Physical Intelligence hat kein kommerzielles Produkt, keinen Umsatz und rund 80 Mitarbeiter. Investoren sollen das Unternehmen dennoch mit 11 Milliarden Dollar bewerten. Diese Diskrepanz ist kein Überbleibsel von Hype – sie ist die Einschätzung des Marktes, wie nah Embodied AI zur Manipulation physischer Objekte am tatsächlichen Einsatzfenster ist.

TechCrunch berichtete am 27. März, dass PI Gespräche über eine Finanzierungsrunde von rund 1 Milliarde Dollar bei einer Bewertung von über 11 Milliarden Dollar führt – mehr als das Doppelte der 5,6 Milliarden Dollar aus der Series B nur vier Monate zuvor. Sollte die Runde abgeschlossen werden, hätte PI seit der Gründung im März 2024 über 2 Milliarden Dollar eingesammelt. Die Investorenliste – Founders Fund, Lightspeed, Thrive Capital, Lux Capital, Jeff Bezos, CapitalG, OpenAI – steht für geduldiges, informiertes Kapital über mehrere Fondszyklen hinweg. Kapital, das innerhalb von vier Monaten zu einer Verdoppelung der Bewertung nachschießt, ohne dass ein Umsatzmeilenstein dies auslöst, wettet auf eine Verschiebung des Zeitplans – nicht auf ein einzelnes Produktmerkmal.

Der Branchenkonsens in der Fashion-Logistik sieht praxistaugliche Robotik für die Kleidungshandhabung erst in fünf bis sieben Jahren. Dieser Konsens wurde gebildet, bevor PI π*0.6 veröffentlichte.

Was PI tatsächlich gebaut hat

Das Fundament von PI ist π0 (pi-zero), ein Vision-Language-Action-Modell, das Motorsteuerungsbefehle mit bis zu 50 Hertz generiert. Die Architektur verzichtet auf aufgabenspezifische Programmierung: Dasselbe Modell, das eine Schublade öffnet, kann auch ein Hemd falten – weil es aus vielfältigen Roboter-Trainingsdaten generalisiert, statt ein einziges Bewegungsvokabular zu erlernen. In PIs eigenem Benchmarking erzielte π0 beim Hemdfalten einen Wert von 1,0. Alle konkurrierenden Modelle lagen bei 0,0.

Das neueste System, π*0.6, wird mit einer Methode namens Recap trainiert – einer Kombination aus Demonstrationen, Expertenkorrekturen und autonomem Reinforcement Learning – und erweitert diese Fähigkeit auf 50 neuartige Wäschestücke. Ein separater Ausdauertest – das Zubereiten von Espresso von 5:30 bis 23:30 Uhr – erzielte bei einzelnen Aufgabenstufen Erfolgsquoten von über 90 Prozent. Der gleiche Trainingsansatz mehr als verdoppelte den Durchsatz bei einigen der schwierigsten Aufgaben gegenüber der Vorgängergeneration.

PI hat die Gewichte von π0 im Februar 2025 als Open Source veröffentlicht – eine Entscheidung, die signalisiert, dass der Wettbewerbsvorteil in der Deployment-Infrastruktur und proprietären Trainingsdaten liegt, nicht im Modell selbst. Der Fortschritt vom „Hemdfalten als Machbarkeitsnachweis” zu „50 neuartigen Wäschestücken mit Produktionsdurchsatz” in weniger als 18 Monaten ist der eigentliche Beleg. Nicht der kommerzielle Status, der nach wie vor bei null liegt.

Warum die Automatisierung von Kleidungshandhabung bislang scheiterte

Fashion-3PLs sind kein generisches Lagerproblem. Covariants Analyse der roboterspezifischen Fehlerquellen im Bekleidungsbereich identifiziert Einschränkungen, die klassische Automatisierung aushebeln: Transparente Polybeutel verhindern die Erkennung von Greifpunkten; gemischte Verpackungsmaterialien erfordern unterschiedliche Ansätze pro SKU; die Verformbarkeit von Kleidungsstücken verändert die Physik jedes Griffs im Moment des Kontakts; überlappende Artikel in Behältern führen zu Doppelgriff-Fehlern; und eine jährliche SKU-Fluktuation von über 80 Prozent macht fest programmierte Robotersteuerung wirtschaftlich unrentabel, bevor die Saison endet.

