advance the Autonomous Warehouse with COALA and NVIDIA Omniverse, 21. Oktober 2026. ottogroup.com/en/stories.
12. Ciupek, M., ingenieur.de. GTC in Berlin: Deutscher Roboterhersteller steht bei Nvidia im Fokus, 21. Oktober 2026. ingenieur.de.

13. Deloitte. EMEA Physical AI Study 2026, Präsentation der Studienergebnisse im Deloitte Hauptquartier Berlin, 22. Oktober 2026, eigene Teilnahme und Aufzeichnung.
14. Deloitte. The State of AI in the Enterprise, 2026. deloitte.com.

15. ZDFheute. Deutschland und Nvidia starten KI-Offensive für die Industrie, 19. Oktober 2026. zdfheute.de.
16. Briski, K., NVIDIA Blog. NVIDIA Open Models Advance Europe’s Sovereign Intelligence Across Industries, 21. Oktober 2026. blogs.nvidia.com/blog/open-models-europe-industry.

17. VISORIC Praxisprojekte in den Bereichen Digitale Zwillinge, virtuelle Lernumgebungen, Simulation und Spatial Computing.
18. XR Stager Plattform für Echtzeit-3D, Digitale Zwillinge und industrielle Spatial-Computing-Anwendungen.