Diese SKU-Fluktuation ist das strukturelle Problem. Ein Bekleidungs-3PL, der unter herkömmlicher Automatisierung jedes Jahr 80 Prozent seiner SKU-Basis neu programmieren muss, kann die Investitionskosten nicht rechtfertigen. Foundation-Modelle, die auf neuartige Objekte generalisieren, eliminieren diesen Reprogrammieraufwand – ein Roboter, der eine bestimmte Jacke noch nie gesehen hat, lernt sie auf dieselbe Weise wie ein menschlicher Kommissionierer.

Der Kostendruck durch Arbeitskräftemangel verschärft die Dringlichkeit. Die Bearbeitung von Kleidungsstücken – sorgfältige Handhabung, präzises Falten, Retourenprüfung – gehört zu den arbeitsintensivsten Bereichen der Auftragserfüllung. Automatisierung, die starre, gleichförmige Artikel bewältigt, erfasst nur einen Bruchteil der operativen Kosten im Modebereich. Die Arbeitsstunden stecken in den kleidungsnahen Prozessen.

Was 3PLs heute einsetzen – und wo die Lücke liegt

Die aktuelle Automatisierungsschicht in der Fashion-Logistik ist real. AutoStore ist in über 270 Modebetrieben im Einsatz und liefert Ergebnisse wie Benettons dreifache Lagerdichte und 15.000 Auftragspositionen pro Tag sowie Cutter & Bucks 60-prozentige Reduzierung des Personaleinsatzes in der Spitzensaison. Das Robotik-Foundation-Modell von Covariant ist bereits in GXOs Bekleidungsoperationen in Tilburg im Einsatz und übernimmt dort die Tascheninduktion für die Bekleidungskommissionierung im großen Maßstab.

Diese Installationen decken die einfacheren Fälle ab – Behälterentnahme, Sortierung, Palettenbewegung, Einspeisung in Rutschen. Die kleidungsnahen Prozesse – Auspacken, Qualitätskontrolle, Falten für die Auffüllung, Retourenbearbeitung – bleiben manuell. Ein Modell auf PI-Niveau würde bei kommerziellem Einsatz direkt in dieser manuellen Schicht konkurrieren.

Sollte PI bis 2027 oder 2028 zur kommerziellen Bereitstellung gelangen – angesichts der technischen Entwicklung plausibel, aber nicht sicher – werden Fashion-3PLs ohne Integrationsplanung einen sechs- bis zwölfmonatigen strukturellen Nachteil gegenüber frühen Adoptern haben. Dieser Rückstand verstärkt sich: Automatisierte Betriebe können vertraglich SLA-Präzision garantieren, die manuelle Betriebe nicht erbringen können.

Das Gegenargument ist sachlich korrekt

PI hat noch nie etwas kommerziell eingesetzt. Die 11-Milliarden-Dollar-Bewertung bepreist Optionalität, keine nachgewiesene Produktionsleistung. Der Abstand zwischen dem Falten von 50 Wäschestücken im Forschungskontext und der Verarbeitung von 15.000 Auftragspositionen pro Tag in einem realen Bekleidungslager ist beträchtlich – und die Geschichte der Robotik kennt viele Systeme, die in Demonstrationen funktionierten und im Skalierungsbetrieb ins Stocken gerieten. Dexterity sammelte im März 2025 95 Millionen Dollar bei einer Bewertung von 1,65 Milliarden Dollar ein und hat keine modespezifischen Deployments angekündigt.

Das Gegenargument ist korrekt. Es ist aber auch nicht die entscheidende Frage.

Ein Betreiber in der Fashion-Logistik, der mit der Integrationsplanung wartet, bis eine kommerzielle Bereitstellung vorliegt, ist nicht vorsichtig – er akzeptiert, dass Wettbewerber den Implementierungszeitplan vorgeben. Die relevante Frage für einen 3PL-Betreiber ist konkret: Könnten die Lagerarchitektur, die WMS-Integrationsschicht und die Lieferantenverträge innerhalb eines 12-bis-18-Monats-Fensters ein Foundation-Modell-Robotersystem aufnehmen, wenn die kommerzielle Reife morgen einträfe? Für die meisten Betriebe lautet die Antwort nein. Das ist das Problem, das jetzt geschlossen werden muss.

Wenn die 11-Milliarden-Dollar-Bewertung stimmt, ist die Frage nach dem Zeitplan bereits von Menschen beantwortet worden, die mehr Informationen und mehr Eigeninteresse am Ausgang haben als die meisten 3PL-Betreiber derzeit. Das ist kein Aufruf zur Panik. Es ist ein Aufruf zur Planung.